Rencana Judul Analisis Algoritma Lempel
1
1.
Rencana Judul
Analisis Algoritma Lempel Ziv Welch (LZW) dan Shannon- Fano pada Kompresi
Citra Bitmap.
2.
Bidang Ilmu
Pengolahan Citra
3.
Latar Belakang Masalah
Gambar merupakan coretan yang dibuat sedemikian rupa hingga menyerupai wujud
asli yang digambarkan. Seiring dengan berkembangnya zaman, gambar memiliki
beberapa jenis salah satunya adalah gambar bertipe bitmap. file bitmap merupakan
representasi dari citra grafis yang terdiri dari susunan titik yang tersimpan di memori
computer. Akan tetapi seiring dengan beberapa kelebihan yang dimiliki terdapat
kekurangan yang dimiliki yaitu ukuran file yang besar.
Salah satu solusi untuk menanggulangi masalah tersebut dengan melakukan kompresi
sebelum ditransmisikan atau dipindahkan sehingga ukuran file dapat menjadi lebih
kecil. Kompresi adalah sebuah cara untuk memadatkan data sehingga memerlukan
ruangan penyimpanan lebih kecil sehingga lebih efisien dalam menyimpannya atau
mempersingkat waktu pertukaran data tersebut.
Secara umum terdapat dua jenis kompresi, yaitu kompresi tanpa kehilangan (lossless
data compression) dan kompresi berkehilangan (lossy data compression). Kompresi
Lossless
adalah suatu kompresi dimana data yang dikompresi tidak terdapat
kehilangan data didalamnya. Sedangkan Kompresi Lossy adalah kompresi dimana
terdapat data yang hilang selama kompresi sehingga mengakibatkan kualitas citra
yang dihasilkan jauh lebih rendah dari kualitas citra asli. Penulis menggunakan dua
Algoritma Lossless yang kemudian akan dianalisis dan diperbandingkan hasil
keduanya, yaitu Algoritma LZW (Lempel Ziv Welch) dan Algoritma Shannon- Fano.
Perbedaan antara kedua Algoritma tersebut yaitu Algoritma LZW melakukan
kompresi data dengan cara melakukan menggunakan teknik dictionary dalam
kompresinya dan prinsip kompresi tercapai jika referensi dalam bentuk pointer dapat
1
2
disimpan dalam jumlah bit yang lebih sedikit dibandingkan string aslinya. Algoritma
Shannon-fano didasarkan pada variable-length code yang berarti beberapa karakter
pada data yang akan dikodekan direpresentasikan dengan kode yang lebih pendek dari
karakter yang ada pada data. Jika frekuensi kemunculan karakter semakin tinggi,
maka kode semakin pendek. Dengan demikian kode yang dihasilkan tidak sama
panjang, sehingga kode tersebut bersifat unik.
Output yang dihasilkan akan berupa citra dengan rasio ukuran data yang lebih kecil
dari citra aslinya. Hasil output ini akan diuji dengan parameter dan dianalisis dengan
penelitian terdahulu untuk membandingkan apakah yang nilai yang diperoleh akan
sama atau tidak.
Berdasarkan pemahaman singkat yang telah diberikan, maka penulis ingin melakukan
suatu penelitian yang berjudul “ANALISIS ALGORITMA LEMPEL ZIV
WELCH(LZW) DAN SHANNON-FANO PADA KOMPRESI CITRA BITMAP”.
4.
Perumusan Masalah
Berdasarkan latar belakang yang telah dikemukakan sebelumnya, maka yang menjadi
rumusan masalah pada penelitian ini yaitu apakah yang menjadi perbedaan antara
Algoritma LZW dan Shannon- Fano pada kompresi citra bitmap.
5.
Batasan Masalah
Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah sebagai
berikut:
1. Penggunaan citra yang dipakai sebagai file yang akan dikompresi adalah file
bertipe bitmap.
2. Jenis file yang akan dikompresi adalah file bitmap (*.bmp) yang berukuran
maksimum 1024 x 768.
3. Algoritma yang dibahas adalah
Algoritma LZW dan Shannon-Fano sebagai
algoritma kompresi citra.
4. Aplikasi akan dibuat dengan menggunakan Microsoft Visual Studio C#
5. Parameter yang digunakan adalah rasio kompresi, running time process dan uji
kompleksitas dengan Notasi Big O
2
3
6. Tidak membahas perubahan resolusi citra.
6.
Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut :
1. Untuk melakukan kompresi citra bmp dengan menggunakan algoritma LZW dan
Shannon- Fano.
2. Untuk menganalisis perbedaan proses kerja algoritma LZW dan Shannon- Fano
pada kompresi file citra bmp.
7.
Manfaat Penelitian
Tugas akhir ini diharapkan dapat memberikan solusi berupa aplikasi dan informasi
bagaimana cara melakukan kompresi pada citra bmp yang dapat memberikan
kemudahan dalam melakukan penyimpanan data sehingga dapat memberikan ruang
lebih pada memory. Melalui penelitian ini juga dapat diketahui bagaimana
perbandingan kualitas dan proses kompresi dengan algoritma LZW dan ShannonFano.
8.
Tinjauan Pustaka
Beberapa teori yang berkaitan dengan tugas akhir ini antara lain :
8.1.
Kompresi Citra
Kompresi citra merupakan suatu aplikasi pemampatan data terhadap citra digital yang
bertujuan untuk mengurangi redudansi dari data yang terdapat dalam citra sehingga
dapat disimpan dan ditransmisikan secara efisien dan efektif. Redudansi ialah
terjadinya kebocoran atau perulangan yang terjadi pada suatu data sehingga
mengakibatkan pemborosan penyimpanan data.
Kompresi data sangat populer sekarang ini karena dua alasan yaitu :
1.
Orang–orang lebih suka mengumpulkan data. Tidak peduli seberapa besar
media penyimpanan yang dimilikinya. Akan tetapi cepat atau lambat akan
terjadi overflow.
2.
Orang–orang benci menunggu waktu yang lama untuk memindahkan data.
Misalnya ketika duduk di depan komputer untuk menunggu halaman Web
terbuka atau men-download sebuah file[2].
3
4
Rasio kompresi data adalah ukuran persentase data yang telah berhasil dikompres.
Secara matematis rasio kompresi data ditulis sebagai berikut:
Rasio kompresi = ( ukuran file a sli – ukuran file terk ompresi x 100 % )
ukuran file asli
Metode kompresi data secara umum terdiri atas dua, metode lossless dan metode lossy
yaitu:
1. Metode lossless
Pada teknik ini tidak ada kehilangan data atau informasi. Jika data
dikompres secara lossless, data asli dapat direkonstruksi kembali sama
persis dari data yang telah dikompresi, dimana data asli tetap sama
sebelum
dan
sesudah kompresi (reversible compression). Penggunaan
Metode Lossless pada umumnya digunakan pada kompresi data yang
menuntut data didekompresi harus sesuai atau sama persis dengan data
sebelum dikompresi. Metode lossles memiliki rasio kompresi yang rendah
(low compression result) sehingga tidak terlalu membantu dalam mengurangi
penggunaan penyimpanan yang berlebih, penggunaan metode lossless
misalnya pada data teks, gambar seperti GIF dan PNG.
