Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018

ISSN 2301-9425 (Media Cetak)

Hal: 464-468

ANALISA PERBANDINGAN ALGORITMA PREDICTION BY

PARTIAL MATCHING (PPM) DENGAN LEMPELZIV WELCH
(LZW) PADA KOMPRESI FILETEKS MENGGUNAKAN
METODE EKSPONENSIAL
Irena Marlina Halawa, Muhammad Syahrizal

Teknik Informatika STMIK Budi Darma, Medan, Indonesia

Jalan Sisingamangaraja No. 338 Simpang Limun, Medan, Indonesia

ABSTRAK
Dalam bidang teknologi informasi, penyimpanan data sering dilakukan dan pengiriman data menggunakan sistem transmisi
elektronik. Besarnya ukuran data terkadang menjadi kendala pengiriman data dengan ukuran besar akan memakan waktu yang
lebih lama dibandingkan dengan ukuran data yang lebih kecil. Penelitian dilakukan dengan menggunakan algoritma dan
algoritma Prediction By Partial Matching dan Lempel Ziv Welch untuk mengkompresi file dan melakukan perbandingan karena
kedua algoritma tersebut memiliki cara kerja yang berbeda-beda. Dengan adanya perbedaan tersebut, maka perlu adanya analisa
membandingkan kedua algoritma dalam menentukan file kompresi mana yang lebih cepat. Metode eksponensial merupakan
metode yang dapat menganalisa perbandingan kedua algoritma tersebut. Sehingga dapat dilihat algoritma mana yang lebih
bagus, efektif dan cepat dalam pengkompresian file teks.

Kata Kunci: Kompresi, Algoritma PPM, Agoritma LZW, Eksponensial

I. PENDAHULUAN Proses kompresi merupakan proses mereduksi

Pada kemajuan teknologi yang kita rasakan
sekarang ini telah memberikan peranan yang sangat
penting bagi masyarakat salah satunya adalah
pertukaran dan penyimpanan data. Masalah yang sering
di hadapi tentunya kapasitas data yang besar sehingga
pengiriman dan penyimpanan data lebih lama dan
storage yang besar. Oleh karena itu dibutuhkan cara
kompresi data-data yang dimiliki untuk mempermudah
proses pengiriman dan mengurangi kebutuhan
kapasitas media penyimpanan data.
Ada beberapa cara atau algoritma yang digunakan
untuk mengkompresi file teks diantaranya dengan cara
algoritma Prediction By Partial Matching dan
algoritma Lempel Ziv Welch. Kedua algoritma tersebut
tentu memiliki cara kerja dan hasil rasio yang berbeda
atau bisa juga memperoleh hasil yang sama.
Algoritma Prediction by Partial Matching
(PPM) ini termasuk dalam kelas lossless compression
yaitu tidak menghilangkan informasi sedikit pun hanya
mewakilkan beberapa informasi yang sama. Metode ini
bersifat two-pass yaitu menggunakan peta kode yang
selalu sama, fase pertama untuk menghitung
kemungkinan tiap simbol dan menentukan peta
kodenya dan fase kedua untuk mengubah pesan
menjadi kumpulan kode yang akan ditransmisikan.
Algoritma Lempel Ziv Welch (LZW) ini
melakukan kompresi dengan menggunakan kamus,
dimana fragmen-fragmen teks digantikan dengan
indeks yang diperoleh dari sebuah “kamus”.
Pendekatan ini bersifat adaptif dan efektif karena
banyak karakter dapat dikodekan dengan mengacu
pada string yang telah muncul sebelumnya dalam teks.
II. TEORITIS
A. Kompresi
ukuran suatu data untuk menghasilkan representasi
digital yang padat atau mampat (compact) namun tetap
dapat mewakili kuantitas informasi yang terkandung
pada data tersebut. Pada citra, video, dan audio,
kompresi mengarah pada minimisasi jumlah bit rate
untuk representasi digital. Pada beberapa literatur,
istilah kompresi sering disebut juga source coding,
data compression, bandwidth compression, dan signal
compression [1][6].
B. Algoritma Prediction By Partial Matching
(PPM)
Algoritma Prediction By Partial Matching (PPM)
dikembangkan oleh Cleary dan Witten pada tahun
1984. PPM adalah teknik kompresi data statis
berdasarkan konteks pemodelan dan prediksi.
Algoritma ini termasuk dalam kelas losless
compression yaitu tidak menghilangkan informasi
sedikit pun, hanya mewakilkan beberapa informasi
yang sama [2].
C. Algoritma Lempel Ziv Welch (LZW)
Algoritma ini melakukan kompresi dengan
menggunakan dictionary, di mana fragmen-fragmen
teks digantikan dengan indeks yang diperoleh dari
sebuah “kamus”. Prinsip sejenis juga digunakan dalam
kode Braille, di mana kode-kode khusus digunakan
untuk mempresentasikan kata-kata yang ada.
Pendekatan ini bersifat adaptif dan efektif karena
banyak karakter dapat dikodekan dengan mengacu
pada string yang telah muncul sebelumnya dalam teks.
Prinsip kompresi tercapai jika referensi dalam bentuk
pointer dapat disimpan dalam jumlah bit yang lebih
sedikit dibandingkan string aslinya [3].

