Jumat, 08 Mei 2020
Pengertian Kompresi Data
Kompresi data atau pemampatan data (bahasa Inggris: data compression) adalah sebuah cara dalam ilmu komputer untuk memadatkan data sehingga hanya memerlukan ruangan penyimpanan lebih kecil sehingga lebih efisien dalam menyimpannya atau mempersingkat waktu pertukaran data tersebut.
Kompresi Data
Kompresi berarti memampatkan / mengecilkan ukuran
Kompresi data adalah proses mengkodekan informasi menggunakan bit atau informationbearing unit yang lain yang lebih rendah daripada representasi data yang tidak terkodekan dengan suatu sistem enkoding tertentu.
Contoh kompresi sederhana yang biasa kita lakukan misalnya adalah menyingkat kata-kata yang sering digunakan tapi sudah memiliki konvensi umum. Misalnya: kata “yang” dikompres menjadi kata “yg”
Pengiriman data hasil kompresi dapat dilakukan jika pihak pengirim/yang melakukan kompresi
dan pihak penerima memiliki aturan yang sama dalam hal kompresi data
Pihak pengirim harus menggunakan algoritma kompresi data yang sudah baku dan pihak penerima juga menggunakan teknik dekompresi data yang sama dengan pengirim sehingga data yang diterima dapat dibaca / di-dekode kembali dengan benar
Kompresi data menjadi sangat penting karena memperkecil kebutuhan penyimpanan data, mempercepat pengiriman data, memperkecil kebutuhan bandwidth
Teknik kompresi bisa dilakukan terhadap data teks/biner, gambar (JPEG, PNG, TIFF), audio (MP3, AAC, RMA, WMA), dan video (MPEG, H261, H263)
Kebutuhan data (1 detik / 640x480)
Data Teks
1 karakter = 2 bytes (termasuk karakter ASCII
Extended)
Setiap karakter ditampilkan dalam 8x8 pixels
Jumlah karakter yang dapat ditampilkan per halaman
=
640 x 480 = 4800 karakter
8 x 8
Kebutuhan tempat penyimpanan per halaman =
4.800×2 byte = 9.600 byte = 9,375 Kbyte
Kebutuhan data (1 detik / 640x480)
Data Grafik Vektor
1 still image membutuhkan 500 baris
Setiap 1 baris direpresentasikan dalam posisi horisontal,
vertikal, dan field atribut sebesar 8-bit
Sumbu Horizontal direpresentasikan dengan log2 640 = 10
bits
Sumbu Vertical direpresentasikan dengan log2 480 = 9 bits
Bits per line = 9bits + 10bits + 8bits = 27bits
Storage required per screen page = 500 × 27 = 1687,5 byte =
1,65 Kbyte
Kebutuhan data (1 detik / 640x480)
Color Display
Jenis : 256, 4.096, 16.384, 65.536, 16.777.216 warna
Masing-masing warna pixel memakan tempat 1
byte
Misal 640 x 480 x 256 warna x 1 byte = 307.200 byte
= 300 KByte
Jenis Kompresi Data
Berdasar mode penerimaan data yang diterima
manusia
Dialoque Mode: yaitu proses penerimaan data
dimana pengirim dan penerima seakan berdialog (real
time), seperti pada contoh video conference.
Dimana kompresi data harus berada dalam batas
penglihatan dan pendengaran manusia. Waktu tunda
(delay) tidak boleh lebih dari 150 ms, dimana 50 ms
untuk proses kompresi dan dekompresi, 100 ms
mentransmisikan data dalam jaringan
Retrieval Mode: yaitu proses penerimaan data
tidak dilakukan secara real time
Dapat dilakukan fast forward dan fast rewind di
client
Dapat dilakukan random access terhadap data
dan dapat bersifat interaktif
Kompresi Data Berdasarkan Output
Lossy Compression
Teknik kompresi dimana data hasil dekompresi
tidak sama dengan data sebelum kompresi namun
sudah “cukup” untuk digunakan. Contoh: Mp3,
streaming media, JPEG, MPEG, dan WMA.
Kelebihan: ukuran file lebih kecil dibanding
loseless namun masih tetap memenuhi syarat
untuk digunakan.
Biasanya teknik ini membuang bagian-bagian data
yang sebenarnya tidak begitu berguna, tidak begitu
dirasakan, tidak begitu dilihat oleh manusia sehingga
manusia masih beranggapan bahwa data tersebut
masih bisa digunakan walaupun sudah dikompresi.
Misal terdapat image asli berukuran 12,249 bytes,
kemudian dilakukan kompresi dengan JPEG kualitas
30 dan berukuran 1,869 bytes berarti image tersebut
85% lebih kecil dan ratio kompresi 15%
Loseless
Teknik kompresi dimana data hasil kompresi dapat
didekompres lagi dan hasilnya tepat sama seperti data
sebelum proses kompresi. Contoh aplikasi: ZIP, RAR,
GZIP, 7-Zip
Teknik ini digunakan jika dibutuhkan data setelah
dikompresi harus dapat diekstrak/dekompres lagi tepat
sama. Contoh pada data teks, data program/biner,
beberapa image seperti GIF dan PNG
Kadangkala ada data-data yang setelah dikompresi dengan
teknik ini ukurannya menjadi lebih besar atau sama
Kriteria Algoritma dan Aplikasi Kompresi Data
Kualitas data hasil enkoding: ukuran lebih kecil,
data tidak rusak untuk kompresi lossy.
Kecepatan, ratio, dan efisiensi proses kompresi
dan dekompresi
Ketepatan proses dekompresi data: data hasil
dekompresi tetap sama dengan data sebelum
dikompres (kompresi loseless)
Klasifikasi Teknik Kompresi
Entropy Encoding
Bersifat loseless
Tekniknya tidak berdasarkan media dengan
spesifikasi dan karakteristik tertentu namun
berdasarkan urutan data.
