1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Kompresi data

1
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Kompresi data adalah suatu proses untuk mengubah sebuah input data stream (stream
sumber atau data mentah asli) ke dalam aliran data yang lain yang berupa output atau
stream lainnya (data yang sudah terkompresi) yang memiliki ukuran yang lebih kecil
(Salomon & Giovanni, 2010).
Seiring dengan perkembangannya data yang berkembang dan diproses saat ini
menjadi semakin besar dari waktu ke waktu. Terdapat berbagai tipe data yang dapat
dimuat yakni teks, gambar, audio (bunyi, suara, musik) dan video. Keempat macam
data tersebut umumnya dikenal dengan multi media. Perkembangan teknologi yang
semakin maju dan penambahan jumlah pengguna komputer yang semakin banyak
menyebabkan ledakan data serta perpindahan data dari satu perangkat ke perangkat
lain. Data-data tersebut umumnya dikompresi terlebih dahulu agar proses pertukaran
tidak memakan waktu yang terlalu lama.
Kompresi data merupakan proses mengubah aliran data input (sumber atau data
mentah asli) menjadi aliran data lain (output atau terkompresi) yang memiliki ukuran
yang lebih kecil. Sebuah stream adalah salah satu file atau buffer dalam memori.
Kompresi data populer karena dua alasan: pertama, orang-orang suka untuk
mengumpulkan data dan benci membuang apa pun. Tidak peduli seberapa besar
perangkat penyimpanan seseorang, cepat atau lambat akan meluap. Kompresi data
tampaknya berguna karena penundaan tak terhindarkan ini. Kedua, orang benci untuk
menunggu waktu yang lama untuk transfer data. Ketika duduk di depan komputer,
menunggu halaman Web untuk ditampilkan atau proses download sebuah file, kita
tentu merasa bahwa sesuatu yang lebih dari beberapa detik merupakan waktu yang
terasa lama untuk ditunggu. (Salomon, 2004)
Mengkompresi data dilakukan dengan mengubah representasi dari tidak efisien
(data yang panjang) menjadi efisien (data yang pendek). Kompresi dengan demikian
hanya mungkin karena data biasanya diwakili dalam komputer dalam format yang
Universitas Sumatera Utara
2
lebih panjang dari yang benar-benar diperlukan. Alasan yang tidak efisien (panjang)
adalah bahwa representasi data yang biasanya digunakan membuat suatu proses
menjadi lebih mudah untuk memproses data dan pengolahan data lebih umum serta
lebih penting daripada kompresi data. Kode ASCII untuk karakter adalah contoh
karakter yang baik untuk merepresentasikan data yang lebih panjang daripada yang
benar-benar diperlukan. Kode ASCII menggunakan 7-bit karena kode yang berukuran
tetap adalah kode yang mudah diproses. Sebuah kode variabel-size akan lebih efisien
digunakan karena karakter-karakter tertentu digunakan lebih dari yang lain sehingga
dapat digantikan dengan kode-kode yang lebih pendek.
Terdapat dua teknik yang dapat dilakukan dalam melakukan kompresi data yaitu
Lossy Compression dan Lossless Compression. Lossy Compression adalah kompresi
data di mana hasil dekompresi dari data yang terkompresi tidak sama dengan data
aslinya karena ada informasi yang hilang, tetapi masih dapat ditolerir oleh persepsi
mata. Kompresi data lossy akan menjadi efektif apabila diaplikasikan pada gambar,
film, dan suara digital. Sedangkan, Lossless Compression merupakan kompresi data
dimana hasil dekompresi dari data yang terkompresi sama dengan data aslinya dan
tidak ada informasi yang hilang. Kompresi data lossless disebut juga kompresi
reversibel karena data asli mungkin dapat dikembalikan dengan sempurna dengan
dekompresi. Teknik kompresi data lossless digunakan ketika sumber data asli penting
sehingga tidak dapat kehilangan detail apapun. Jenis kompresi ini digunakan untuk
menyimpan database, spreadsheet, atau untuk memproses file teks. (Mengyi, 2006)
Contoh algoritma dengan teknik lossy compression adalah Wavelet, Chain Code,
dan Run-Length Encoding (RLE). Sedangkan contoh algoritma dengan teknik lossless
compression adalah Shannon-Fano, Huffman dan Universal Code (Misalnya Elias
Code, Levenstein Code).
Sukiman & Chandra (2013) melakukan penelitian terhadap algoritma Elias
Gamma Code dengan melakukan pemodelan data yang akan dikompresi untuk
kemudian direpresentasikan dengan simbol-simbol tertentu dimana data yang
disertakan memilki informasi seperti frekuensi mengenai setiap simbol. Sementara
pengkodean dilakukan untuk menghasilkan representasi data terkompresi dengan
mengacu pada model guna menentukan kode untuk setiap simbol. Pada proses
pengkompresiannya juga dibentuk pohon encoding. Dengan metode tersebut didapat
Universitas Sumatera Utara
3
hasil bahwa algoritma Elias Gamma Code mempunyai rentang rasio kompresi 60% –
80%.
Sukirman, et al. (2010) melakukan penelitian dengan mengoptimalkan proses
pada transformasi DCT dan Kuantisasi. Proses yang dilakukan yaitu dengan cara
menggabungkan proses DCT dan Kuantisasi. Dari hasil penggabungan tersebut
didapatkan bahwa formulasi matematis pada DCT terkuantisasi mengandung jumlah
operasi perkalian dan penambahan yang lebih kecil dibandingkan pada formulasi
matematis DCT standar. Sehingga DCT terkuantisasi dapat meningkatkan rasio dan
kualitas kompresi JPEG.