464

Berikut adalah algoritma kompresi LZW secara
lengkap:
1. Dictionary diinisialisasi dengan semua karakter
dasar yang ada
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.
5. Apakah masih ada karakter berikutnya dalam
stream karakter ?
 Jika ya, maka kembali ke langkah 2.
• Jika tidak, maka output kode yang
menggantikan string P, lalu terminasi proses
(stop).
D. Metode Perbandingan Eksponensial (MPE)
Metode perbandingan eksponensial (MPE)
merupakan salah satu metode pengambilan keputusan
yang mengkuantifikasikan pendapat seseorang atau
lebih dalam skala tertentu. Pada prinsipnya ia
merupakan metode skoring terhadap pilihan yang ada
[4][7].
Dalam Metode Perbandingan Eksponensial ada
beberapa tahap yang harus dilakukan, yaitu :
1. Menyusun alternatif-alternatif keputusan yang akan
dipilih.
2. Menentukan kriteria atau perbandingan keputusan
yang penting untuk dievaluasi.
3. Menentukan tingkat kepentingan dari setiap kriteria
keputusan.
4. Melakukan penilaian terhadap semua alternatif
pada setiap kriteria.
5. Menghitung skor atau nilai total setiap alternative
6. Menentukan urutan prioritas keputusan didasarkan
pada skor atau nilai total masing-masing alternativ.
Formulasi perhitungan skor untuk setiap alternative
dalam metode perbandingan eksponensial adalah
sebagai berikut:
𝑚 Probabilitas, karena pengkodean aritmatika
TKKj
Total nilai(TNi ) = ∑(RK ij )
𝑗=𝑖
TNi = Total nilai alternatif ke -i
RK ij = derajat kepentingan relatif kriteria ke-j pada
pilihan keputusan i
TKK j = derajat kepentingan kritera keputusan ke-j;
TKKj > 0; bulat
Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 464-468
n = jumlah pilihan keputusan
m = jumlah kriteria keputusan
j = 1,2,3,…m; m : Jumlah kriteria
i = 1,2,3,…,n; n : Jumlah pilihan alternatif
E. Microsoft Visual Basic 2008
Untuk membuat aplikasi ada beberapa
perlengkapan yang dibutuhkan, yaitu: ToolBox sebagai
alat atau komponen untuk membuat program. ToolBox
yang terdapat pada visual basic 2008 adalah All
Windows From yang menampilkan semua komponen
Common Control, Container, Menu dan Toolbars,
Data, Printing, Dialog, dan General [5].
III. ANALISA DAN PEMBAHASAN
Analisa merupakan suatu kegiatan mengamati
pengkompresian file teks yang lebih baik dan efisien
yang digunakan pada kompresi file. Dalam analisa ini
proses kompresi file teks yang digunakan adalah
algoritma Prediction By Partial Matching (PPM),
algoritma Lempel Ziv Welch (LZW) dan menghitung
parameter perbandingan Ratio of compression,
Compression ratio, dan Space Saving.
Sebuah file teks yang berisikan string “NAMA
IRENA MARLINA” dan di awal proses diset menjadi
8 karakter yang akan di kompresi dalam bentuk proses
algoritma Lempel Ziv Welch dengan cara mengubah
objek menjadi kode/indeks yang disimpan di dalam
sebuah kamus dan juga proses algoritma Prediction By
partial matching dilakukan dengan cara memodelkan
simbol/karakter sebelumnya dalam stream simbol yang
tidak terkompresi untuk memprediksi simbol
berikutnya, bit yang dipakai pada setiap karakter untuk
contoh kasus ini adalah 8 bit. Proses selanjutnya
membandingkan hasil dari kedua algoritma tersebut
berdasarkan RC, CR dan SS.
Berikut ini merupakan contoh kompresi
menggunakan Algoritma Prediction By Partial
Matching (PPM). Sebuah file teks yang berisi string
“NAMA IRENA MARLINA” maksimum 2 order akan
dikompresi dengan PPM.
Simbol baru yang dibaca dan dikodekan
berasumsi bahwa string “NAMA IRENA MARLINA”
18 simbol benar-benar dimasukan dan dikodekan, jadi
konteks order-2 saat ini adalah "NA". Sebagai berikut :
1. Simbol berikutnya adalah M. Encoder PPM
menemukan bahwa NA diikuti oleh S telah terlihat
Sebelum dan memiliki probabilitas 1/4. M
dikodekan dengan encoder aritmatika dengan
biasanya memampatkan atau mendekati pada
Entropi, -log2 (1/4)= 2 bit.
2. Simbol berikutnya adalah L. Encoder PPM
menemukan bahwa NA tidak terlihat sebelum
diikuti sebuah simbol I. Oleh karena itu, encorder
mengirimkan simbol pelarian ke encorder
aritmatika, dengan probabilitas 1/2 diprediksi oleh
konteks order-2 NA. Oleh karena itu di butuhkan
465
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 464-468

