Efisiensi dalam pengkodean informasi mengacu pada:

Panjang rata-rata kode dibandingkan dengan entropi.

Jumlah total kode yang digunakan.

Redundansi dalam pengkodean informasi adalah:

Penambahan simbol yang tidak diperlukan.

Pengurangan ketidakpastian dalam kode.

Pengkodean Shannon-Fano bekerja dengan cara:

Membagi simbol berdasarkan frekuensi menjadi dua grup dengan jumlah frekuensi yang hampir sama.

Membagi simbol secara acak menjadi dua grup.

Memberikan kode dengan panjang tetap untuk semua simbol.

Memberikan kode terpendek untuk simbol paling jarang.

Sumber informasi tanpa ingatan adalah:

Sumber yang simbolnya tidak memiliki hubungan satu sama lain.

Sumber yang simbolnya tergantung pada simbol sebelumnya.

Sumber yang simbolnya memiliki ketergantungan jangka panjang.

Sumber dengan ketidakpastian maksimum.

Pada kanal komunikasi, tujuan utama penggunaan kode koreksi kesalahan adalah:

Menambah redundansi untuk mendeteksi dan memperbaiki kesalahan.

Mengurangi ketidakpastian dalam pesan yang diterima.

Mengurangi panjang pesan yang dikirimkan.

Meningkatkan kecepatan transmisi.

Hamming Code digunakan untuk:

Mendeteksi dan memperbaiki kesalahan dalam pesan yang dikirimkan.

Meningkatkan efisiensi pengkodean.

Menambah ketidakpastian dalam pesan.

Mengurangi panjang pesan yang dikirimkan.

Dalam Hamming Code, jarak Hamming adalah:

Jumlah bit yang berbeda antara dua kode.

Jumlah bit yang sama antara dua kode.

Mutual information juga dapat didefinisikan sebagai:

Perbedaan antara entropi variabel acak dengan entropi kondisionalnya.

Entropi total dari dua variabel acak.

Jumlah dari entropi individu dua variabel acak.

Jumlah ketidakpastian dalam dua variabel acak.

Redundansi dalam sebuah pesan berguna untuk:

Mendeteksi dan memperbaiki kesalahan.

Pada pengkodean Huffman, sebuah pohon binary dibangun berdasarkan:

Frekuensi atau probabilitas simbol.

Pengkodean Shannon-Fano dimulai dengan:

Mengurutkan simbol berdasarkan frekuensi.

Membagi simbol menjadi dua grup dengan jumlah frekuensi yang hampir sama.

Menggabungkan simbol dengan probabilitas rendah.

Mengurutkan simbol berdasarkan panjang.

Efisiensi dari sebuah kode pengkodean adalah:

Rasio antara entropi dan panjang rata-rata kode.

Rasio antara panjang rata-rata kode dan entropi.

Jumlah total simbol dalam pesan.

Jumlah total kode yang digunakan.

Dalam teori informasi, informasi yang diukur dalam bit menunjukkan:

Jumlah pengurangan ketidakpastian.

Jumlah total kode yang digunakan.

Mutual information antara dua variabel acak adalah nol ketika:

Kedua variabel acak adalah independen.

Kedua variabel memiliki ketidakpastian maksimum.

Kedua variabel memiliki entropi yang sama.

Kedua variabel saling berhubungan erat.

Entropi maksimum dari sebuah variabel acak tercapai ketika:

Semua simbol memiliki probabilitas yang sama.

Satu simbol memiliki probabilitas satu, yang lain nol.

Simbol dengan probabilitas rendah lebih sering muncul.

Simbol dengan probabilitas tinggi lebih sering muncul.

Sebuah sumber informasi tanpa ingatan menghasilkan:

Simbol dengan probabilitas tetap dan independen.

Simbol dengan probabilitas yang berubah.

Simbol dengan ketergantungan jangka panjang.

Simbol dengan ketergantungan pendek.

Mutual information adalah:

Selisih antara entropi total dan entropi kondisional.

Jumlah dari dua entropi variabel acak.

Jumlah ketidakpastian dalam dua variabel acak.

Rata-rata ketidakpastian dua variabel acak.

Entropi suatu pesan adalah ukuran dari:

Ketidakpastian rata-rata dalam pesan.

Tujuan dari pengkodean entropi adalah:

Mengurangi panjang pesan yang dikirim.

Menambah ketidakpastian dalam pesan.