Wijaya & Widodo (2010) melakukan penelitian terhadapat objek citra digital
dengan menggunakan algoritma Huffman, LZW (Lempel Ziv Welch) dan RLE (RunLength Encoding). Pengujian dilakukan terhadap waktu kompressi dan dekompressi
pada objek citra dengan format bmp, jpg dan tiff. Dari pengujian tersebut algoritma
Huffman memiliki kompabilitas tinggi untuk dapat mengkompresi setiap format objek
citra. Sedangkan waktu kompresi dan dekompresi
algoritma LZW (Lempel Ziv
Welch) kurang begitu baik tetapi memiliki kinerja kompresi yang tinggi pada format
citra bmp. Sementara kemampuan kompabilitas yang dimiliki algoritma RLE (RunLength Encoding) tidak lebih baik dari algoritma Huffman dan LZW. Algoritma RLE
hanya mampu mengkompresi citra dengan format bmp berjenis grayscale saja. Tetapi
dalam hal ini memiliki performa kinerja yang cukup tinggi.
Arysanti & Livianthy (2010) melakukan pengujian pada data citra dengan
menggunakan
algoritma
Huffman.
Data
citra
yang
diolah
dalam
proses
pengkompresannya adalah data citra dengan format BMP. Selain objek citra,
pengujian juga dilakukan pada data teks dengan format text document (*.txt) dan
Hyper Text Markup Language (*.htm). Pada penelitian ini hanya dilakukan pengujian
pada tingkat efektivitas metode Huffman untuk kompresi data citra dan teks.
Berdasarkan latar belakang tersebut diatas, penulis hendak mencoba untuk
membandingkan algoritma kompresi data dengan menggunakan teknik Lossless
Compression yakni algoritma Elias Gamam Code, Elias Delta Code dan Levenstein
Code.
Dengan
menggunakan
ketiga
algoritma
tersebut
penulis
hendak
membandingkan rasio kompresi, space saving dan kecepatan kompresi yang
dihasilkan ketiga metode tersebut dalam melakukan kompresi terhadap data teks
Universitas Sumatera Utara
4
dengan berbagai variasi. Adapun metode yang akan digunakan adalah dengan
melakukan pemodelan serta pengkodean berdasarkan tabel kode pada tiap-tiap
algoritma tanpa membentuk pohon encoding seperti pada penelitian sebelumnya. Atas
dasar inilah, penulis tertarik untuk mengambil judul : ANALISIS HASIL KOMPRESI
DATA TEKS PADA ALGORITMA ELIAS GAMMA CODE, ELIAS DELTA
CODE DAN LEVENSTEIN CODE.
1.2. Perumusan Masalah
Algoritma yang sesuai untuk melakukan kompresi file input menjadi output yang
diharapkan harus mempertimbangkan beberapa aspek seperti rasio kompresi, space
saving dan kecepatan kompresi. Pada penelitian ini rumusan masalah adalah
bagaimana membentuk kode ASCII serta mengembalikan binary pada kode ASCII
menjadi string bit dengan pemodelan dan pengkodean berdasarkan pada tabel kode
algoritma Elias Gamma Code, Elias Delta Code dan Levenstein Code.
1.3. Batasan Masalah
Rumusan masalah diatas dibatasi dengan beberapa hal sebagai berikut:
1.
Data yang digunakan untuk kompresi berupa data teks.
2.
Nilai yang hendak dianalisa adalah rasio kompresi, space saving dan
kecepatan kompresi.
3.
Algoritma yang digunakan dalam penelitian ini adalah Elias Gamma Code,
Elias Delta Code dan Levenstein Code.
1.4. Tujuan Penelitian
Adapun tujuan penelitian ini adalah untuk mengetahui tingkat perbandingan rasio
kompresi, space saving dan kecepatan kompresi antara algoritma Elias Gamma Code,
Elias Delta Code dan Levenstein Code.
Universitas Sumatera Utara
5
1.5. Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian ini adalah sebagai berikut :
1. Mengetahui perbandingan hasil kompresi data teks antara algoritma Elias
Gamma Code, Elias Delta Code dan Levenstein Code dalam hal rasio
kompresi, space saving dan kecepatan kompresi.
2. Memahami cara kerja algoritma Elias Gamma Code, Elias Delta Code dan
Levenstein Code.
3. Hasil penelitian dapat menjadi rujukan para pembaca dalam memahami
algoritma Elias Gamma Code, Elias Delta Code dan Levenstein Code.
1.6. Sistematika Penulisan
Sistematika penulisan tugas akhir ini adalah sebagai berikut:
Bab 1. Pendahuluan
Bab ini meliputi latar belakang masalah, perumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian serta sistematika penulisan.
Bab 2. Tinjauan Pustaka
Bab ini akan menguraikan tinjauan pustaka yang berkaitan dengan algoritma
kode Elias Gamma, kode Elias Delta dan kode Levenstein.
Bab 3. Metodologi Penelitian
Bab ini berisi metode penelitian yang akan digunakan, data yang akan dipakai,
analisis data serta alat yang digunakan dalam melakukan penelitian.
Bab 4. Hasil dan Analisis
Bab ini akan memaparkan hasil penelitian.
Bab 5. Kesimpulan dan Saran
Bab ini berisi kesimpulan dan saran yang dapat diambil dari pembuatan tugas
akhir ini.
Universitas Sumatera Utara