Peningkatan Kompresi Teks Shannon-Fano Dengan Kombinasi Burrows-Wheller Transform (BWT) Run-Length Encoding (RLE) dan Shannon-Fano.

1. Peningkatan Kompresi Teks Shannon-Fano Dengan
Kombinasi Burrows-Wheller Transform (BWT) Run-
Length Encoding (RLE) dan Shannon-Fano
Agung Sulistyanto
Faculty of Information Technology
University of Budi Luhur
Jakarta, Indonesia
agung.sulistyan@gmail.com
Abstract Kompresi berkaitan erat dengan representasi
informasi. Setiap kata yang digunakan dalam penulisan
meningkatkan redundansi atau perulangan kata. Tujuan utama
kompresi adalah penghapusan redundansi. Huffman dan
Shannon-Fano merupakan 2 metode yang populer digunakan
dalam kasus kompresi data. Keduanya memiliki cara kerja yang
sama namun menghasilkan kinerja yang berbeda. Shannon-Fano
memiliki nilai rasio kurang dari 2% lebih rendah dari Huffman
(Anggraini, 2015). Pendekatan alternatif untuk mengatasi
masalah ini dengan menambahkan algoritma transformasi yang
reversibel pada data sumber. Penelitian ini melakukan
kombinasi metode Burrows-Wheller Transform (BWT), Run-
Length Encoding (RLE) dan Shannon-Fano serta
membandingkannya dengan algoritma tunggal Shannon-Fano
yang diterapkan pada file teks.
Keywords-compression; text; shannon-fano; burrows-wheller
transform
I. PENDAHULUAN
Kompresi berkaitan erat dengan representasi informasi.
Setiap kata yang digunakan dalam penulisan meningkatkan
redundansi atau perulangan kata. Redundansi merupakan
penggandaan dari kata yang berulang. Tujuan utama kompresi
adalah penghapusan redundansi. Huffman dan Shannon-Fano
merupakan 2 metode yang populer digunakan dalam kasus
kompresi data. Keduanya memiliki cara kerja yang sama
namun menghasilkan kinerja yang berbeda. Shannon-Fano
memiliki nilai rasio kurang dari 2% lebih rendah dari Huffman
(Anggraini, 2015). Pendekatan alternatif untuk mengatasi
masalah ini dengan menambahkan algoritma transformasi
yang reversibel pada data sumber. Penelitian ini melakukan
kombinasi metode Burrows-Wheller Transform (BWT) dan
Shannon-Fano untuk meningkatkan rasio kompresi metode
tunggal Shannon-Fano.
Terdapat 2 (dua) parameter penilaian dari teknik kompresi.
Pertama adalah rasio kompresi yang dihasilkan. Kedua adalah
kecepatan proses waktu kompresi. Rasio kompresi adalah nilai
persentase yang dihasilkan dari pembagian ukuran file hasil
kompresi dengan ukuran file asli dalam satuan bit dan
mengalikannya dengan 100%. Semakin kecil rasio kompresi,
semakin lemah kemampuan algoritma tersebut dalam
memampatkan data. Waktu kompresi berpengaruh pada
alokasi memori dan kinerja CPU.
II. PENELITIAN TERKAIT
Yayuk Anggraini (2015) melakukan penelitian berjudul
Kombinasi Algoritma Burrows-Wheeler Transform (BWT),
Move-To-Front (MTF) dan Shannon- Penelitian ini
melakukan perbandingan hasil kombinasi metode kompresi
BWT + MTF + Shannon-Fano dengan metode tunggal LZ77.
Hasil penelitian ini membuktikan kombinasi BWT + MTF +
Shannon-Fano memiliki rasio kompresi lebih tinggi 0,37%
dibandingkan dengan LZ77. Pada aspek waktu kompresi,
LZ77 membutuhkan 39 detik. Sedangkan metode kombinasi
yang diusulkan hanya membutuhkan setitar 1,3 detik. Metode
kombinasi yang diusulkan memiliki kelebihan implementasi
yang lebih stabil pada spesifikasi hardware yang lebih rendah.