Contoh metode ini adalah Shannon- Fano Coding, Run Length Encoding,
Arithmetic Coding dan lain sebagainya.
2. Metode lossy
Metode lossy
adalah kebalikan daripada metode lossless dimana terjadi
kehilangan sebagian informasi atau bit data pada file yang dikompresi. Data
yang dikompresi dengan metode lossy secara umum tidak dapat didekompresi
dengan hasil yang dengan aslinya sehingga terjadi penurunan kualitas data. Di
dalam banyak penerapan, rekonstruksi yang tepat bukan suatu masalah.
Sebagai contoh, ketika dimasukkan sebuah gambar bertipe bmp dengan
kualitas 100% maka ketika dikompresi, output yang keluar mungkin menjadi
gambar bertipe dengan kualitas 75% ataupun dibawah dengan rasio kompresi
yang tinggi.
4
5
8.2.
Citra Digital
Sebuah citra dapat didefenisikan sebagai dua fungsi dimensi f(x,y), dimana masingmasing koordinat merupakan spasial dan amplitude dari f pada sembarang pasangan
koordinat (x,y) yang dapat disebut dengan intensity (intensitas) atau gray level (level
keabuan) dari citra pada titik tersebut. Citra digital memiliki beberapa elemen tertentu
dimana elemen tersebut mempunyai lokasi dan nilai tertentu, Elemen-elemen ini
disebut picture elements, image elements, pels dan pixels. Piksel ialah suatu istilah
untuk menyatakan secara luas elemen dari citra digital tersebut[5].
Citra digital merupakan citra yang diproses dan diolah oleh computer. Suatu citra yang
disimpan dalam computer hanyalah berupa angka-angka atau bit yang menunjukkan
besar intensitas pada masing-masing pixel tersebut.
Gambar 1. Logo USU, merupakan contoh citra digital.
8.3.
Format Citra Bitmap
Citra Bitmap adalah sebuah struktur data yang mewakili susunan piksel warna yang
ditampilkan pada layar, kertas atau media tampilan lainnya. Pada format bitmap, citra
disimpan sebagai suatu matriks di mana masing – masing elemennya digunakan
untuk menyimpan informasi warna untuk setiap piksel. Jumlah warna yang dapat
disimpan ditentukan dengan satuan bit-per-piksel. Semakin besar ukuran bit-perpiksel dari suatu bitmap, semakin banyak pula jumlah warna yang dapat
disimpan[8].
5
6
Format bitmap memiliki beberapa kelebihan maupun kekurangan, antara lain :
A. Kelebihan Format Bitmap
Format bitmap memiliki tingkat kualitas dan komposisi warna yang tinggi,
sehingga gambar yang dihasilkan jernih dan mampu menangkap nuansa warna
dan bentuk yang natural (alami). Format bitmap juga mampu mengurangi
penggunaan resources computer sehingga pemakaian memory lebih kecil.
B. Kekurangan Format Bitmap
Terdapat kekurangan yang umum pada format bitmap, yaitu ukuran file yang
besar. Dengan berbagai kelebihan yang dimiliki format bitmap, menjadikan
ukuran format menjadi besar. Sehingga di butuhkan aplikasi kompresi untuk
mengurangi ukuran file.
Format file yang menggunakan format bitmap ini antara lain adalah BMP, DIB,
PCX, GIF, dan JPG. Format yang menjadi standar dalam system operasi
Microsoft Windows adalah format bitmap BMP atau DIB[2].
Berikut ini adalah contoh sebuah citra bitmap :
Gambar 2. Citra bitmap earth.bmp dengan ukuran 255 x 255 px
8.4.
Algoritma Shannon- Fano
Algoritma Shannon- Fano merupakan salah satu algoritma yang mampu melakukan
kompresi data dengan sangat baik tanpa terjadi kehilangan bit yang sia-sia. Algoritma
ini ditemukan dan dikembangkan oleh dua orang dalam dua buah proses yang berbeda,
yaitu Claude Shannon dan R.M. Fano. Proses kerja Algoritma Shannon- Fano pada
6
7
dasarnya dengan membentuk sebuah pohon, dan melakukan encoding
dan
mengembalikannya dalam bentuk karakter citra atau decoding. Pendekatan yang
dilakuan pada algoritma Shannon- Fano menggunakan pendekatan top down dalam
melakukan penyusunan binary tree. Algoritma ini sangat efisien dan efektif untuk
mengkompresi file dengan ukuran yang besar (Large Scale)[1].
Secara umum langkah–langkah yang dilakukan sebelum melakukan kompresi file
citra dengan metode Shannon- Fano adalah sebagai berikut :
1. Baca header untuk mendapatkan informasi format citra.
2. Baca nilai piksel.
3. Hitung nilai RGB setiap piksel.
4. Hitung nilai Grayscale setiap piksel
5. Ambil nilai piksel citra ke 1 sampai ke n.
6. Hitung frekuensi kemunculan setiap nilai piksel.
Contoh :
Menunjukkan pembangunan kode Shannon- Fano. Kelima simbol-simbol yang
dapat dikodekan memiliki frekuensi berikut:
A = 14 ; B = 7 ; C = 6 ; D = 6 ; E = 3
Semua simbol-simbol yang diurutkan berdasarkan frekuensi dari kiri ke kanan
dengan nilai symbol terbesar ke yang terkecil. Kemudian seluruh frekuensi
kemunculan symbol dijumlahkan dan dimasukkan kedalam node . Node yang
berisi jumlah frekuensi kemunculan symbol dibagi menjadi dua buah node yang
sama besar dan diberi label pada setiap pohon biner, sisi kiri diberi nilai 0 dan sisi
kanan 1.
7
8
Gambar 3. Pohon Biner Shannon- Fano[2]
Pohon biner yang sudah jadi kemudian ditelusuri berdasarkan label label pada setiap sisi
pohon dimana setiap label menyatakan kode Shannon- Fano untuk symbol yang sesuai.
Simbol
Frekuensi
Kode
255
14
00
25
7
10
180
6
01
50
6
110
120
3
111
Gambar 4. Tabel Pengkodean Shannon- Fano
Dari Gambar 4 dapat dilihat bahwa symbol yang sering muncul dikodekan dengan nilai
kode yang lebih pendek, demikian juga sebaliknya untuk kode yang lebih panjang[1].
8.5.
Algoritma LZW (Lempel Ziv Welch)
Algoritma LZW adalah algoritma kompresi yang ditemukan oleh Terry Welch,
algoritma ini merupakan versi peningkatan dari algoritma sebelumnya yaitu algoritma
Lempel Ziv 77 (LZ77) dan Lempel Ziv 78 (LZ78).
