ANALISIS BEBERAPA TEKNIK CODING RAHMAD FAUZI, ST, MT JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA BAB

I PENDAHULUAN Sistem komunikasi dirancang untuk mentransmisikan informasi yang dibangkitkan oleh sumber ke beberapa tujuan. Sumber Informasi mempunyai beberapa bentuk yang berbeda. Sebagai contoh, dalam radio broadcasting, sumber biasanya sebuah sumber audio (suara atau musik). Dalam TV broadcasting, sumber informasi biasanya sebuah sumber video yang keluarannya berupa image bergerak. Output dari sumber-sumber ini adalah sinyal analog dan sumbernya disebut sumber analog. Kontras dengan Komputer dan tempat penyimpanan data (storage), seperti disk magnetic atau optical, menghasilkan output berupa sinyal diskrit (biasanya karakter binary atau ASCII) dan tentu sanya sumbernya disebut sumber diskrit. Baik sumber analog maupun diskrit, sebuah komunikasi digital dirancang untuk mentransmisikan informasi dalam bentuk digital. Sehingga konsekuensinya keluaran dari sumber harus diubah dahulu menjadi bentuk keluaran sumber digital yang biasanya dilakukan pada source encoder, yang keluarannya dapat diasumsikan sebuah digit biner sekuensial. Pada akhir 40-an dimana dimulainya tahun Teori Informasi, ide pengembangan metode coding yang efisien baru dimulai dan dikembangkan. Dimulainya penjelajahan Ide dari entropy, information content dan redundansi. Salah satu ide yang popular adalah apabila probabilitas dari simbol dalam suatu pesan diketahui, maka terdapat cara untuk mengkodekan simbol, sehingga pesan memakan tempat yang lebih kecil. Model pertama yang muncul untuk kompresi sinyal digital adalah ShannonFano Coding. Shannon dan Fano (1948) terus-menerus ,mengembangkan algoritma ini yang menghasilkan codeword biner untuk setiap simbol (unik) yang terdapat pada data file. Huffman coding [1952] memakai hampir semua karakteristik dari ShannonFano coding. Huffman coding dapat menghasilkan kompresi data yang efektif dengan mengurangkan jumlah redundansi dalam mengkoding simbol. Telah dapat dibuktikan, bahwa Huffman Coding merukan metode fixed-length yang paling efisien. Pada limabelas tahun terakhir, Huffman Coding telah digantikan oleh arithmetic coding. Arithmetic coding melewatkan ide untuk menggantikan sebuah simbol masukan dengan kode yang spesifik. Algoritma ini menggantikan sebuah aliran simbol masukan dengan sebuah angka keluaran single floating-point. Lebih banyak bit dibutuhkan dalam angka keluaran, maka semakin rumit pesan yang diterima. Algoritma Dictionary-based compression menggunakan metode yang sangat berbeda dalam mengkompres data. Algoritma ini menggantikan string variable-length dari simbol menjadi sebuah token. Token merupakan sebuah indek dalam susunan kata di kamus. Apabila token lebih kecil dari susunan kata, maka tken akan menggantikan prase tersebut dan kompresi terjadi. Masih banyak lagi metode dan algoritma kompresi, namun dalam makalah ini akan dibahas mengenai