1untuk mengkodekan pelarian ini. Beralih ke urutan akan diinisialisasi dengan simbol atau karakter-
1, dan enkode PPM menemukan bahwa yang diikuti karakter dasar penyusun input stream, sehingga nilai
oleh I terlihat sebelumnya dengan probabilitas 1/2 default sebuah dictionary akan berisi 256 karakter
ditugaskan untuk I kemudian dikirim ke encorder ASCII dengan index 0-255. Sehingga pada awal
aritmatika untuk dikodekan dengan probabilitas pembacaan proses kompresi maupun dekompresi,
1/2, yang menghasilkan Entropi, log2(1/2)= 1 bit, karakter atau kode pertama akan selalu ditemukan pada
secara total 1 + 1 = 2 bit dihasilkan untuk dictionary. Proses kompresi dengan Lempel Ziv Welch
mengkodekan I. dapat di lihat pada tabel di bawah ini :
3. Simbol berikutnya adalah C. Encoder PPM beralih
dari urutan 2 ke urutan 1 ke pesanan 0, mengirim Tabel 1. Kompresi LZW
dua lolos seperti pada Kasus 3. Karena C belum Dictionary
pernah terlihat sebelumnya, tidak ditemukan di S C S+C in
Urutan 0, dan encoder PPM beralih ke pesanan -1 Output Ideks
dictinary
setelah mengirim pelarian ketiga Probabilitas code entry
escape dari order 0, dari 8/21 (ini menghasilkan - word baru
log2 (8/21) = 1,4 bit). Untuk simbol C tidak pelu N A N 78 NA (256)
memesan ruang probabilitas untuk simbol yang
A M N 65 AM
sudah muncul Pada tingkat yang lebih tinggi. Kita
asumsikan bahwa alfabet terdiri dari 26 huruf, (257)
ruang kosong, dan Simbol lolos, total 28 simbol. C M A N 77 MA
itu sendiri dikirim ke encorder aritmatika dengan (258)
probabilitas urutan -1, yaitu 1/28, sehingga
dikodekan menjadi 4.8 bit. Jumlah bit yang A _ N 65 A_ (259)
diperlukan untuk mengkodekan C adalah 2+ 2 +
1.4+ 4.8 = 10.2 bit. Maka hasil file teks sebelum _ I N 32 _I (260)
dikompresi adalah 18 karakter * 8 bit = 324 bit jika
dikonversikan ke byte menghasilkan 18 byte. I R N 73 IR (261)
Sedangkan file teks sesudah di kompresi adalah : 2
+ 2 + 1.4+ 4.8 + 10.2 = 20.4 bit. Jika dikonversikan
ke byte menghasilkan 2.55 byte. R E N 82 RE (262)
E N N 69 EN (263)
Compression Ratio (CR) PPM
N A Y(256) - -
ukuran sebelum−ukuran setelah
= x 100%
ukuran sebelum
N _ N 256 NA_
18−2,55 A (264)
= x 100%
2,55
_ M N 32 _M (265)
= 15,45%
ukuran sebelum
M A Y(258) - -
Ratio of Compression(RC) PPM = =
ukuran setelah
18 Byte
2,55 Byte M R N 258 MAR
A (266)
= 7,058 byte
R L N 82 RL (267)
Space Saving (SS) PPM = 1-CR L I N 76 LI (268)
I N N 73 IN (269)
=1 – 15,45% N A Y(256) - -
= 14,45 % N E 256 -
A 0
Adapun langkah-langkah yang dilakukan F
Algoritma Lempel Ziv Welch adalah sebuah file teks Compression Ratio (CR) LZW
yang berisi string “NAMA IRENA MARLINA” teks
tersebut akan di proses dalam dictionary pada awal ukuran sebelum−ukuran setelah 18−15
= x 100% = x
proses diset dengan delapan karakter dasar yang ada ukuran sebelum 18
100%
“N”, “A”, “M”, ”_”, “I”, “R”, “E”, “L”. Sebelum proses
= 16,6666%
kompresi atau dekompresi dimulai, sebuah dictionary

