1. Metode Shannon-Fano

Suatu metode yag dikenal pertama kali mampu melakukan pengkodean terhadap simbol secara

efektif adalah metode Shannon-Fano. Metode ini dikembangkan secara bersamaan oleh Claude

Shanon dari Bell Labs dan RM Fano dari MIT. Metode in tergantung pada probabilitas dari setiap

simbol yang hadir pada suatu data (pesan). Berdasarkan probabilitas tersebut kemudian dibentuk

daftar kode untuk setiap simbol dengan ketentuan sebagai berikut.

a. Setiap simbol berbeda memiliki kode berbeda.

b. Simbol dengan probabilitas kehadiran yang lebih rendah memiliki kode jumlah bit yang lebih

panjang dan simbol dengan probabilitas yang lebih tinggi memilik jumlah bit yang lebih pendek.

c. Meskipun memiliki panjang kode yang berbeda, smbol tetap dapat didekode secara unik.

Berikut adalah langkah-langkah algoritma Shannon-Fano :

a.Buatalah daftar peluang atau frekuensi kehadiran setiap symbol dari data (pesan) yang akan

dikodekan.

b. Urutkanlah daftar tersebut menurut frekuensi kehadiran symbol secara menurun (dari simbol yang

frekuensi kemunculannya paling banyak sampai simbol dengan frekuensi kemunculan paling sedikit.

c. Bagilah daftar tersebut menjadi dua bagian dengan pembagian didasari pada jumlah total frekuensi

suatu bagian (disebut bagian atas) sedekat mungkin dengan jumlah total frekuensi dengan bagian

yang lain (disebut dibagian bawah).

d. Daftar bagian atas dinyatakan dengan digit 0 dan bagian bawah dinyatakan dengan digit 1. Hal

tersebut berarti kode untuk simbol-simbol pada bagian atas akan dimulai dengan 0 dan kode untuk

simbol-simbol pada bagian bawah akan dimulai dengan 1.

e. Lakukanlah proses secara rekursif langkah 3 dan 4 pada bagian atas dan bawah. Bagilah menjadi

kelompok-kelompok dan tambahkan bit-bit pada kode sampai setiap symbol mempunyai kode yang

bersesuaian pada pohon tersebut.

Berikut contoh pengkodeaan Shannon-Fano, pesan yang akan dikodekan adalah :

BCEEDDBBAAAABEEEDDDCCCAAACCDAAAAABBAAA

Berikut daftar frekuensi kemunculan symbol pada pesan yang telah diurutkn secara menurun

berdasarkan frekuensi kemunculan.

Daftar diatas kemudian dibagi menjadi 2 didasari pada total frekuensi bagian atas sedekat

mungkin dengan total frekuensi bagian bawah. Pembagian tersebut menghasilkan simbol A dan B

menjadi bagian atas dengan total 22. Sedangkan C, D, dan E menjadi bagian bawah dengan total

17, sehingga simbol A dan B akan dimulai dengan kode 0, sedangkan C, D, dan E dimulai dengan

kode 1.

2. Algoritma Huffman

Metode Huffman adalah metode pengkodean yang telah banyak diterapkan untuk

aplikasi kompresi citra. Seperti metode Shannon-Fano, metode Huffman juga

membentuk pohon atas dasar probabilitas setiap symbol, namun teknik pembentukan

pohonnya berbeda.

3. Algoritma Huffman Adaptif

Algoritma Huffman Adaptif dirancang khusus agar proses pengkodean dapat dilakukan

pada data realtime. Pada data realtime, frekuensi (probabilitas) setiap simbol tidak

dapat ditentukan sekali waktu. Probabilitas setiap simbol harus dihitung secara dinamis

(adaptif).

4. Algoritma Zero Compression

Zero Compression merupakan salah satu teknik kompresi yang diterapkan pada sekumpulan data

sering terjadi perulangan data bernilai nol yang berurutan. Algoritma ini dapat digambarkan

sebagai berikut.

0 0 0 0 0 2 4 5 2 0 0 0 0 7 8 9 1

Jika terhadap data tersebut dilakukan pengkodean dengan teknik Zero Compression maka di dapat

kode sebagai berikut.

0 5 2 4 5 2 0 4 7 8 9 1

Yang berarti :

Nilai 0 diulang 5 kali, nilai berikutnya ialah 2, 4, 5, 2 tanpa dikompresi, nilai 0 diulang 4 kali, nilai

berikutnya ialah 7, 8, 9, 1 tanpa dikompresi. Agar teknik ini dapat diterapkan dengan efektif maka

sebelumnya perlu untuk mengetahui variasi nilai pada kumpulan data tersebut. Bila nilai nol yang

berurutan sering muncul.

5. Kompresi Citra Menggunakan Metode RLE

RLE (Run Length Encoding) adalah kompresi yang umum digunakan untuk data grafis (citra).