© 2003 Digitized by USU digital library

1

Kita telah mengetahui bahwa entropy dari sebuah sumber informasi merupakan sebuah ukuran dari isi informasi pada sebuah sumber. Pengurangan dari rate transmisi dapat mengurangi biaya dari sambungan dan memberikan kemungkinan untuk pengguna berbagi dalam sambungan yang sama. maka dapat dipetakan (encode) setiap simbol dalam sebuah codeword dengan panjang n. Source Coding menghasilkan data compresi dan mengurangi rate dari transmisi. Dalam makalah ini akan dibahas dan dianalisa source encoding berdasarkan model matematis dari sumber informasi dan pengukuran kuantitatif dari informasi yang dihasilkan oleh sumber. Untuk sumber dengan probabilitas simbol yang sama. Dalam kata lain. Shannon-Fano dan Adaptif Huffman. dan H(X) maksimum ketika sumber mempunyai simbol probabilitas yang sama. Sehingga.metode kompresi dengan menggunakan Huffman. © 2003 Digitized by USU digital library 2 . Teori Source Encoding mencanangkan sebuah limit dasar dari sebuah ukuran dimana keluaran dari sebuah sumber informasi dapat dikompresi tanpa menyebabkan probabilitas error yang besar. dari pendapat teori source encoding bahwa entropy dari sebuah sumber sangat penting. Teori Source Encoding merupakan salah satu dari ketiga teorema dasar dari teori informasi yang diperkenalkan oleh Shannon (1948). Secara umum kita dapat meng-kompres data tanpa menghilangkan informasi (lossless source coding) atau mengkompress data dengan adanya kehilangan informasi (loss source coding). BAB II DASAR TEORI Pandangan dasar dari source coding adalah menghilangkan redundansi dari sumber. dan/atau secara statistic tidak terikat satu dengan yang lain. dimana pi merupakan probabilitas pada simbol ke-I. Teori Shannon Noiseless Source Coding menyatakan bahwa nilai rata-rata dari simbol biner per keluaran sumber dapat digunakan untuk mendekati entropi dari sumber. Efisiensi dari sumber ditentukan oleh H(X)/H(X)max. efisiensi dari sumber dapat dihasilkan dari source coding.

Apabila kita dapat memetakan setiap keluaran sumber dari probabiltas pi ke sebuah codewortd dengan panjang 1/pi dan pada saat yang bersamaan dapat memastikan bahwa dapat didekodekan secara unik.1 Algoritma Huffman Coding Dalam Huffman Coding. Dalam variable-length coding. Menggabungkan 2 keluaran yang sama dekat kedalam satu keluaran yang probabilitasnya merupakan jumlah dari probabilitas sebelumnya. Cara seperti ini disebut sebagai fixed to variable-length coding.Gambar 1. dan optimum pada keunikan dari kode-kode tersebut. Ide dasar dari cara Huffman ini adalah memetakan mulai simbol yang paling banyak terdapat pada sebuah urutan sumber sampai dengan yang jarring muncul menjadi urutan biner. panjang blok dari keluaran sumber dipetakan dalam blok biner berdasarkan pajang variable. maka lanjut kelangkah berikutnya. kembali ke langkah 1. Memberikan nilai 0 dan 1 untuk kedua keluaran © 2003 Digitized by USU digital library 3 . Apabila setelah dibagi masih terdapat 2 keluaran. Seperti yang disebutkan diatas. Huffman Code dapat mendekodekan secara unik dengan H(x) minimum. Ini berarti harus terdapat satu cara untuk memecahkan urutan biner yang diterima kedalam suatu codeword. sinkronisasi merupakan suatu masalah. Algoritma dari Huffman encoding adalah : 1. 4. 3. kita dapat mecari rata-rata panjang kode H(x). Klasifikasi dari beberapa teknik kompresi 2. namun apabila masih terdapat lebih dari 2. Pengurutan keluaran sumber dimulai dari probabilitas paling tinggi. bahwa ide dari Huffman Coding adalam memilih panjang codeword dari yang paling besar probabilitasnya sampai dengan urutan codeword yang paling kecil probabilitasnya. 2.

Alur program Huffman code Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF HUFFMAN CODE" Pertama. kita kalkulasi probabilitas dari setiap simbol : © 2003 Digitized by USU digital library 4 . maka berikan tanda 0 dan 1 untuk codeword-nya. Apabila sebuah keluaran merupakan hasil dari penggabungan 2 keluaran dari langkah sebelumnya. ulangi sampai keluaran merupakan satu keluaran yang berdiri sendiri.5. Urutkan probabilitas dari tinggi ke rendah Gabungkan 2 keluaran yang paling bawah Jumlah elemen = 2 Yes Berikan tanda 0 dan 1 No Apakah elemen gabungan dari 2 simbol Yes Tambahkan codeword dengan 0 dan 1 No Stop Gambar 2.

Symbol E X A M P L O F H U C D I N G space Probability 2/25 1/25 2/25 2/25 1/25 1/25 2/25 2/25 1/25 1/25 1/25 1/25 1/25 2/25 1/25 3/25 Huffman Tree dari kalimat tersebut adalah : © 2003 Digitized by USU digital library 5 .