466
 Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 464-468

ukuran sebelum kompresi maka perlu dilakukan penentuan

Ratio of Compression (RC) LZW = =
ukuran setelah
18 Byte algortima yang mana yang akan digunakan sebagai
15 Byte algoritma kompresi.
2. Menentukan kriteria
= 1.2 byte
Untuk dapat membandingkan kedua alternatif
Space Saving (SS) LZW = 1-CR tersebut, maka selanjutnya perlu dilakukan
penentuan kriteria dalam menganalisa proses dan
=1 – 16,6666 cara kerjanya.
3. Menentukan kriteria
= 15,6666 %
Untuk dapat membandingkan kedua alternatif
Pada dekompresi isi dictionary selalu tersebut, maka selanjutnya perlu dilakukan
ditambahkan setiap pembacaan codeword, hal inilah penentuan kriteria dalam menganalisa proses dan
yang memnungkinkan string asli dapat dikembalikan. cara kerjanya.
Sebagai contoh, jika kode: “78, 65, 77, 65, 32, 73, 82, 4. Menentukan bobot kriteria
69, 256, 32, 258, 82, 76, 73, 256 ” didekompresi dengan Penentuan bobot merupakan salah satu komponen
algoritma LZW, maka prosesnya dapat dilihat seperti yang sangat berpengaruh terhadap nilai analisa,
tabel di bawah ini : untuk itu menetepkan bobot kriteria berdasarkan
tingkatan pengaruh dalam menentukan kecepatan
Tabel 2. Dekompresi LZW dalam melakukan pencarian.
5. Pemberian Nilai Pada Setiap Kriteria
S(Codew C(Codew Outp (Indeks)
Pada kriteria yang telah dibentuk harus diberikan
ord) ord) ut Entry Baru
nilai. Nilai tersebut dapat dilihat pada contoh
Strin
dibawah ini yang dimana nilainya diambil
g
berdasarkan analisa algoritma Lempel Ziv Welch
NULL 78 N -
dan Prediction By Partial Matching sebelumnya.
N 65 A NA [256] 6. Menghitung Nilai
A 77 M AM [257] Setelah melakukan pengisian nilai terhadap
masing-masing kriteria, maka proses berikutnya
M 65 A MA [258]
adalah melakukan perhitungan dengan
A 32 _ A- [25 menggunakan rumus dari Metode Perbandingan
9] Eksponensial (MPE). Proses perhitungannya
- 73 I –I [260]
sebagai berikut:
I 82 R IR [261]
R 69 E RE [262] Tabel 3. Perhitungan Analisa Perbandingan
Dengan Menggunakan Metode Perbandingan
256 NA EN [263] Eksponensial Kriteria
NA 32 - NA- [264] Kritera Bobot Algoritma Algoritma
PPM LZW
- 258 MA - M [256]
CR 0.3 15,45 16,66
MA 82 R MAR [(266]
RC 0.4 7,058 1,2

