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 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
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 Shannon- Fano.
8. Tinjauan Pustaka
Beberapa teori yang berkaitan dengan tugas akhir ini antara lain :
8. 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].
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 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.
8. 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. 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 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. 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 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.
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. 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 :
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 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. 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.
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.
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%.
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 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
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 Welch
11. 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 Kegiatan"Tahun 2012 – 2013 "
" "Februari "Maret "April "Mei "Juni "Juli " "1. "Studi Literatur " " " "
" " " " " " " " " " " " " " " " " " " " " "2. "Analisis Data " " " " " "
" " " " " " " " " " " " " " " " " " " "3. "Merancang Desain Sistem " " "
" " " " " " " " " " " " " " " " " " " " " " "4. "Implementasi Sistem " "
" " " " " " " " " " " " " " " " " " " " " " " "5. "PengujianSistem " " "
" " " " " " " " " " " " " " " " " " " " " " "6. "Penulisan Laporan " " "
" " " " " " " " " " " " " " " " " " " " " " "
Disetujui Oleh, Medan, 12 April 2013
Dosen Pembimbing I Mahasiswa
Prof. Dr. Iryanto, M.Si Samuel Tarigan
NIP: 194604041971071001 NIM:091401069
Dosen Pembimbing II
-----------------------
Dian Wirdasari,S.Si,M.Kom
NIP: 198209232010122002