Algoritma LZW adalah algoritma yang bersifat adaptif dan berbasis dictionary.
Dimana dictionary dibuat untuk menyimpan karakter atau pola string tertentu yang
digunakan untuk mengkodekan symbol atau string pada input stream yang merujuk
pada index dalam dictionary. Proses kompresi atau dekompresi dimulai, maka
8
9
dictionary akan diinisialisasi dengan symbol atau karakter-karakter dasar penyusun
input stream, sehingga nilai awal sebuah dictionary akan bersisi 256 karakter dengan
index 0-255. Sehingga pada awal pembacaan proses encoding maupun decoding,
karakter atau kode pertama akan selalu ditemukan pada dictionary[4].
Gambar 5. Algoritma Dasar LZW Encoding [7]
Proses kerja algoritma pemampatan LZW dimana :
1. Dictionary diinisialisasi dengan semua karakter dasar yang ada :
{‘A’,,’Z’,’a’..’z’,’0’..’9’}.
2.
P = karakter pertama dalam stream karakter.
3.
C = karakter berikutnya dalam stream karakter.
4.
Apakah string (P + C) terdapat dalam dictionary ?
Jika ya, maka P = P + C (gabungkan P dan C menjadi string baru).
Jika tidak, maka :
o Output sebuah kode untuk menggantikan string P.
o Tambahkan string (P + C) ke dalam dictionary dan berikan
nomor/kode
berikutnya
yang
belum
digunakan
dalam
dictionary untuk string tersebut.
o P = C[3]
Proses decoding Algoritma LZW hampir sama dengan dengan proses encoding , yaitu
dengan melakukan inisialisasi terlebih dahulu dictionary dengan 0-255 index pertama
dari karakter ASCII. Namun, pada decoding yang dibaca adalah kumpulan kode hasil
9
10
kompresi. Ketika proses pembacaan kode dilakukan maka dilakukan juga
pembentukan isi dictionary yang menjadi referensi untuk pembentukan string asli.
Pada decoding isi dictionary setiap pembacaan codeword, sehingga string asli dapat
dikembalikan[6].
Gambar 6. Algoritma Dasar LZW Decoding [7]
8.6.
Pembacaan File Citra
Pada citra dengan warna 24-bit (true color) tidak terdapat palet RGB, dikarenakan
nilai RGB langsung dipecah menjadi data bitmap
berbentuk nilai biner. Untuk
membaca nilai RGB, maka dilakukan pencarian header-header serta data bitmap
yang berisi informasi dimensi, format dan nilai piksel citra. Setiap elemen data bitmap
panjangnya 3 byte, masing-masing byte menyatakan komponen R,G, dan B. Setiap
byte data merepresentasikan 8 bit sehingga pada citra warna ada 3 byte x 8 bit = 24 bit
kandungan warna.
Pada citra warna, tiap pikselnya terdiri atas 24-bit warna dengan kisaran nilai
kandungan antara 0 (00000000) sampai 255 (11111111) untuk setiap warna.
10
11
Gambar 7. Contoh Nilai Piksel Citra Warna
Data pertama adalah header dimana berisi informasi nama file, jenis format dan
dimensi citra. Dibawah data bitmap terdapat piksel pertama yang bernilai
111100001011010010111001 (biner).
Jika dimisalkan terdapat suatu citra warna dengan dimensi 300 x 200 piksel. Gambar
diperoleh dari hasil perekam oleh kamera digita[1].
Gambar 8. Citra Warna dengan nilai 300 x 200 px
Pada Gambar 8, dapat diketahui citra memiliki nilai atau pola yang teratur berisi nilai
piksel yang
terdiri dari komponen warna RGB yang mirip dengan piksel
disampingnya (berdekatan) sedangkan pola yang tidak teratur memiliki nilai piksel
yang berbeda dengan piksel disampingnya.
Bagian citra yang akan diproses terlebih dahulu diturunkan kualitas warna menjadi
citra grayscale.
11
12
Gambar 9. Citra grayscale
9. Penelitian Terdahulu
1. PENGGABUNGAN ALGORITMA SHANNON-FANO DAN ALGORITMA
LEMPEL ZIV WELCH(LZW) UNTUK KOMPRESI TEKS
Nama
: Adevianto Yulia Pratama
Tanggal dibuat : 23/06/2011
Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Brawijaya
Abstract :
Kecepatan akses sebuah komputer. Semakin besar ukuran data, maka akan
membutuhkan data penyimpanan yang semakin besar dan kecepatan akses juga
akan menurun. Penghematan ukuran data dapat dilakukan dengan melakukan
pengkompresian pada data. Penelitian ini dilakukan untuk mengkompresi sebuah
data menggunakan Algoritma Shannon Fano dan Algoritma Lempel Ziv Welch
(LZW). Algoritma Shannon Fano melakukan kompresi dengan menggunakan
pohon biner pada data yang masuk .Algoritma Lempel Ziv Welch (LZW)
melakukan pengkompresian data dengan pembuatan Dictionary / pengkamusan
pada setiap data yang masuk. Analisa dilakukan dengan melihat seberapa besar
Algoritma
Shannon
Fano dan Algoritma
Lempel
Ziv Welch
(LZW)
mengkompresi sebuah data yang masuk, serta mengetahui seberapa besar rasio
kompresi dari setiap algoritma tersebut setelah melakukan pemampatan data.
Berdasarkan pengujian yang telah dilakukan, rasio kompresi rata¬rata jika
menggunakan Algoritma Shannon Fano sebesar 38,13%, jika menggunakan
Algoritma Lempel Ziv Welch (LZW) rasio kompresi rata-rata yang dihasilkan
adalah sebesar 56,23%, dan jika menggunakan gabungan kedua algoritma
tersebut, rasio kompresi rata-rata yang dihasilkan adalah sebesar 35,21%.
12
13
2. Analisis Dan Perbandingan Teknik Kompresi Menggunakan Algoritma ShannonFano Dan Run Length Encoding Pada Citra Berformat BMP Dan PNG
Nama : Rohani Nasution
Tanggal dibuat : 27/09/2012
Jurusan Ilmu Komputer, FASILKOM-TI, Universitas Sumatera Utara
Abstract :
file citra digital memiliki ukuran (size) yang lebih besar dibandingkan dengan
file teks. Untuk mengurangi ukuran file citra tersebut dilakukan dengan
kompresi yang bertujuan meminimalkan kebutuhan tempat pada media
penyimpanan serta untuk mempercepat pengiriman melalui media komunikasi.
