Komparasi Performa Algoritma Kompresi Data Lossless Menggunakan Rasio Kompresi Dan Penghematan Ruang
DOI:
https://doi.org/10.32664/j-intech.v11i1.863Kata Kunci:
kompresi, lossless, rasio kompresi, penghematan ruangAbstrak
Pertumbuhan data merupakan tantangan besar. Tujuan dari kompresi data adalah untuk mengurangi jumlah bit yang dibutuhkan untuk merepresentasikan informasi yang berguna. Kompresi data dapat digunakan untuk meningkatkan efisiensi penyimpanan, transmisi, dan perlindungan data. Algoritma lossless dapat dengan persis merekonstruksi data asli dari data terkompresi. Kompresi lossless sering digunakan untuk data yang perlu disimpan atau dikirim secara akurat. Beberapa metode dan algoritma kompresi lossless diantaranya seperti Lempel–Ziv–Markov chain algorithm (LZMA), Prediction by partial matching (PPM), Burrows-Wheeler block sorting text compression algorithm and Huffman coding (BZip2), dan Deflate. Meskipun semua sistem kompresi didasarkan pada prinsip yang sama, tetap seharusnya ada perbedaan performa. Karena itu dibutuhkan sebuah panduan umum untuk membantu menentukan pilihan algoritma kompresi data yang paling tepat untuk digunakan. Penelitian ini bertujuan untuk menentukan algoritma kompresi data yang memiliki performa terbaik, berdasarkan komparasi menggunakan nilai Rasio Kompresi dan Penghematan Ruang. Tahapan penelitian dimulai dengan penentuan algoritma kompresi yang digunakan, persiapan data, pengujian performa, untuk kemudian dilakukan pembahasan dan ditarik kesimpulan. Hasil penelitian menunjukkan bahwa rasio kompresi dan penghematan ruang yang bisa dicapai secara spesifik akan bergantung pada data yang digunakan. Meskipun rata-rata nilai performa kompresi tidak terlalu jauh, tapi secara umum LZMA2 menunjukkan hasil terbaik dengan rasio kompresi 1,457 dan penghematan ruang 15,00%. Hasil pengujian ini diharapkan dapat digunakan sebagai gambaran umum dalam membantu memilih algoritma kompresi data lossless.
Referensi
Akoğuz, A., Bozkurt, S., Gözütok, A., Alp, G., Turan, E., Bogaz, M., & Kent, S. (2016). Comparison Of Open Source Compression Algorithms On Vhr Remote Sensing Images For Efficient Storage HIERARCHY. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3–9. https://doi.org/http://dx.doi.org/10.5194/isprsarchives-XLI-B4-3-2016
Delaunay, X., Courtois, A., & Gouillon, F. (2019). Evaluation of lossless and lossy algorithms for the compression of scientific datasets in netCDF-4 or HDF5 files. Geoscientific Model Development (GMD), 12(9), 4099–4113. https://doi.org/https://doi.org/10.5194/gmd-12-4099-2019
Fitriya, L. A., Purboyo, T. W., & Prasasti, A. L. (2017). A Review of Data Compression Techniques. International Journal of Applied Engineering Research, 12(19), 8956–8963.
Gupta, A., Bansal, A., & Khanduja, V. (2017). Modern lossless compression techniques: Review, comparison and analysis. 2017 Second International Conference on Electrical, Computer and Communication Technologies (ICECCT). https://doi.org/https://doi.org/10.1109/ICECCT.2017.8117850
Haque, M. J., & Huda, M. N. (2017). Study on Data Compression Technique. International Journal of Computer Applications, 159(5), 6–13. https://doi.org/http://dx.doi.org/10.5120/ijca2017912416
Hosseini, M. (2012). A Survey of Data Compression Algorithms and their Applications. Applications of Advanced Algorithm. https://doi.org/http://dx.doi.org/10.13140/2.1.4360.9924
Hutagalung, R. (2018). Implementasi Algoritma Prediction By Partial Matching (Ppm) Pada Kompresi File Teks Terenkripsi Elgamal. JURIKOM (Jurnal Riset Komputer), 5(6), 611–620. https://doi.org/http://dx.doi.org/10.30865/jurikom.v5i6.1196
Jayasankar, U., Thirumal, V., & Ponnurangam, D. (2021). A survey on data compression techniques: From the perspective of data quality, coding schemes, data type and applications. Journal of King Saud University - Computer and Information Sciences, 33(2), 119–140. https://doi.org/https://doi.org/10.1016/j.jksuci.2018.05.006
K.Muthuchamy. (2018). A Study on Various Data Compression Types and Techniques. International Journal of Research and Analytical Reviews (IJRAR), 5(3), 945–950.
Oswal, S., Singh, A., & Kumari, K. (2016). Deflate Compression Algorithm. International Journal of Engineering Research and General Science, 4(1), 430–436.
Sayood, K. (2012). Dictionary Techniques. In Introduction to Data Compression (4th ed., pp. 135–136). Elsevier.
Taylor, P. (2022). Total data volume worldwide 2010-2025 | Statista. Statista. https://www.statista.com/statistics/871513/worldwide-data-created/
Usama, M., Malluhi, Q. M., Zakaria, N., Razzak, I., & Iqbal, W. (2021). An efficient secure data compression technique based on chaos and adaptive Huffman coding. Peer-to-Peer Networking and Applications, 14(3), 2651–2664. https://doi.org/https://doi.org/10.1007/s12083-020-00981-8
Yang, Y., Mandt, S., & Theis, L. (2023). An Introduction to Neural Data Compression. Foundations and Trends in Computer Graphics and Vision, 15(2), 113–200. https://doi.org/https://doi.org/10.1561/0600000107