Syarifah Keumala Adriaty (2015) melakukan penelitian
-
Fano, Arithmetic Coding dan Huffman Pada Kompresi Berkas
. Pada penelitian ini dilakukan
implementasi beberapa algoritma kompresi yang bersifat
lossless, yaitu Shannon-Fano, Arithmetic Coding dan
Huffman yang bertujuan untuk mengetahui algoritma paling
optimal di antara ketiga algoritma tersebut. Parameter
perbandingan kinerja algoritma yang digunakan adalah waktu
kompresi, rasio kompresi, faktor kompresi, saving percentage,
dan kompleksitas algoritma (Big-O). Penelitian ini
menyimpulkan di antara algoritma Shannon-Fano, Arithmetic
Coding, dan Huffman, kompleksitas waktu kompresi dan
dekompresi berkas teks terbaik adalah algoritma Shannon-
Fano, sedangkan kompleksitas waktu kompresi dan
dekompresi berkas citra digital terbaik adalah algoritma
Huffman, dan kompleksitas waktu kompresi dan dekompresi
berkas teks dan berkas citra digital terburuk terdapat pada
algoritma Arithmetic Coding.

2. III. METODOLOGI
A. Burrows-Wheeler Transform
Burrows-Wheeler Transform (BWT) pertama kali
diperkenalkan oleh Michael Burrows dan David Wheller pada
tahun 1994. Misalkan sebuah vektor 1 dimensi berurutan p
memiliki nilai, p = [3, 2, 5, 3, 1, 4, 2, 6]. Dalam proses
kompresi dilakukan perputaran nilai ke kiri untuk setiap baris
data.
Tahap selanjutnya setiap baris disusun secara leksikografi
(berdasarkan kamus). Tahap terakhir dari proses BWT adalah
output yang terdiri dari indeks terakhir pada setiap langkah
sebelumnya.
Vektor p asli muncul pada baris ke lima dan output BWT
pada baris terakhir, dinyatakan dengan:
Dengan indeks = 4, hasil dapat ditulis sebagai BWT =
[Indeks L], diamana L adalah output dari BWT dan indeks
menggambarkan lokasi asli dari urutan leksikografi. Metode
BWT adalah metode transformasi yang dapat dibalik (reserve).
Sehingga fektor asli dapat dikembalikan ke bentuk semula.
Hanya diperlukan BWT L dan index untuk mengembalikan ke
urutan aslinya. Berikut tahap reserve BWT:
Langkah (3i-2): Letakan kolom n di depan kolom 1,
-1.
Langkah (3i-1): Urutkan panjang string i yang
dihasilkan secara leksikografi.
Langkah (3i): Letakan list yang terurut pada tabel.
Output dari reserve transform juga berada pada indeks 4,
itulah mengapa indeks dimanfaatkan untuk merepresentasikan
output dari forward transform. Urutannya adalah yang
merupakan urutan asli dari vektor p.
B. Run Length Encoding
Berbeda dengan teknik teknik yang bekerja berdasarkan
karakter per karakter, RLE bekerja berdasarkan karakter yang
berurutan. Sebagai contoh adalah sebuah data angka numerik
-encode dengan metode RLE
maka hasilnya adalah sebagai berikut. (1,1) (2,4) (1,3) (3,1)
(1,2) (3,1) (4,3).
C. Shannon-Fano
Algoritma Shannon-Fano dinamakan berdasarkan nama
pengembangnya Claude Shannon dan Robert Fano. Algoritma
Shannon-Fano merupakan kompresi yang bersifat lossless.
Metode dimulai dengan deretan dari simbol n dengan
kemunculan frekuensi yang diketahui. Mula-mula simbol
disusun secara menaik (ascending order) berdasarkan frekuensi
kemunculannya. Lalu set simbol tersebut dibagi menjadi dua
bagian yang berbobot sama atau hampir sama. Seluruh simbol
yang berada pada subset I diberi biner 0, sedangkan simbol
yang berada pada subset II diberi biner 1. Setiap subset dibagi
lagi menjadi dua subsubset dengan bobot kemunculan
frekuensi yang kira-kira sama, dan biner kedua diberikan
seperti subset I dan II. Ketika subset hanya berisi dua simbol,
biner diberikan pada setiap simbol. Proses akan berlanjut
sampai tidak ada subset yang tersisa (Salomon: 2010).