Pada penelitian ini file citra dikompresi dengan teknik lossless menghasilkan
file kompresi dengan ukuran yang lebih kecil dari file aslinya. Algoritma yang
digunakan pada teknik lossless ini adalah Shannon-Fano dan Run Length
Encoding.Dari hasil pengujian file citra yang telah dikompresi dengan
Algoritma Shannon-Fano dan Run Length Encoding pada citra format BMP
memiliki rasio kompresi: 29.32 % dan waktu: 18 detik.Algoritma ShannonFano pada citra format PNG memiliki rasio kompresi -7.90 % dan waktu: 12
detik, dan Run Length Encoding pada citra format PNG rasio kompresi -1.00%
dan waktu rata-rata: 12 detik
3. Analisis dan perancangan sistem simulasi algoritma kriptografi rivest shamir
adleman (rsa) dan algoritma kompresi lempel ziv welch (lzw) pada short message
service (sms)
Nama : Joko Irwansyah
Jurusan Ilmu Komputer, FASILKOM-TI, Universitas Sumatera Utara
Abstract :
Perkembangan ilmu komputer dalam beberapa dekade terakhir ini tidak hanya
diterapkan pada dunia komputasi saja, melainkan juga dalam dunia teknologi
informasi. Pertukaran informasi merupakan salah satu komponen yang sangat
penting dalam perkembangan teknologi informasi. Hal itu dapat dilihat dari
perkembangan cara seseorang untuk bertukar informasi dengan orang lain.
Salah satu fasilitas teknologi paling popular yang ada saat ini yang
menyediakan layanan pertukaran informasi adalah SMS (Short Message
Service).
Namun,
SMS
memiliki
13
kelemahan
pada
penyimpanan
14
dokumentasinya, dimana orang lain dapat dengan mudah melihat isi pesan
pada SMS tersebut, terutama bila isi pesan memiliki kerahasiaan yang cukup
penting, seperti PIN ATM Bank, Password, dan informasi lainnya. Oleh karena
itu, perlu dilakukan pengamanan terhadap isi pesan dengan menggunakan
kriptografi, salah satu diantaranya adalah algoritma kunci public RivestShamir-Adleman (RSA) yang cukup mudah dalam pengimplementasiannya,
tetapi memiliki tingkat keamanan yang cukup terjamin karena sulitnya
memfaktorkan bilangan n. Akan tetapi, bila suatu pesan dienkripsi biasanya
ukurannya akan bertambah besar sehingga diperlukan suatu metode kompresi
agar isi pesan yang ingin disampaikan tidak begitu besar sehingga lebih cepat
dalam proses penyampaiannya. Salah satu algoritma kompresi adalah LempelZiv-Welch (LZW) yang merupakan metode kompresi berbasis dictionary.
Penggabungan algoritma kriptografi RSA dan algoritma kompresi LZW
tersebut akan menjamin isi pesan pada SMS tidak dapat dibaca oleh pengguna
yang tidak berhak serta mengurangi ukuran pesan sehingga lebih cepat dalam
proses penyampaiannya.
10. Flow Chart Proses Kompresi Citra Algoritma Shannon- Fano
14
15
Gambar 9.1 Flowchart Algoritma Shannon- Fano
Flow Chart Proses Kompresi Citra Algoritma Lempel Ziv Welch (LZW)
15
16
Gambar 9.2 Flowchart Algoritma Lempel Ziv Welch
11. Metode Penelitian
16
17
Tahapan yang dilakukan dalam penelitian ini adalah:
1. Studi Literatur
Penulisan tugas akhir ini di awali dengan melakukan pembelajaran literatur pada
sejumlah buku, artikel, paper, jurnal, makalah, maupun situs internet mengenai
Konsep Kompresi Citra, Algoritma Shannon- Fano , Algoritma Lempel Ziv Welch,
Citra bmp.
2. Analisis dan Perancangan Sistem
Pada tahap ini dilakukan analisis kebutuhan terhadap system dan menjadi asar
untuk perancangan system, seperti analisis fungsional dan non-fungsional,
flowchart system serta perancangan konsep menggunakan algoritma yang
digunakan.
3. Implementasi Sistem
Pada tahap ini akan dilaksanakan pengkodean ( coding ).
4. Pengujian Sistem
Dalam tahap ini dilakukan pengujian terhadap sistem yang telah dibangun untuk
mengukur
hasil kompresi dari masing-masing algoritma. Membandingkan
kualitas serta rasio kompresi dari hasil kedua algoritma kompresi.
5. Dokumentasi
Dalam tahapan ini dilakukan penyusunan laporan dari hasil analisis dan
perancangan sistem dalam format penulisan penelitian.
12. DAFTAR PUSTAKA
17
18
[1] Nasution, Rohani. 2011 .
Analisis Dan Perbandingan Teknik Kompresi
Menggunakan Algoritma Shannon-Fano Dan Run Length Encoding Pada
Citra Berformat BMP Dan PNG, Skripsi. Medan, Indonesia : Universitas
Sumatera Utara.
[2] Ade, Adreani. 2011. Studi Perbandingan Kinerja Algoritma Kompresi ShannonFano Dan Huffman Pada Citra Digital. Skripsi. Medan, Indonesia :
Universitas Sumatera Utara.
[3] Pramilo, Canggih. Studi Perbandingan Algoritma Huffman Dan LZW (Lempel
Ziv Welch) Pada Pemampatan File Teks. Skripsi. Medan, Indonesia :
Universitas Sumatera Utara.
[4] Telaumbana, Plipus. Analisis Perbandingan Algoritma Kompresi Lempel Ziv
Welch, Arithmetic Coding, Dan Run-Length Encoding Pada File Teks.
Skripsi, Medan, Indonesia : Universitas Sumatera Utara.
[5] Prasetyo, Eko.2011.Pengolahan Citra Digital dan Aplikasinya menggunakan
Matlab. Yogyakarta: Andi Offset.
[6] Pratama, Andre. 2010 . Studi Perbandingan Kinerja Algoritma Kompresi Lempel
Ziv 77, Lempel Ziv 78 Dan Lempel Ziv Welch Pada File Text. Skripsi,
Medan : Universitas Sumatera Utara.
[7] Panggabean
Henry, dan Linawati. 2003 . Perbandingan kinerja Algoritma
Kompresi Huffman, LZW, dan DMC pada berbagai tipe file.Bandung,
Indonesia : Universitas Katolik Parahyangan.
[8]
Wikipedia.
2013.
BMP
file
format.
Online].
Tersedia
http://en.wikipedia.org/wiki/BMP_file_format. [10 April 2013].
13. Rencana Kegiatan Kerja
18
:
19
Berikut ini adalah rencana kegiatan kerja dalam pengerjaan skripsi.
Tabel 1. Rencana Kegiatan Kerja untuk Skripsi
No.
Nama Kegiatan
1.
2.
Studi Literatur
Analisis Data
Merancang
3.
4.
5.
6.
Februari
Tahun 2012 – 2013
Maret
April
Mei
Juni
Desain Sistem
Implementasi
Sistem
PengujianSistem
Penulisan
Laporan
Disetujui Oleh,
Dosen Pembimbing I
Medan, 12 April 2013
Mahasiswa
Prof. Dr. Iryanto, M.Si
NIP: 194604041971071001
Samuel Tarigan
NIM:091401069
Dosen Pembimbing II
Dian Wirdasari,S.Si,M.Kom
NIP: 198209232010122002
19
Juli
1.
