Compression Lab

Masalahnya

Kebanyakan penjelasan tentang kompresi data mengajarkan tiga algoritma dan menyiratkan ada satu "batas entropi" yang didekati semuanya. Gambaran itu keliru, dan kekeliruannya justru menarik. Seberapa hemat sebuah teks bisa disimpan bergantung pada seberapa banyak yang diingat oleh kompresornya. Kalau ia melihat satu huruf sebelumnya, biayanya turun. Kalau melihat dua huruf, turun lagi. Tapi setiap langkah membuat modelnya makin besar, dan model itu harus ikut disimpan bersama datanya.

Jadi ukuran sebenarnya adalah teks terkompresi ditambah modelnya, dan ada titik terbaik yang bergeser mengikuti panjang teks. Penjelasan yang ada tidak pernah menghitung modelnya, sehingga pertukaran itu tidak pernah terlihat. Saya membuat Compression Lab untuk mahasiswa, engineer otodidak, dan siapa pun yang samar-samar masih ingat Huffman coding dari kuliah.

Yang saya bangun

Satu grafik memuat seluruh argumennya

Grafik utamanya menampilkan enam tingkat ingatan model sebagai anak tangga yang menurun. Di atasnya digambar laju yang dicapai setiap kompresor, ukuran model sebagai kurva yang naik, dan totalnya sebagai kurva ketiga dengan titik terendah yang ditandai. Tempelkan teks yang lebih panjang, dan titik terendah itu bergeser ke kanan. Momen itu menyampaikan argumennya tanpa perlu satu paragraf penjelasan.

Ukuran model diukur per byte

Saya menulis kode yang menyimpan setiap model sebagai deretan byte dan kode yang membacanya kembali. Tes memastikan decoder yang hanya diberi teks terkompresi dan byte model itu bisa membangun ulang teks aslinya dengan tepat, di setiap tingkat. Biaya model di layar adalah panjang byte tersebut. Kalau angka itu hanya perkiraan, titik terendah di grafik akan jadi karangan.

Setiap kompresor bisa membalik hasilnya

Tidak ada yang memakai aplikasi ini untuk dekompresi. Tapi kompresor tanpa pasangan dekompresornya belum terbukti, padahal klaim aplikasi ini adalah angkanya benar. Jadi ketiga kompresor punya decoder, dan tes mengujinya bolak-balik dengan input yang merepotkan: string kosong, satu karakter, karakter di luar rentang Unicode dasar, dan semua contoh bawaan.

Gambarnya memutar ulang perhitungan yang sebenarnya

Setiap kompresor mencatat apa yang dilakukannya saat berjalan: urutan Huffman menggabungkan simbol, tempat jendela geser menemukan kecocokan, dan interval di setiap langkah arithmetic coding. Tampilan menggambar catatan itu dan tidak pernah menjalankan algoritmanya untuk kedua kali. Teks kita sendiri juga diwarnai huruf demi huruf sesuai jumlah bit yang dibutuhkannya, jadi strukturnya muncul saat ingatan model dinaikkan.

Uji empat bahasa yang melaporkan kedua hasilnya

Aplikasi ini membandingkan Deklarasi Universal Hak Asasi Manusia yang sama dalam bahasa Inggris, Indonesia, Jerman, dan Finlandia. Gagasan yang diuji: bahasa yang membentuk kata dari tumpukan imbuhan menyimpan pengulangan tersembunyi yang bisa ditemukan oleh pencocokan pola. Bahasa Indonesia mendapat keuntungan terbesar. Bahasa Finlandia, yang paling kaya imbuhan di antara keempatnya, tidak. Halaman ini melaporkan keduanya dan menyatakan bahwa empat teks tidak cukup untuk menjawab pertanyaan itu.

Hasilnya

Compression Lab sudah live, dengan halaman terpisah yang menjelaskan metodenya. Seluruh mesinnya adalah kode saya sendiri: model frekuensi, Huffman coding, arithmetic coding, dan kompresor jendela geser. Tidak ada pustaka kompresi, statistik, atau grafik yang dipakai. Menghitung ulang keenam tingkat butuh sekitar 14 milidetik di mesin saya, masih di dalam anggaran 16 milidetik, jadi grafik diperbarui selagi kita mengetik. Tidak ada teks yang ditempel yang keluar dari browser. Saya membangunnya selama dua hari, 2 dan 3 September 2026.