Contoh Apabila kita mempunyai kalimat: "EXAMPLE OF SHANNON FANO" Pertama. setiap pembagian dengan probabilitas yang sama sampai dengan tidak mungkin dibagi lagi • Encode setiap simbol asli dari sumber menjadi urutan biner yang dibangkitkan oleh setiap proses pembagian tersebut.2.2 Algoritma Shannon-Fano Encoding Teknik coding Shannon Fano merupakan salah satu algoritma pertama yang tujuannya adalah membuat code word dengan redundansi minimum. maka code word semakin pendek. sehingga kode tersebut bersifat unik dan dapat didekodekan. yang ditemukan beberapa tahun kemudian. yang berarti beberapa simbol pada pesan (yang akan dikodekan) direpresentasikan dengan code word yang lebih pendek dari simbol yang ada di pesan. Shannon Fano coding didasarkan pada variable length-word. Dalam memperkirakan panjang setiap codeword maka dapat ditentukan dari probabilitas setiap simbol yang direpresentasikan oleh codeword tersebut. • Membagi menjadi 2 bagian yang sama besar. seperti Huffman codes. Seperti yang disebutkan di atas. Ide dasar dari membuat code word dengan variable-code length. dan memberikan nilai 0 untuk bagian atas dan 1 untuk bagian bawah. Shannon Fano coding menghasilkan codeword yang tidak sama panjang. kita kalkulasi probabilitas dari setiap simbol: Symbol E X A M P L O F S H N space Codewords 2/23 1/23 3/23 1/23 1/23 1/23 3/23 2/23 1/23 1/23 4/23 3/23 © 2003 Digitized by USU digital library 6 . Prosedur dalam Shannon-Fano encoding adalah : • Menyusun probabilitas simbol dari sumber dari yang paling tinggi ke yang paling rendah. Semakin tinggi probabilitasnya. • Ulangi langkah ke 2. Cara efisien lainnya dalam variable-length coding adalah Shannon-Fano encoding.

Namun. Keuntungan lain dari system ini adalah kebutuhan akan lewatnya data. Knuth memberikan kontribusi dengan peningkatan pada algoritmanya (Knuth 1985) dan menghasilkan algoritma yang dikenal dengan algoritma FGK. Kinerja compact ini termasuk bagus.Coding tree dari contoh tersebut adalah : 2. encoder mempelajari karakteristik dari sumber. Semua metode yang ditemukan merupakan skema define-word tabf menentukan mapping dari pesan sumber menjadi codeword didasari pada perkiraan probabilitas pesan sumber. Versi terbaru dari adaptive Huffman Coding diperkenalkan oleh Vitter (Vitter 1987). Kode bersifat adaptive. Metode adaptive Faller. Dekoder harus mempelajari bersamaan dengan encoder dengan selalu memperbaharui Huffman tree sehingga selalu sinkron dengan encoder. Gallager dan Knuth merupakan dasar dari UNIX utility compact. Dalam hal ini. Adaptive Huffman Code merespon lokalitas. performa dari metode ini. dapat lebih baik daripada static Huffman coding. Dalam pengertian. dalam ruang lingkup jumlah bit yang ditransmisikan. Kinerja dari metode adaptive dapat lebih buruk daripada metode static. karena metode ini optimal hanya [ada metode yang mengasumsikan mapping berdasarkan time-variant. karen factor kompresinya mencapai 30-40% © 2003 Digitized by USU digital library 7 . Gallaber 1978). berganti sesuai dengan perkiraan optimalnya pada saat itu. data akan lewat hanya sekali (tanpa table statistic). Tentu saja. Permasalahan ini tidak kontradiktif dengan optimalisasi pada metode statis.3 Algoritma Adaptive Huffman Coding Adaptive Huffman coding pertama kali diperkenalkan oleh Faller dan Gallager (Faller 1973. metode one-pass tidak akan menarik apabila jumlah bit yang ditransmisikan lebih besar dari metoda twopass.

