PROPOSAL SKRIPSI

202016

1. Rencana Judul

Analisis Algoritma Lempel Ziv Welch (LZW) dan Shannon- Fano pada Kompresi Citra Bitmap.2. Bidang Ilmu

Pengolahan Citra3. 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 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 O6. 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 Shannon- Fano.8. Tinjauan PustakaBeberapa teori yang berkaitan dengan tugas akhir ini antara lain :

8.1. Kompresi CitraKompresi 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. Orangorang lebih suka mengumpulkan data. Tidak peduli seberapa besar media penyimpanan yang dimilikinya. Akan tetapi cepat atau lambat akan terjadi overflow.

2. Orangorang 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].

Rasio kompresi data adalah ukuran persentase data yang telah berhasil dikompres. Secara matematis rasio kompresi data ditulis sebagai berikut:

Rasio kompresi = ( ukuran file asli ukuran file terkompresi x 100 % )ukuran file asliMetode kompresi data secara umum terdiri atas dua, metode lossless dan metode lossy yaitu:1. Metode losslessPada 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 lossyMetode 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. 8.2. Citra Digital

Sebuah citra dapat didefenisikan sebagai dua fungsi dimensi f(x,y), dimana masing-masing 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-per-piksel dari suatu bitmap, semakin banyak pula jumlah warna yang dapat disimpan[8]. Format bitmap memiliki beberapa kelebihan maupun kekurangan, antara lain :

A. Kelebihan Format BitmapFormat 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 px8.4. 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 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 langkahlangkah 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 piksel5. 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 = 3Semua 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.

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.SimbolFrekuensiKode

2551400

25710

180601

506110

1203111

Gambar 4. Tabel Pengkodean Shannon- FanoDari 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 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 :

Output sebuah kode untuk menggantikan string P.

Tambahkan string (P + C) ke dalam dictionary dan berikan nomor/kode berikutnya yang belum digunakan dalam dictionary untuk string tersebut.

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 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 CitraPada 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.

Gambar 7. Contoh Nilai Piksel Citra WarnaData 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 pxPada 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.

Gambar 9. Citra grayscale9. 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 ratarata 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%.2. Analisis Dan Perbandingan Teknik Kompresi Menggunakan Algoritma Shannon-Fano 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 Shannon-Fano 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 detik3. 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 kelemahan pada penyimpanan 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 Rivest-Shamir-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 Lempel-Ziv-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

Gambar 9.1 Flowchart Algoritma Shannon- Fano

Flow Chart Proses Kompresi Citra Algoritma Lempel Ziv Welch (LZW)

Gambar 9.2 Flowchart Algoritma Lempel Ziv Welch11. Metode Penelitian

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[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 Shannon-Fano 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

Berikut ini adalah rencana kegiatan kerja dalam pengerjaan skripsi.

Tabel 1. Rencana Kegiatan Kerja untuk Skripsi

No.Nama KegiatanTahun 2012 2013

FebruariMaretAprilMeiJuniJuli

1.Studi Literatur

2.Analisis Data

3.Merancang Desain Sistem

4.Implementasi Sistem

5.PengujianSistem

6.Penulisan Laporan

Disetujui Oleh,

Medan, 12 April 2013Dosen Pembimbing I

Mahasiswa

Prof. Dr. Iryanto, M.Si

Samuel TariganNIP: 194604041971071001

NIM:091401069Dosen Pembimbing II

Dian Wirdasari,S.Si,M.Kom

NIP: 198209232010122002

16

_1435047342.vsdMulai

Citra Gambar (*.bmp)

Baca Header dan Nilai Piksel

Hitung nilai RGB

Urutkan Frekuensi nilai Grayscale

Hitung Nilai Grayscale

Hitung Frekuensi nilai Grayscale

Baca dua Frekuensi Terbesar

Letakkan frekuensi terbesar disebelah kiri dan beri label bit 0 dan lainnya bit 1

Ada Piksel lagi?

Ya

Simpan Pohon Shannon- Fano

Baca nilai bit semua frekuensi

Tidak

Hitung Rasio Kompresi

Tampilkan Rasio Kompresi

Akhir

_1427869762.vsdMulai

Input Kode Pertama (x)

Convert Citra menjadi string code

Input Kode Berikut (x2)

Kode x,x2 di dalam tabel ?

Output Kode -x

x,x2 tambahkan ke tabel

Tidak

x=x2

x=x,x2

Ya

Byte masih ada ?

Ya

Output Kode = x

Tidak

Akhir