Kompresi citra dengan menggunakan RLE didasarkan pada pengamatan bahwa suatu pixel dalam

suatu citra akan memiliki nilai akan cenderung sama dengan nilai pixel tetangganya. Bila suatu

citra biner dimulai dengan 20 pixel putih, kemudian diikuti dengan 3 pixel hitam kemudian diikuti

lagi dengan 65 pixel putih maka hanya nilai 20, 3, dan 65 yang akan menjadi output untuk

mewakili nilai dari masing-masing pixel inputnya.

6. Difference Coding

Prinsip kerja Difference coding adalah dengan mengurangi nilai pixel dengan nilai pixel

sebelumnya. Untuk pixel pada posisi (indeks) ke-0 tetap dipertahankan.

Sebagai contoh diberikan suatu citra 1 dimensi berikut.

40 40 40 40 40 43 43 100 102 102 102…

Hasil dari proses Difference coding adalah :

40 0 0 0 0 3 0 57 2 0 0 0

7. Arithmetic Coding

Prinsip Arithmetic coding diperkenalkan pertama kali oleh Peter Elias sekitar tahun 1960-an.

Seperti halnya dengan metode Huffman, teknik Aritmatika juga membuat code word untuk setiap

simbol. Hanya saja, bia pada metode Huffman kode setiap symbol berupa suatu bilangan integer

unik. Pada metode aritmatika kode simbol berupa suatu interval bilangan pecahan.

8. LZW

Metode LZW diperkenalkan oleh Terry Welch pada tahun 1984. LZW merupakan singkatan dari

ketiga penemu dari metode tersebut, yaitu Abraham Lempel, Jacob Ziv, dan Terry Welch. Sebelum

metode LZW Lempel dan Ziv telah erlebih dulu memperkenalkan suatu metode pada tahun 1977

dan 1978, yang berturut-turut disebut metode LZ77dan LZ78. Kedua metode ini menjadi dasar

muncunya metode LZW.

Metode LZW telah digunakan pada sistem operasi UNIX dan LINUX, dan juga pada

aplikasi compress, uncompress, gzip, dang unzip. LZW menjadi teknik untuk kompresi

data dalam computer pengolah kata. Algoritma kompresi citra dalam format file GIF.

9. Kompresi Citra Berbasis Transformasi

Kompresi berbasis transformasi citra merupakan kompresi yang bersifat lossy. Bagian

ini menjelaskan model umum kompresi citra berbasis transformasi.

Proses citra berbasis transformasi terdiri dari :

- Proses Kompresi

Tahap pertama proses kompresi diawali dengan proses pembagian citra berukuran N x N menjadi

beberapa subimage berukuran n x n, sehinggaa diperoleh (N/n)2 larik subimage dengan masing-

masing berukuran n x n.

Tahap kedua adalah melakukan transformasi pada setiap subimage. Berbagai metode transformasi

citra dapat diterapkan di sini, seperti transformasi Fourier, Cosinus, Walsh, Hadamard dan lain

sebagainya. Hasil dari tahap ini tentu koefisien-koenfisien hasil proses transformasi.

Tahap ketiga adalah kuantisasi. Proses kuantisasi akan menghilangkan koefisien-koenfisien yang

mengandung informasi tidak signifikan. Koefisien-koenfisien ini tidak memiliki pengaruh yang

besar pada hasil citra rekonstruksi.

Tahap terakhir adalah proses pengkodean (coding). Berbagai metode coding dapat diterapkan di

sini, seperti Huffman, Shannon, RLE, dan lain sebagainya.

- Proses Dekompresi

Tahap pertama proses dekompresi adalah proses decoding terhadap citra terkompresi. Proses

decoding tergantung pada metode yang dipilih saat proses coding. Setelah decoding, dilanjutkan

dengan proses transformasi balik (invers transformation) untuk menghasilkan subimage. Tahap

terakhir kemudian menggabung seluruh subimage sehingga diperoleh citra hasil yang bersifat

lossy.

10. Kompresi Citra dengan Transformasi Wavelet

Kompresi berbasis gelombang singkat (Wavelet) didasari pada prinsip bahwa koefisien-koefisien

hasil proses transformasi wavelet yang melakukan dekorelasi pixel dan citra, dapat dikodekan

lebih efisien dibandingkan dengan citra aslinya. Informasi visual yang penting dapat dimampatkan

ke dalam sejumlaj kecil koefisien (koefisien aproksimasi) dan koefisien sisanya (koenfisien detil,

horizontal, dan vertical) dikuantisasi atau dijadikan 0, tanpa menyebabkan distorsi terlalu banyak

pada citra.

11. Kompresi dengan Metode Fraktal

Kompresi dengan metode fraktal dilakukan atas dasar self-similarity local pada citra.