Rencana Judul
Analisis Algoritma Lempel Ziv Welch (LZW) dan Shannon- Fano pada Kompresi
Citra Bitmap.
2.
Bidang Ilmu
Pengolahan Citra
3.
Latar Belakang Masalah
Gambar merupakan coretan yang dibuat sedemikian rupa hingga menyerupai wujud
asli yang digambarkan. Seiring dengan berkembangnya zaman, gambar memiliki
beberapa jenis salah satunya adalah gambar bertipe bitmap. file bitmap merupakan
representasi dari citra grafis yang terdiri dari susunan titik yang tersimpan di memori
computer. Akan tetapi seiring dengan beberapa kelebihan yang dimiliki terdapat
kekurangan yang dimiliki yaitu ukuran file yang besar.
Salah satu solusi untuk menanggulangi masalah tersebut dengan melakukan kompresi
sebelum ditransmisikan atau dipindahkan sehingga ukuran file dapat menjadi lebih
kecil. Kompresi adalah sebuah cara untuk memadatkan data sehingga memerlukan
ruangan penyimpanan lebih kecil sehingga lebih efisien dalam menyimpannya atau
mempersingkat waktu pertukaran data tersebut.
Secara umum terdapat dua jenis kompresi, yaitu kompresi tanpa kehilangan (lossless
data compression) dan kompresi berkehilangan (lossy data compression). Kompresi
Lossless
adalah suatu kompresi dimana data yang dikompresi tidak terdapat
kehilangan data didalamnya. Sedangkan Kompresi Lossy adalah kompresi dimana
terdapat data yang hilang selama kompresi sehingga mengakibatkan kualitas citra
yang dihasilkan jauh lebih rendah dari kualitas citra asli. Penulis menggunakan dua
Algoritma Lossless yang kemudian akan dianalisis dan diperbandingkan hasil
keduanya, yaitu Algoritma LZW (Lempel Ziv Welch) dan Algoritma Shannon- Fano.
Perbedaan antara kedua Algoritma tersebut yaitu Algoritma LZW melakukan
kompresi data dengan cara melakukan menggunakan teknik dictionary dalam
kompresinya dan prinsip kompresi tercapai jika referensi dalam bentuk pointer dapat
1
2
disimpan dalam jumlah bit yang lebih sedikit dibandingkan string aslinya. Algoritma
Shannon-fano didasarkan pada variable-length code yang berarti beberapa karakter
pada data yang akan dikodekan direpresentasikan dengan kode yang lebih pendek dari
karakter yang ada pada data. Jika frekuensi kemunculan karakter semakin tinggi,
maka kode semakin pendek. Dengan demikian kode yang dihasilkan tidak sama
panjang, sehingga kode tersebut bersifat unik.
Output yang dihasilkan akan berupa citra dengan rasio ukuran data yang lebih kecil
dari citra aslinya. Hasil output ini akan diuji dengan parameter dan dianalisis dengan
penelitian terdahulu untuk membandingkan apakah yang nilai yang diperoleh akan
sama atau tidak.
Berdasarkan pemahaman singkat yang telah diberikan, maka penulis ingin melakukan
suatu penelitian yang berjudul “ANALISIS ALGORITMA LEMPEL ZIV
WELCH(LZW) DAN SHANNON-FANO PADA KOMPRESI CITRA BITMAP”.
4.
Perumusan Masalah
Berdasarkan latar belakang yang telah dikemukakan sebelumnya, maka yang menjadi
rumusan masalah pada penelitian ini yaitu apakah yang menjadi perbedaan antara
Algoritma LZW dan Shannon- Fano pada kompresi citra bitmap.
5.
Batasan Masalah
Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah sebagai
berikut:
1. Penggunaan citra yang dipakai sebagai file yang akan dikompresi adalah file
bertipe bitmap.
2. Jenis file yang akan dikompresi adalah file bitmap (*.bmp) yang berukuran
maksimum 1024 x 768.
3. Algoritma yang dibahas adalah
Algoritma LZW dan Shannon-Fano sebagai
algoritma kompresi citra.
4. Aplikasi akan dibuat dengan menggunakan Microsoft Visual Studio C#
5. Parameter yang digunakan adalah rasio kompresi, running time process dan uji
kompleksitas dengan Notasi Big O
2
3
6. Tidak membahas perubahan resolusi citra.
6.
Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut :
1. Untuk melakukan kompresi citra bmp dengan menggunakan algoritma LZW dan
Shannon- Fano.
2. Untuk menganalisis perbedaan proses kerja algoritma LZW dan Shannon- Fano
pada kompresi file citra bmp.
7.
Manfaat Penelitian
Tugas akhir ini diharapkan dapat memberikan solusi berupa aplikasi dan informasi
bagaimana cara melakukan kompresi pada citra bmp yang dapat memberikan
kemudahan dalam melakukan penyimpanan data sehingga dapat memberikan ruang
lebih pada memory. Melalui penelitian ini juga dapat diketahui bagaimana
perbandingan kualitas dan proses kompresi dengan algoritma LZW dan ShannonFano.
8.
Tinjauan Pustaka
Beberapa teori yang berkaitan dengan tugas akhir ini antara lain :
8.1.
Kompresi Citra
Kompresi citra merupakan suatu aplikasi pemampatan data terhadap citra digital yang
bertujuan untuk mengurangi redudansi dari data yang terdapat dalam citra sehingga
dapat disimpan dan ditransmisikan secara efisien dan efektif. Redudansi ialah
terjadinya kebocoran atau perulangan yang terjadi pada suatu data sehingga
mengakibatkan pemborosan penyimpanan data.
Kompresi data sangat populer sekarang ini karena dua alasan yaitu :
1.
Orang–orang lebih suka mengumpulkan data. Tidak peduli seberapa besar
media penyimpanan yang dimilikinya. Akan tetapi cepat atau lambat akan
terjadi overflow.
2.
Orang–orang benci menunggu waktu yang lama untuk memindahkan data.
Misalnya ketika duduk di depan komputer untuk menunggu halaman Web
terbuka atau men-download sebuah file[2].
3
4
Rasio kompresi data adalah ukuran persentase data yang telah berhasil dikompres.
Secara matematis rasio kompresi data ditulis sebagai berikut:
Rasio kompresi = ( ukuran file a sli – ukuran file terk ompresi x 100 % )
ukuran file asli
Metode kompresi data secara umum terdiri atas dua, metode lossless dan metode lossy
yaitu:
1. Metode lossless
Pada teknik ini tidak ada kehilangan data atau informasi. Jika data
dikompres secara lossless, data asli dapat direkonstruksi kembali sama
persis dari data yang telah dikompresi, dimana data asli tetap sama
sebelum
dan
sesudah kompresi (reversible compression). Penggunaan
Metode Lossless pada umumnya digunakan pada kompresi data yang
menuntut data didekompresi harus sesuai atau sama persis dengan data
sebelum dikompresi. Metode lossles memiliki rasio kompresi yang rendah
(low compression result) sehingga tidak terlalu membantu dalam mengurangi
penggunaan penyimpanan yang berlebih, penggunaan metode lossless
misalnya pada data teks, gambar seperti GIF dan PNG.
