Literatur PDF
Literatur PDF
LANDASAN TEORI
fundamental
kompresi
yang
bisa
dicapai,
dan
bagaimana
f(x,y)
Source
Encoder
Channel
Encoder
Channel
ENCODER
Channel
Decoder
Source
Decoder
f^(x,y)
DECODER
RVL
hartley
mendefinisikan
(1928)
pengukuran
adalah
informasi.
yang
pertamakali
Penjelasannya
mencoba
adalah
seperti
pesan
yang
berbeda.
Hartley
mendefinisikan
amount
of
( )
( )
H H s k = log s k = k log(s )
Shannon kemudian memperluas teori Nyquist dan Hartley, dan
menghasilkan dasar Teori Informasi dengan mengasosiasikan informasi
dengan ketidakpastian (uncertainity) menggunakan konsep probabilitas.
Pengukuran informasi ini lebih akurat, yang mencakup pengukuran
Hartley ini sebagai kasus spesial.
Premis dasar dalam Teori Informasi adalah : Generation of
information can be modeled as probabilistic process [GON92]. Pada
sebuah peristiwa acak E yang terjadi dengan probabilitas p, maka
dikatakan mengandung jumlah informasi
1
I (E ) = log
p
Besaran I(E) ini disebut juga dengan self-information dari E. Dengan
demikian terlihat bahwa simbol yang jarang muncul akan membawa
jumlah informasi yang besar.
Untuk ruang sampel (alfabet) yang terdiri dari n macam simbol,
Shannon merumuskan rata-rata besarnya informasi sebagai [TIF03]:
n
H ( P) =
p( x ) log p( x ) = p log p
i
i =1
i =1
dimana X adalah suatu ruang sampel dengan sebaran peluang P. Ratarata besarnya informasi (H) ini dikenal juga dengan sebutan entropi.
H (P ) = p log( p ) (1 p )log(1 p )
H(P) merupakan fungsi yang memenuhi beberapa sifat berikut [TIF03]:
a) kontinyu dalam peubah p
b) symetrik, dalam artian urutan event tidak mengubah nilai H
c) additive,
d) H mencapai titik maksimum pada titik di mana semua probabilitas
sama nilainya.
Entropi ini menunjukkan batas fundamental kompresi yang bisa
dicapai
oleh
sebuah
sumber
informasi.
Karena
dalam
hal
ini
Jumlah
H (P )= 2 log n
Dalam hal model komunikasi antara sebuah sumber informasi
dengan tujuan, titik beratnya adalah pada pengiriman informasi yang digenerate oleh sumber. Bila sumber mentransmisikan data yang besar,
tentunya akan memakan resource dan butuh waktu yang lama untuk
menyelesaikannya.
Masalah
penyimpanan
informasi
dalam
memori
sekarang ini juga sangat penting. Walaupun ini bukan masalah transmisi,
namun teknik kompresi dapat diterapkan disini.
2.2 Kompresi
Motivasi untuk mengkompresi adalah untuk menghemat media
penyimpanan
data
dan
menurunkan
waktu
dan
biaya
dalam
waktu
pengkompresian
yang
terpakai.
Target
data
yang
kompresi
teks
dapat
dikelompokkan
kedalam
dua
bekerja
dengan
menghitung
probabilitas
simbol-simbol,
terminologi
dalam
bahasan
kompresi
antara
lain:
red = 1
H (U )
H (U )
= 1
max H (U )
log n
H (U )
L log r