SS 0.3 14,45 15,66

L 73 I LI [268]
I 256 NA IN [269] Total 1 6,686 5,682
nilai ∑
NA E0F - -
(𝐍)𝑩

Dalam menghitung dan membandingkan proses Langkah-langkah perhitungannya sebagai berikut :

pencarian dari kedua algoritma tersebut adalah sebagai
Nilai PPM
berikut :
1. Menentukan alternatif = (15,45)0,3+(7,058)0,4+(14,45)0,3
Untuk menganalisa perbandingan kecepatan antara
algortima Lempel Ziv Welch dan algoritma = 2,273 + 2,185 + 2,228
Prediction By Partial Matching dalam melakukan
= 6,686
467

Nilai LZW
= (16,66)0,3+ (1,2)0,4 + (15,66)0,3
= 2,325+ 1,075 + 2,282
= 5,682
7. Menentukan Hasil Atau Prioritas Keputusan
Setelah diperoleh nilai akhir atau total nilai dari
masing-masing algoritma, maka tahapan
selanjutnya yang perlu dilakukan adalah
menentukan prioritas keputusan berdasarkan nilai
dari masing-masing alternatif. Berdasarkan analisa
tersebut kesimpulannya algoritma Lempel Ziv
Welch yang menjadi algortima tercepat dan yang
lebih efektif dalam melakukan proses kompresi file
teks hal ini dikarenakan semakin kecil total nilai
yang diperoleh maka semakin sedikit jumlah usaha
yang dilakukan oleh algoritma tersebut dalam
melakukan kompresi.
IV. IMPLEMENTASI
Implementasi sistem program ini mencakup
spesifikasi kebutuhan perangkat keras (hardware) dan
spesifikasi perangkat lunak (software). Hasil pengujian
program menampilkan hasil output dari sebuah input
data pada aplikasi yang telah siap. Untuk pengujian
programnya bisa dilihat sebagai berikut:
Gambar 1. Tampilan menu form perbandingan
V. KESIMPULAN
Berdasarkan hasil penelitian, analisis,
perancangan, implementasi dan pengujian sistem ini,
maka dapat diambil beberapa kesimpulan sebagai
berikut :
1. Aplikasi yang dirancang telah mampu melakukan
kompresi dan dekompresi dengan menggunakan
algoritma Prediction By Partial Matching dan
Lempel Ziv Welch.
Jurnal Pelita Informatika, Volume 6, Nomor 4, April 2018
ISSN 2301-9425 (Media Cetak)
Hal: 464-468
2. Program kompresi file yang diterapkan ke dalam
bahasa pemograman Visual Basic Studio 2008
cukup bagus dalam proses kompresi, dekompresi
dan perbandingannya.
3. Untuk dapat menganalisa kedua algoritma ini, nilai
perbandingannya dihitung menggunakan metode
eksponensial
REFERENCES
[1] Darma Putra, “Pengolahan Citra Digital”. Yogyakarta : Andi,
2010
[2] Salomo David, “Data Compression”. Northridge, Springer,
2007
[3] Linawati & Henry P. Panggabean, “ Perbandingan Kinerja
Algoritma Kompresi Huffman, LZW, dan DMC pada berbagai
tipe file”. Itegral, Vol.9 No.1-16
[4] Marimin, “Teknik Dan Aplikasi Pengambilan keputusan Kriteria
Majemuk” . Jakarta, Grasindo, 2004
[5] Hendrayudi, “VB 2008 Untuk Berbagai Keperluan
Pemograman”. Jakarta, PT.Elex Media Komputindo, 2009
[6] R. Rahim, Mesran, M. Syahrizal, A.P.U. Siahaan, Data Security
with International Data Encryption Algorithm, J. Online Jar.
COT POLIPD. 8 (2017) 63–68.
[7] A. Fau, M. Mesran, G.L. Ginting, Analisa Perbandingan Boyer
Moore Dan Knuth Morris Pratt Dalam Pencarian Judul Buku
Menerapkan Metode Perbandingan Eksponensial ( Studi Kasus :
Perpustakaan STMIK Budi Darma ), J. Times (Technology
Informatics Comput. Syst. 6 (2017) 12–22.
468