Contoh metode ini adalah Shannon- Fano Coding, Run Length Encoding,
Arithmetic Coding dan lain sebagainya.
2. Metode lossy
Metode lossy
adalah kebalikan daripada metode lossless dimana terjadi
kehilangan sebagian informasi atau bit data pada file yang dikompresi. Data
yang dikompresi dengan metode lossy secara umum tidak dapat didekompresi
dengan hasil yang dengan aslinya sehingga terjadi penurunan kualitas data. Di
dalam banyak penerapan, rekonstruksi yang tepat bukan suatu masalah.
Sebagai contoh, ketika dimasukkan sebuah gambar bertipe bmp dengan
kualitas 100% maka ketika dikompresi, output yang keluar mungkin menjadi
gambar bertipe dengan kualitas 75% ataupun dibawah dengan rasio kompresi
yang tinggi.
4
5
8.2.
Citra Digital
Sebuah citra dapat didefenisikan sebagai dua fungsi dimensi f(x,y), dimana masingmasing koordinat merupakan spasial dan amplitude dari f pada sembarang pasangan
koordinat (x,y) yang dapat disebut dengan intensity (intensitas) atau gray level (level
keabuan) dari citra pada titik tersebut. Citra digital memiliki beberapa elemen tertentu
dimana elemen tersebut mempunyai lokasi dan nilai tertentu, Elemen-elemen ini
disebut picture elements, image elements, pels dan pixels. Piksel ialah suatu istilah
untuk menyatakan secara luas elemen dari citra digital tersebut[5].
Citra digital merupakan citra yang diproses dan diolah oleh computer. Suatu citra yang
disimpan dalam computer hanyalah berupa angka-angka atau bit yang menunjukkan
besar intensitas pada masing-masing pixel tersebut.
Gambar 1. Logo USU, merupakan contoh citra digital.
8.3.
Format Citra Bitmap
Citra Bitmap adalah sebuah struktur data yang mewakili susunan piksel warna yang
ditampilkan pada layar, kertas atau media tampilan lainnya. Pada format bitmap, citra
disimpan sebagai suatu matriks di mana masing – masing elemennya digunakan
untuk menyimpan informasi warna untuk setiap piksel. Jumlah warna yang dapat
disimpan ditentukan dengan satuan bit-per-piksel. Semakin besar ukuran bit-perpiksel dari suatu bitmap, semakin banyak pula jumlah warna yang dapat
disimpan[8].
5
6
Format bitmap memiliki beberapa kelebihan maupun kekurangan, antara lain :
A. Kelebihan Format Bitmap
Format bitmap memiliki tingkat kualitas dan komposisi warna yang tinggi,
sehingga gambar yang dihasilkan jernih dan mampu menangkap nuansa warna
dan bentuk yang natural (alami). Format bitmap juga mampu mengurangi
penggunaan resources computer sehingga pemakaian memory lebih kecil.
B. Kekurangan Format Bitmap
Terdapat kekurangan yang umum pada format bitmap, yaitu ukuran file yang
besar. Dengan berbagai kelebihan yang dimiliki format bitmap, menjadikan
ukuran format menjadi besar. Sehingga di butuhkan aplikasi kompresi untuk
mengurangi ukuran file.
Format file yang menggunakan format bitmap ini antara lain adalah BMP, DIB,
PCX, GIF, dan JPG. Format yang menjadi standar dalam system operasi
Microsoft Windows adalah format bitmap BMP atau DIB[2].
Berikut ini adalah contoh sebuah citra bitmap :
Gambar 2. Citra bitmap earth.bmp dengan ukuran 255 x 255 px
8.4.
Algoritma Shannon- Fano
Algoritma Shannon- Fano merupakan salah satu algoritma yang mampu melakukan
kompresi data dengan sangat baik tanpa terjadi kehilangan bit yang sia-sia. Algoritma
ini ditemukan dan dikembangkan oleh dua orang dalam dua buah proses yang berbeda,
yaitu Claude Shannon dan R.M. Fano. Proses kerja Algoritma Shannon- Fano pada
6
7
dasarnya dengan membentuk sebuah pohon, dan melakukan encoding
dan
mengembalikannya dalam bentuk karakter citra atau decoding. Pendekatan yang
dilakuan pada algoritma Shannon- Fano menggunakan pendekatan top down dalam
melakukan penyusunan binary tree. Algoritma ini sangat efisien dan efektif untuk
mengkompresi file dengan ukuran yang besar (Large Scale)[1].
Secara umum langkah–langkah yang dilakukan sebelum melakukan kompresi file
citra dengan metode Shannon- Fano adalah sebagai berikut :
1. Baca header untuk mendapatkan informasi format citra.
2. Baca nilai piksel.
3. Hitung nilai RGB setiap piksel.
4. Hitung nilai Grayscale setiap piksel
5. Ambil nilai piksel citra ke 1 sampai ke n.
6. Hitung frekuensi kemunculan setiap nilai piksel.
Contoh :
Menunjukkan pembangunan kode Shannon- Fano. Kelima simbol-simbol yang
dapat dikodekan memiliki frekuensi berikut:
A = 14 ; B = 7 ; C = 6 ; D = 6 ; E = 3
Semua simbol-simbol yang diurutkan berdasarkan frekuensi dari kiri ke kanan
dengan nilai symbol terbesar ke yang terkecil. Kemudian seluruh frekuensi
kemunculan symbol dijumlahkan dan dimasukkan kedalam node . Node yang
berisi jumlah frekuensi kemunculan symbol dibagi menjadi dua buah node yang
sama besar dan diberi label pada setiap pohon biner, sisi kiri diberi nilai 0 dan sisi
kanan 1.
7
8
Gambar 3. Pohon Biner Shannon- Fano[2]
Pohon biner yang sudah jadi kemudian ditelusuri berdasarkan label label pada setiap sisi
pohon dimana setiap label menyatakan kode Shannon- Fano untuk symbol yang sesuai.
Simbol
Frekuensi
Kode
255
14
00
25
7
10
180
6
01
50
6
110
120
3
111
Gambar 4. Tabel Pengkodean Shannon- Fano
Dari Gambar 4 dapat dilihat bahwa symbol yang sering muncul dikodekan dengan nilai
kode yang lebih pendek, demikian juga sebaliknya untuk kode yang lebih panjang[1].
8.5.
Algoritma LZW (Lempel Ziv Welch)
Algoritma LZW adalah algoritma kompresi yang ditemukan oleh Terry Welch,
algoritma ini merupakan versi peningkatan dari algoritma sebelumnya yaitu algoritma
Lempel Ziv 77 (LZ77) dan Lempel Ziv 78 (LZ78).