IV. HASIL DAN PEMBAHASAN
Penelitian ini melakukan analisis terhadap pengujian yakni
pengukuran data dari file sampel yang digunakan untuk
melakukan evaluasi kinerja algoritma. Kombinasi algoritma
yang diusulkan adalah Snannon-Fano dengan Burrows-
Wheeler Transform (BWT). Berikut alur proses kompresi dan
dekompresi algoritma yang diusulkan.

3. A. Kombinasi BWT dan Shannon-Fano Kompresi
Proses kompresi merupakan proses ketika suatu file dalam
proses encoding sehingga menghasilkan output dengan ukuran
yang lebih kecil daripada ukuran aslinya. Encoding kombinasi
BWT dan Shannon-Fano diawali dengan input file asli,
kemudian akan diproses encoding dengan algoritma BWT.
Hasil yang diperoleh merupakan teks yang telah di
transformasi beserta indeksnya. Hasil output BWT menjadi
inputan proses berikutnya, yakni algoritma Shannon-Fano.
Setelah diproses, oleh algoritma Shannon-Fano menghasilkan
file yang telah terkompresi dengan algoritma BWT dan
Shannon-Fano. Berikut alur proses algoritma yang diusulkan.
Gambar 1 : Alur Proses Kompresi
B. Kombinasi BWT dan Shannon-Fano Dekompresi
Proses decoding kombinasi BWT dan Shannon-Fano
diawali dengan input file yang telah terkompresi, kemudian
akan diproses decoding dengan algoritma Shannon-Fano
terlebih dulu. Hasil yang diperoleh menjadi inputan proses
berikutnya, yakni algoritma BWT. Setelah diproses oleh
algoritma BWT menghasilkan file asli yang telah
terdekompresi.
Gambar 2 : Alur Proses Dekompresi
C. Pengujian
Dalam melakukan pengujian, penelitian ini menggunakan
file berekstensi .txt sebagai sampel. Pengujian dilakukan
dengan 5 file sampel berisi konten berita. Berikut pengujian
yang dilakukan pada algoritma Burrows Whellers Transform
(BWT) dan Run Length Encoding (RLE).
Pada tabel ini pengujian dilakukan dengan algoritma
Burrows Wheller Transform (BWT), Run Length Encoding
(RLE) dan Shannon-Fano.
V. KESIMPULAN
Berdasarkan hasil analisis pengujian yang dilakukan antara
kombinasi algoritma BWT + RLE dan Shannon-Fano, dapat
disimpulkan sebagai beriku :
1. Dengan melakukan kombinasi antara algoritma
Burrows Whellers Transform (BWT) + Run Length
Encoding (RLE) memiliki hasil rasio kompresi yang
lebih baik dibandingkan hanya menggunakan
algoritma tunggal Run Length Encoding (RLE).
2. Dengan melakukan kombinasi antara algoritma
Burrows Whellers Transform (BWT) + Run Length
Encoding (RLE) + Shannon-Fano memiliki hasil rasio
kompresi yang lebih baik dibandingkan hanya
menggunakan algoritma tunggal Shannon-Fano.
REFERENSI
[1] Yayuk Anggraini, Optimasi kinerja kompresi file teks
menggunakan kombinasi algoritma burrows-wheeler
transform (bwt), move-to-front (mtf) dan shannon-fano,
2015.
[2] K. Sailunaz, M. Rokibul and M Nurul Huda Data
compression considering text files International Journal
of Computer Applications, vol. 90 no 11, March 2014.
[3] A Syarifah Kumala Analisis perbandingan kinerja
algoritma shannon-fano, arithmetic coding, dan huffman
15.
[4] S. Yudha Prayogie Analisis perbandingan kompresi
citra menggunakan metode joint photographic experts
group (jpeg) dan burrows-wheeler transform (BWT)
2015.
[5] R Mutiara Novelia Implementasi algoritma shannon-
fano pada kompresi audio . Magn. Japan,
vol. 2, pp. 740 741, August 1987 [Digests 9th Annual
Conf. Magnetics Japan, p. 301, 1982].
[6] M. Young, The Technical Writer's Handbook. Mill
Valley, CA: University Science, 1989.