Daun dari setiap pohon Huffman code merepresentasikan pesan sumber dan berat dari setiap daun merepresentasikan hitungan frekuensi untuk setiap pesan. Pada titik manapun dalam satuan waktu. (b) Setelah b ketiga. Algoritma FGK mengolah susunan EXAMPLE (a) Pohon setelah memproses "aa bb". © 2003 Digitized by USU digital library 8 . didefinisikan oleh Gallager [Gallager 1978]: binary code tree mempunyai sibling apabila setiap node )kecuali root) mempunyai sebuah sibling dan apabila node-node tersebut dapat diurutkan dalam weight dengan setiap node berhubungan dengan siblingnya masing-masing. Dalam algoritma FGK. 11 akan ditransmisikan untuk b selanjutnya. baik pengirim dan penerima menangani perubahan dinamis dari Huffman code tree. 101 akan ditransmisikan untuk tempat selanjutnya. Algoritma FGK Pada Gambar 3.Dasar dari algoritma FGK adalah adanya sibling (factor turunan) property. pohon tidak berubah. Gambar 3. Gallager membuktikan bahwa sebuah code prefik biner merupakan Huffman code jika dan hanya jika code tree mempunyai sibling property. k dari kemungkinan n pesan sumber terdapat pada susunan pesan.

Dalam kasus ini. • Pengaruh nilai entropi terhadap gain kompresi. Node boleh berubah untuk memelihara sibling property-nya.wav juga dapat dikompresi dengan program simulasi ini. Pembaharuan dari pohon dapat dilakukan dalam sebuah single traversal dari node a(t+1) sampai dengan root-nya. k dari mereka berbeda.100 akan ditransmisikan untuk c pertama. kami hanya menggunakan file gambar bitmap (bmp) dengan jenis yang berbeda satu sama lain. pohon diperhitungkan kembali. namun perubahan membutuhkan keterlibatan node pada path a(t+1) ke root-nya. dan siblingnya adalah 0-node yang baru. Untuk setiap pesan yang ditransmisikan. kode untuk 0-node dikirimkan. kedua bagian harus menambahkan weight dan menghitung kembali code tree untuk mempertahankan simbling property. maka algoritma mentrasmisikan code ke a(t+1). (c) Pohon setelah diperbaharui dengan c pertama. pohon merupakan Huffman tree asli dengan daun sebanyak k+1. 0-node digunakan untuk menggambarkan pesan n-k yang tidak digunakan. Pada setiap node. Gambar tersebut adalah: © 2003 Digitized by USU digital library 9 . penerima harus memberitahukan pesan n-k mana yang tidak digunakan yang muncul. 0-node dipisah untuk membuat 2 pasang daun.1 Permasalahan yang Dianalisa Untuk melakukan simulasi program kompresi data di Matlab. • Kelebihan dari masing-masing metode kompresi yang digunakan dalam program simulasi. 1 yaitu k pesan dan 0-node. Permasalahan yang akan dianalisa adalah: • Pengaruh banyaknya simbol terhadap gain kompresi. Pada titik dalam satuan waktu dimana t pesan telah ditransmisikan. Sekali lagi dalam proses ini. sebagai tambahan. Namun pada dasarnya. Apabila terdapat pesan yang tidak digunakan.txt dan sound. Pada titik dimana t pesan telah ditransmisikan. Analisa proses kompresi pada makalah ini hanya akan menjelaskan kompresi gambar. penyimpanan perhitngan dari pesan yang muncul dilakukan. menaikkan counter dan menghitung kembali pohon. Analisa untuk jenis file suara dan teks pada intinya adalah sama. • Pengaruh banyaknya frekuensi tiap simbol terhadap gain kompresi. dan k < n. file notepad. BAB III ANALISA 4. Apabila pesan ke (t+1) adalah salah satu dari k. satu untuk a(t+1). Pada awalnya. • Kekurangan dari masing-masing metode kompresi yang digunakan dalam program simulasi. Traversal ini harus meningkatkan perhitungan untuk node a(t+1) dan untuk setiap bagian atas dari node tersebut. the code tree consists of a single leaf node. Node diberikan nomor untuk mengindikasikan posisi mereka dalam urutan sibling propertinya. yang disebut 0node.

bmp (12 kB) fish. Gambar hitam-putih (grayscale) dikodekan oleh 8 bit. sedangkan warna paling putih disimbolkan dengan 255.bmp mempunyai kompleksitas paling rendah dan fish. Putih.bmp mempunyai kompleksitas paling tinggi.bmp (17 kB) Dari gambar diketahui bahwa kompleksitas masing-masing gambar berbeda.bmp (4 kB) stone. Berikut adalah banyaknya graylevel dari masing-masing gambar: Nama File Putih. Kompleksitas gambar ditentukan oleh banyaknya gradasi warna (gray level) setiap gambar.bmp (6 kB) gambar.bmp Gambar. Banyaknya gray level menentukan banyaknya simbol yang harus dikodekan.bmp Berikut adalah hasil dari kompresi: Banyaknya Gray Level 15 72 60 237 © 2003 Digitized by USU digital library 10 . Artinya akan ada 28 level warna hitam. Warna paling hitam disimbolkan dengan 0.bmp Stone.Putih.bmp Fish.