Statistical encoding, tidak memperhatikan
semantik data.
Mis: Run-length coding, Huffman coding,
Arithmetic coding
Klasifikasi Teknik Kompresi
Source Coding
Bersifat lossy
Berkaitan dengan data semantik (arti data) dan
media.
Mis: Prediction (DPCM, DM), Transformation
(FFT, DCT), Layered Coding (Bit position,
subsampling, sub-band coding), Vector
quantization
Klasifikasi Teknik Kompresi
Hybrid Coding
Gabungan antara lossy + loseless
mis: JPEG, MPEG, H.261, DVI
Contoh-contoh Teknik Kompresi Teks
Run-Length-Encoding (RLE)
Kompresi data teks dilakukan jika ada beberapa
huruf yang sama yang ditampilkan berturut-turut:
Mis: Data: ABCCCCCCCCDEFGGGG = 17
karakter
RLE tipe 1 (min. 4 huruf sama) : ABC!8DEFG!4 =
11 karakter
Best case: untuk RLE tipe 2 adalah ketika terdapat
127 karakter yang sama sehingga akan dikompres
menjadi 2 byte saja.
Worst case: untuk RLE tipe 2 adalah ketika
terdapat 127 karakter yang berbeda semua, maka
akan terdapat 1 byte tambahan sebagai tanda
jumlah karakter yang tidak sama tersebut.
Menggunakan teknik loseless
Static Huffman Coding
Frekuensi karakter dari string yang akan dikompres
dianalisa terlebih dahulu. Selanjutnya dibuat pohon
huffman yang merupakan pohon biner dengan root awal
yang diberi nilai 0 (sebelah kiri) atau 1 (sebelah kanan),
sedangkan selanjutnya untuk dahan kiri selalu diberi nilai
1(kiri) - 0(kanan) dan di dahan kanan diberi nilai 0(kiri) –
1(kanan)
A bottom-up approach = frekuensi terkecil dikerjakan
terlebih dahulu dan diletakkan ke dalam leaf(daun).
Kemudian leaf-leaf akan dikombinasikan dan dijumlahkan
probabilitasnya menjadi root diatasnya.
Mis: MAMA SAYA
A = 4 -> 4/8 = 0.5
M = 2 -> 2/8 = 0.25
S = 1 -> 1/8 = 0.125
Y = 1 -> 1/8 = 0.125
Total = 8 karakter
Huffman Tree
Contoh-contoh Teknik Kompresi Teks
Shannon-Fano Algorithm
Dikembangkan oleh Shannon (Bell Labs) dan
Robert Fano (MIT)
Contoh :
H E L L O
Urutkan simbol berdasarkan frekuensi kemunculannya
Bagi simbol menjadi 2 bagian secara rekursif, dengan
jumlah yang kira-kira sama pada kedua bagian, sampai
tiap bagian hanya terdiri dari 1 simbol.
Cara yang paling tepat untuk mengimplementasikan
adalah dengan membuat binary tree.
Metode SHC mengharuskan kita mengetahui terlebih
dahulu frekuensi masing-masing karakter sebelum
dilakukan proses pengkodean. Metode AHC
merupakan pengembangan dari SHC dimana proses
penghitungan frekuensi karakter dan pembuatan
pohon Huffman dibuat secara dinamis pada saat
membaca data.
Algoritma Huffman tepat bila dipergunakan pada
informasi yang bersifat statis. Sedangkan untuk
multimedia application, dimana data yang akan
datang belum dapat dipastikan kedatangannya (audio
dan video streaming), algoritma Adaptive Huffman
dapat dipergunakan
Metode SHC maupun AHC merupakan kompresi yang
bersifat loseless.
Dibuat oleh David A. Huffman dari MIT tahun 1952
Huffman banyak dijadikan “back-end” pada algoritma
lain, seperti Arithmetic Coding, aplikasi PKZIP, JPEG,
dan MP3.
Aplikasi Kompresi
Algoritma Lempel-Ziv-Welch (LZW) menggunakan
teknik adaptif dan berbasiskan “kamus” Pendahulu
LZW adalah LZ77 dan LZ78 yang dikembangkan oleh
Jacob Ziv dan Abraham Lempel pada tahun 1977 dan
1978. Terry Welch mengembangkan teknik tersebut
pada tahun 1984. LZW banyak dipergunakan pada
UNIX, GIF, V.42 untuk modem
ZIP File Format
Ditemukan oleh Phil Katz untuk program PKZIP kemudian
dikembangkan untuk WinZip, WinRAR, 7-Zip.
Berekstensi *.zip dan MIME application/zip
Dapat menggabungkan dan mengkompresi beberapa file
sekaligus menggunakan bermacam-macam algoritma,
namun paling umum menggunakan Katz’s Deflate
Algorithm.
Beberapa method Zip:
Shrinking : merupakan metode variasi dari LZW
Reducing : merupakan metode yang mengkombinasikan metode
same byte sequence based dan probability based encoding.
Imploding : menggunakan metode byte sequence based dan
Shannon-Fano encoding.
Deflate : menggunakan LZW
Bzip2, dan lain-lain
Aplikasi: WinZip oleh Nico-Mak Computing
RAR File
Ditemukan oleh Eugene Roshal, sehingga RAR merupakan
singkatan dari Roshal Archive pada 10 Maret 1972 di Rusia.
Berekstensi .rar dan MIME application/x-rar-compressed
Proses kompresi lebih lambat dari ZIP tapi ukuran file hasil
kompresi lebih kecil.
Aplikasi: WinRAR yang mampu menangani RAR dan ZIP,
mendukung volume split, enkripsi AES.
[sumber-1] [sumber-2]