Algoritma LZW adalah algoritma yang bersifat adaptif dan berbasis dictionary.
Dimana dictionary dibuat untuk menyimpan karakter atau pola string tertentu yang
digunakan untuk mengkodekan symbol atau string pada input stream yang merujuk
pada index dalam dictionary. Proses kompresi atau dekompresi dimulai, maka
8
9
dictionary akan diinisialisasi dengan symbol atau karakter-karakter dasar penyusun
input stream, sehingga nilai awal sebuah dictionary akan bersisi 256 karakter dengan
index 0-255. Sehingga pada awal pembacaan proses encoding maupun decoding,
karakter atau kode pertama akan selalu ditemukan pada dictionary[4].
Gambar 5. Algoritma Dasar LZW Encoding [7]
Proses kerja algoritma pemampatan LZW dimana :
1. Dictionary diinisialisasi dengan semua karakter dasar yang ada :
{‘A’,,’Z’,’a’..’z’,’0’..’9’}.
2.
P = karakter pertama dalam stream karakter.
3.
C = karakter berikutnya dalam stream karakter.
4.
Apakah string (P + C) terdapat dalam dictionary ?
Jika ya, maka P = P + C (gabungkan P dan C menjadi string baru).
Jika tidak, maka :
o Output sebuah kode untuk menggantikan string P.
o Tambahkan string (P + C) ke dalam dictionary dan berikan
nomor/kode
berikutnya
yang
belum
digunakan
dalam
dictionary untuk string tersebut.
o P = C[3]
Proses decoding Algoritma LZW hampir sama dengan dengan proses encoding , yaitu
dengan melakukan inisialisasi terlebih dahulu dictionary dengan 0-255 index pertama
dari karakter ASCII. Namun, pada decoding yang dibaca adalah kumpulan kode hasil
9
10
kompresi. Ketika proses pembacaan kode dilakukan maka dilakukan juga
pembentukan isi dictionary yang menjadi referensi untuk pembentukan string asli.
Pada decoding isi dictionary setiap pembacaan codeword, sehingga string asli dapat
dikembalikan[6].
Gambar 6. Algoritma Dasar LZW Decoding [7]
8.6.
Pembacaan File Citra
Pada citra dengan warna 24-bit (true color) tidak terdapat palet RGB, dikarenakan
nilai RGB langsung dipecah menjadi data bitmap
berbentuk nilai biner. Untuk
membaca nilai RGB, maka dilakukan pencarian header-header serta data bitmap
yang berisi informasi dimensi, format dan nilai piksel citra. Setiap elemen data bitmap
panjangnya 3 byte, masing-masing byte menyatakan komponen R,G, dan B. Setiap
byte data merepresentasikan 8 bit sehingga pada citra warna ada 3 byte x 8 bit = 24 bit
kandungan warna.
Pada citra warna, tiap pikselnya terdiri atas 24-bit warna dengan kisaran nilai
kandungan antara 0 (00000000) sampai 255 (11111111) untuk setiap warna.
10
11
Gambar 7. Contoh Nilai Piksel Citra Warna
Data pertama adalah header dimana berisi informasi nama file, jenis format dan
dimensi citra. Dibawah data bitmap terdapat piksel pertama yang bernilai
111100001011010010111001 (biner).
Jika dimisalkan terdapat suatu citra warna dengan dimensi 300 x 200 piksel. Gambar
diperoleh dari hasil perekam oleh kamera digita[1].
Gambar 8. Citra Warna dengan nilai 300 x 200 px
Pada Gambar 8, dapat diketahui citra memiliki nilai atau pola yang teratur berisi nilai
piksel yang
terdiri dari komponen warna RGB yang mirip dengan piksel
disampingnya (berdekatan) sedangkan pola yang tidak teratur memiliki nilai piksel
yang berbeda dengan piksel disampingnya.
Bagian citra yang akan diproses terlebih dahulu diturunkan kualitas warna menjadi
citra grayscale.
11
12
Gambar 9. Citra grayscale
9. Penelitian Terdahulu
1. PENGGABUNGAN ALGORITMA SHANNON-FANO DAN ALGORITMA
LEMPEL ZIV WELCH(LZW) UNTUK KOMPRESI TEKS
Nama
: Adevianto Yulia Pratama
Tanggal dibuat : 23/06/2011
Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Brawijaya
Abstract :
Kecepatan akses sebuah komputer. Semakin besar ukuran data, maka akan
membutuhkan data penyimpanan yang semakin besar dan kecepatan akses juga
akan menurun. Penghematan ukuran data dapat dilakukan dengan melakukan
pengkompresian pada data. Penelitian ini dilakukan untuk mengkompresi sebuah
data menggunakan Algoritma Shannon Fano dan Algoritma Lempel Ziv Welch
(LZW). Algoritma Shannon Fano melakukan kompresi dengan menggunakan
pohon biner pada data yang masuk .Algoritma Lempel Ziv Welch (LZW)
melakukan pengkompresian data dengan pembuatan Dictionary / pengkamusan
pada setiap data yang masuk. Analisa dilakukan dengan melihat seberapa besar
Algoritma
Shannon
Fano dan Algoritma
Lempel
Ziv Welch
(LZW)
mengkompresi sebuah data yang masuk, serta mengetahui seberapa besar rasio
kompresi dari setiap algoritma tersebut setelah melakukan pemampatan data.
Berdasarkan pengujian yang telah dilakukan, rasio kompresi rata¬rata jika
menggunakan Algoritma Shannon Fano sebesar 38,13%, jika menggunakan
Algoritma Lempel Ziv Welch (LZW) rasio kompresi rata-rata yang dihasilkan
adalah sebesar 56,23%, dan jika menggunakan gabungan kedua algoritma
tersebut, rasio kompresi rata-rata yang dihasilkan adalah sebesar 35,21%.
12
13
2. Analisis Dan Perbandingan Teknik Kompresi Menggunakan Algoritma ShannonFano Dan Run Length Encoding Pada Citra Berformat BMP Dan PNG
Nama : Rohani Nasution
Tanggal dibuat : 27/09/2012
Jurusan Ilmu Komputer, FASILKOM-TI, Universitas Sumatera Utara
Abstract :
file citra digital memiliki ukuran (size) yang lebih besar dibandingkan dengan
file teks. Untuk mengurangi ukuran file citra tersebut dilakukan dengan
kompresi yang bertujuan meminimalkan kebutuhan tempat pada media
penyimpanan serta untuk mempercepat pengiriman melalui media komunikasi.