Dari segi lamanya proses pengkodean.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8816 bits 31977 bits 68770 bits Gain % 85. simbol-simbol harus diurutkan dari yang paling tinggi probabilitasnya hingga yang paling rendah. Gambar putih. Kemudian hasilnya dibagi dua kelompok lagi. dikodekan dengan 6 bit. Sebelum dikodekan dengan kode Huffman. fish.87).bmp mempunyai nilai entropi yang tinggi (6.bmp memiliki entropi paling kecil (0. Ini disebabkan algoritma Huffman yang lebih panjang dan kompleks daripada algoritma Shannon-Fano.87332 Codelength (before) 42700 bits 25200 bits 70000 bits 70000 bits Codelength (after) 6318 bits 8799 bits 31914 bits 68599 bits Gain % 85.00143 Metode Shannon-Fano Nama file Putih.bmp Stone. terbukti bahwa hampir semua simbol pada putih.bmp Gambar. Kemudian dua probabilitas terkecil dijumlahkan dan hasilnya diurutkan kembali dari yang paling besar hingga yang paling kecil.bmp.40134 3.bmp.2037 65.bmp hanya dapat dikompresi dengan gain 2 % (metode Huffman). Begitu seterusnya sampai pada akhir penjumlahannya bernilai 1. Berbeda dengan putih. Bagaimana cara komputer membaca dan membedakan deretan bit yang sudah dikodekan ? © 2003 Digitized by USU digital library 11 .40134 3.15378 6.3186 1.bmp yang paling kecil hasilnya. Karena itulah gain kompresi yang didapat sangat tinggi (85. Hal ini dikarenakan frekuensi dari setiap simbol pada gambar.bmp adalah 255 (gray level 255) yang jumlahnya 5940.bmp memiliki simbol lebih banyak dari pada stone.4086 2.2037 65. Simbol-simbol dengan probabilitas kecil. Sedangkan pada Shannon-Fano. Bila kita perhatikan. Ini dapat ditunjukan dari banyaknya simbol dengan frekuensi yang hampir merata di setiap simbolnya (lihat lampiran). Kemudian dari urutan simbol-simbol tersebut dibagi dua kelompok berdasarkan probabilitasnya. Namun setelah dikompresi justru gambar. Pada stone.2%). Simbol dengan probabilitas terbesar dikodekan hanya dengan 1 bit. Karena itulah fish. Pada Huffman.19693 2.bmp Gambar.bmp Entropi 0.75714 Hasil pengkodean dari masing-masing file dapat dilihat di lembar lampiran. simbol-simbol hanya satu kali diurutkan dari yang probabilitasnya paling kecil hingga yang paling besar. Begitu seterusnya hingga setiap kelompok tidak dapat lagi dibagi dua (hanya tersisa 1 simbol).bmp.bmp frekuensi dari masingmasing simbol hampir sama (lihat lampiran).0159 54.bmp Fish. setiap simbol dikodekan dengan 8 bit.bmp Stone. Jumlah simbol-simbol lain tidak terlalu besar (lihat lampiran). Itu berarti semua graylevel 255 dikodekan dengan 1 bit.bmp Fish.19693 2.19693). gambar.bmp Entropi 0. Ini berarti nilai informasi-nya sangat kecil. Huffman membutuhkan waktu lebih lama dari Shannon-Fano.0833 54.Metode Huffman Nama file Putih.bmp kurang merata dibandingkan stone.15378 6.

hasilnya adalah: Simbol m a u l n Probabilitas 1 /7 3 /7 1 /7 1 /7 1 /7 Kode Huffman 100 0 101 110 111 Pada saat dikirimkan. Iterasi 4 Komputer membaca bit 0 Komputer mencari di tabel apakah simbol untuk kode 0. komputer juga akan membandingkan dengan tabel kode yang juga dikirimkan bersama data. Dengan metode Huffman maka jalannya proses pengkodean adalah sebagai berikut: © 2003 Digitized by USU digital library 12 . ternyata simbol a. ternyata tidak ada.2 Verifikasi Program Untuk verifikasi kebenaran algoritma program.Kita ambil contoh masukan dari user berupa teks “maulana”. Iterasi 3 Komputer membaca bit 1 0 0 Komputer mencari di tabel apakah simbol untuk kode 1 0 0. ternyata simbol m. Inilah yang disebut unique prefix. maka komputer akan langsung menerjemahkannya ke dalam simbol aslinya. Selain membaca bit.txt kemudian dibaca oleh program dan akan dihasilkan : Simbol 97 108 109 110 117 Frekuensi 3 1 1 1 1 Ini artinya simbol a dinyatakan dengan kode ASCII 1011101 (biner dari 97) dan begitu juga simbol-simbol yang lain dibaca dengan kode ASCII. Apabila dalam pembacaan urutan bit lalu dibandingkan dengan tabelnya ada kecocokan. ternyata tidak ada. 4.txt yang isinya berupa teks: maulana User. Contoh: Iterasi 1 Komputer membaca bit 1 Komputer mencari di tabel apakah simbol untuk kode 1. File ini disimpan lalu dikodekan dengan Huffman Code. kita masukan data dari user. komputer akan membaca bit yang terdepan (paling kiri) hingga yang terbelakang (paling kanan). Iterasi 2 Komputer membaca bit 1 0 Komputer mencari di tabel apakah simbol untuk kode 1 0. dan seterusnya sampai semua kode berhasil diterjemahkan ke simbolnya masingmasing. urutan bitnya menjadi: 1 0 0 0 1 0 1 1 1 0 0 1 1 1 0 Dari urutan bit ini.

1281. © 2003 Digitized by USU digital library 13 .4011 Jumlah entropi total adalah 2.5239 Simbol m mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.3/7 97 0 4/7 0 0 1/7 108 109 110 117 1 1 2/7 1 1/7 1 0 1/7 2/7 1 1/7 Hasil kode Huffman dari simbol-simbol di atas adalah: 97 108 109 110 117 0 100 101 110 111 Dengan demikian coding dengan program dan manual sama. Berikut adalah perhitungan entropi dari masing-masing simbol: Simbol a mempunyai probabilitas 3/7 maka besarnya entropi = (-3/7 )2log 3/7 = 0.4011 Simbol u mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Simbol n mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.4011 Simbol l mempunyai probabilitas 1/7 maka besarnya entropi = (-1/7 )2log 1/7 = 0.

© 2003 Digitized by USU digital library 14 . Metode yang kedua adalah Shannon-Fano.Dengan demikian entropi dengan memakai program dan manual adalah sama. jalannya proses pengkodean adalah sebagai berikut: 3 97 108 109 110 1 0 0 0 1 1 0 1 1 1 1 1 117 97 108 109 110 117 0 100 101 110 111 Hasil kode Shannon-Fano dari simbol-simbol di atas adalah: Dengan demikian entropi dengan memakai program dan manual adalah sama.

http://www. http://ics.uci.ics. Urutan biner hasil koding tidak akan salah di-dekodekan karena setiap kode memiliki unique prefix. Dengan file yang sama. Shannon-Fano membutuhkan waktu proses kompresi yang lebih cepat dibandingkan Huffman. DAFTAR PUSTAKA 1. Inc. K. maka akan makin kecil gain yang diperoleh pada saat pengompresan suatu data. 2. 6.1979. Inc. Simon. Banyaknya simbol dan frekuensi masing-masing simbol menentukan nilai entropi suatu data. 5. Internet. John Wiley & Sons.html © 2003 Digitized by USU digital library 15 .. 4. Internet. Dengan file yang sama. Haykin. John Wiley & Sons. Hasil kompresi akan dikirimkan ke tujuan berikut dengan tabel kodenya untuk proses dekoding. Huffman menghasilkan gain kompresi yang lebih baik dibandingkan Shannon-Fano. 3. Sam..edu/~dan/pubs/Data Compression.” Digital and Analog Communications Systems”. 2.BAB IV KESIMPULAN 1.1994 3. Makin besar entropi.edu/~dan/pubs/ 4. Nilai entropi menentukan gain kompresi.” An Introduction to Analog & Digital Communications”.uci. Shanmugam.

Sign up to vote on this title
UsefulNot useful