Pada penelitian ini file citra dikompresi dengan teknik lossless menghasilkan
file kompresi dengan ukuran yang lebih kecil dari file aslinya. Algoritma yang
digunakan pada teknik lossless ini adalah Shannon-Fano dan Run Length
Encoding.Dari hasil pengujian file citra yang telah dikompresi dengan
Algoritma Shannon-Fano dan Run Length Encoding pada citra format BMP
memiliki rasio kompresi: 29.32 % dan waktu: 18 detik.Algoritma ShannonFano pada citra format PNG memiliki rasio kompresi -7.90 % dan waktu: 12
detik, dan Run Length Encoding pada citra format PNG rasio kompresi -1.00%
dan waktu rata-rata: 12 detik
3. Analisis dan perancangan sistem simulasi algoritma kriptografi rivest shamir
adleman (rsa) dan algoritma kompresi lempel ziv welch (lzw) pada short message
service (sms)
Nama : Joko Irwansyah
Jurusan Ilmu Komputer, FASILKOM-TI, Universitas Sumatera Utara
Abstract :
Perkembangan ilmu komputer dalam beberapa dekade terakhir ini tidak hanya
diterapkan pada dunia komputasi saja, melainkan juga dalam dunia teknologi
informasi. Pertukaran informasi merupakan salah satu komponen yang sangat
penting dalam perkembangan teknologi informasi. Hal itu dapat dilihat dari
perkembangan cara seseorang untuk bertukar informasi dengan orang lain.
Salah satu fasilitas teknologi paling popular yang ada saat ini yang
menyediakan layanan pertukaran informasi adalah SMS (Short Message
Service).
Namun,
SMS
memiliki
13
kelemahan
pada
penyimpanan
14
dokumentasinya, dimana orang lain dapat dengan mudah melihat isi pesan
pada SMS tersebut, terutama bila isi pesan memiliki kerahasiaan yang cukup
penting, seperti PIN ATM Bank, Password, dan informasi lainnya. Oleh karena
itu, perlu dilakukan pengamanan terhadap isi pesan dengan menggunakan
kriptografi, salah satu diantaranya adalah algoritma kunci public RivestShamir-Adleman (RSA) yang cukup mudah dalam pengimplementasiannya,
tetapi memiliki tingkat keamanan yang cukup terjamin karena sulitnya
memfaktorkan bilangan n. Akan tetapi, bila suatu pesan dienkripsi biasanya
ukurannya akan bertambah besar sehingga diperlukan suatu metode kompresi
agar isi pesan yang ingin disampaikan tidak begitu besar sehingga lebih cepat
dalam proses penyampaiannya. Salah satu algoritma kompresi adalah LempelZiv-Welch (LZW) yang merupakan metode kompresi berbasis dictionary.
Penggabungan algoritma kriptografi RSA dan algoritma kompresi LZW
tersebut akan menjamin isi pesan pada SMS tidak dapat dibaca oleh pengguna
yang tidak berhak serta mengurangi ukuran pesan sehingga lebih cepat dalam
proses penyampaiannya.
10. Flow Chart Proses Kompresi Citra Algoritma Shannon- Fano
14
15
Gambar 9.1 Flowchart Algoritma Shannon- Fano
Flow Chart Proses Kompresi Citra Algoritma Lempel Ziv Welch (LZW)
15
16
Gambar 9.2 Flowchart Algoritma Lempel Ziv Welch
11. Metode Penelitian
16
17
Tahapan yang dilakukan dalam penelitian ini adalah:
1. Studi Literatur
Penulisan tugas akhir ini di awali dengan melakukan pembelajaran literatur pada
sejumlah buku, artikel, paper, jurnal, makalah, maupun situs internet mengenai
Konsep Kompresi Citra, Algoritma Shannon- Fano , Algoritma Lempel Ziv Welch,
Citra bmp.
2. Analisis dan Perancangan Sistem
Pada tahap ini dilakukan analisis kebutuhan terhadap system dan menjadi asar
untuk perancangan system, seperti analisis fungsional dan non-fungsional,
flowchart system serta perancangan konsep menggunakan algoritma yang
digunakan.
3. Implementasi Sistem
Pada tahap ini akan dilaksanakan pengkodean ( coding ).
4. Pengujian Sistem
Dalam tahap ini dilakukan pengujian terhadap sistem yang telah dibangun untuk
mengukur
hasil kompresi dari masing-masing algoritma. Membandingkan
kualitas serta rasio kompresi dari hasil kedua algoritma kompresi.
5. Dokumentasi
Dalam tahapan ini dilakukan penyusunan laporan dari hasil analisis dan
perancangan sistem dalam format penulisan penelitian.
12. DAFTAR PUSTAKA
17
18
[1] Nasution, Rohani. 2011 .
Analisis Dan Perbandingan Teknik Kompresi
Menggunakan Algoritma Shannon-Fano Dan Run Length Encoding Pada
Citra Berformat BMP Dan PNG, Skripsi. Medan, Indonesia : Universitas
Sumatera Utara.
[2] Ade, Adreani. 2011. Studi Perbandingan Kinerja Algoritma Kompresi ShannonFano Dan Huffman Pada Citra Digital. Skripsi. Medan, Indonesia :
Universitas Sumatera Utara.
[3] Pramilo, Canggih. Studi Perbandingan Algoritma Huffman Dan LZW (Lempel
Ziv Welch) Pada Pemampatan File Teks. Skripsi. Medan, Indonesia :
Universitas Sumatera Utara.
[4] Telaumbana, Plipus. Analisis Perbandingan Algoritma Kompresi Lempel Ziv
Welch, Arithmetic Coding, Dan Run-Length Encoding Pada File Teks.
Skripsi, Medan, Indonesia : Universitas Sumatera Utara.
[5] Prasetyo, Eko.2011.Pengolahan Citra Digital dan Aplikasinya menggunakan
Matlab. Yogyakarta: Andi Offset.
[6] Pratama, Andre. 2010 . Studi Perbandingan Kinerja Algoritma Kompresi Lempel
Ziv 77, Lempel Ziv 78 Dan Lempel Ziv Welch Pada File Text. Skripsi,
Medan : Universitas Sumatera Utara.
[7] Panggabean
Henry, dan Linawati. 2003 . Perbandingan kinerja Algoritma
Kompresi Huffman, LZW, dan DMC pada berbagai tipe file.Bandung,
Indonesia : Universitas Katolik Parahyangan.
[8]
Wikipedia.
2013.
BMP
file
format.
Online].
Tersedia
http://en.wikipedia.org/wiki/BMP_file_format. [10 April 2013].
13. Rencana Kegiatan Kerja
18
:
19
Berikut ini adalah rencana kegiatan kerja dalam pengerjaan skripsi.
Tabel 1. Rencana Kegiatan Kerja untuk Skripsi
No.
Nama Kegiatan
1.
2.
Studi Literatur
Analisis Data
Merancang
3.
4.
5.
6.
Februari
Tahun 2012 – 2013
Maret
April
Mei
Juni
Desain Sistem
Implementasi
Sistem
PengujianSistem
Penulisan
Laporan
Disetujui Oleh,
Dosen Pembimbing I
Medan, 12 April 2013
Mahasiswa
Prof. Dr. Iryanto, M.Si
NIP: 194604041971071001
Samuel Tarigan
NIM:091401069
Dosen Pembimbing II
Dian Wirdasari,S.Si,M.Kom
NIP: 198209232010122002
19
Juli