Meningkatkan redundansi dalam pesan.

Mengurangi kesalahan dalam pesan.

Pada pengkodean Huffman, pohon binary dibangun berdasarkan:

Frekuensi atau probabilitas simbol.

Redundansi dalam pengkodean informasi mengacu pada:

Jumlah bit tambahan yang digunakan untuk mengoreksi kesalahan.

Jumlah bit yang dihilangkan untuk efisiensi.

Efisiensi dari sebuah kode pengkodean adalah:

Rasio antara entropi dan panjang rata-rata kode.

Jumlah total simbol dalam pesan.

Panjang total kode yang digunakan.

Pada Hamming Code, jarak Hamming antara dua kode adalah:

Jumlah bit yang berbeda antara dua kode.

Jumlah bit yang sama antara dua kode.

Entropi bersama dari dua variabel acak $X$ dan $Y$ adalah:

Entropi dari distribusi gabungan $X$ dan $Y$.

Entropi total dari $X$ dan $Y$.

Entropi total dari $X$ ditambah $Y$.

Entropi dari distribusi marginal $X$ atau $Y$.

Redundansi dalam sebuah pesan adalah:

Penambahan simbol yang tidak diperlukan.

Pengurangan simbol yang tidak diperlukan.

Jumlah total kode yang digunakan.

Dalam pengkodean Shannon-Fano, simbol diurutkan berdasarkan:

Probabilitas simbol dari yang terbesar hingga terkecil.

Probabilitas simbol dari yang terkecil hingga terbesar.

Panjang simbol dari yang terpanjang hingga terpendek.

Panjang simbol dari yang terpendek hingga terpanjang.

Sumber informasi tanpa ingatan menghasilkan simbol dengan:

Probabilitas tetap dan independen.

Probabilitas yang berubah dan bergantung satu sama lain.

Probabilitas tetap dan bergantung satu sama lain.

Probabilitas yang berubah dan independen.

Kanal komunikasi dengan kapasitas terbesar adalah kanal yang:

Mempunyai kecepatan transmisi tertinggi.

Mengurangi kesalahan sampai nol.

Mempunyai efisiensi pengkodean tertinggi.

Hamming Code digunakan untuk:

Mendeteksi dan memperbaiki kesalahan dalam pesan yang dikirimkan.

Dalam teori informasi, mutual information antara dua variabel acak adalah:

Perbedaan antara entropi variabel acak dengan entropi kondisionalnya.

Jumlah entropi dari dua variabel acak.

Jumlah ketidakpastian dalam dua variabel acak.

Rata-rata ketidakpastian dua variabel acak.

Entropi maksimum dari sebuah variabel acak tercapai ketika:

Semua simbol memiliki probabilitas yang sama.

Satu simbol memiliki probabilitas satu, yang lain nol.

Simbol dengan probabilitas rendah lebih sering muncul.

Simbol dengan probabilitas tinggi lebih sering muncul.

Mutual information antara dua variabel acak adalah nol ketika:

Kedua variabel acak adalah independen.

Kedua variabel memiliki ketidakpastian maksimum.

Kedua variabel memiliki entropi yang sama.

Kedua variabel saling berhubungan erat.

Efisiensi pengkodean dalam teori informasi mengacu pada:

Panjang rata-rata kode dibandingkan dengan entropi.

Jumlah total kode yang digunakan.

Pengkodean Shannon-Fano bekerja dengan cara:

Membagi simbol berdasarkan frekuensi menjadi dua grup dengan jumlah frekuensi yang hampir sama.

Membagi simbol secara acak menjadi dua grup.

Memberikan kode dengan panjang tetap untuk semua simbol.

Memberikan kode terpendek untuk simbol paling jarang.

Dalam komunikasi data, kapasitas kanal adalah:

Jumlah bit yang dapat dikirimkan per detik.

Jumlah simbol yang dapat dikirimkan per detik.

Mutual information dapat didefinisikan sebagai:

Selisih antara entropi total dan entropi kondisional.

Entropi total dari dua variabel acak.

Jumlah dari entropi dua variabel acak.

Perbedaan antara entropi dua variabel acak.

Sumber informasi tanpa ingatan adalah:

Sumber yang simbolnya tidak memiliki hubungan satu sama lain.

Sumber yang simbolnya tergantung pada simbol sebelumnya.

Sumber yang simbolnya memiliki ketergantungan jangka panjang.

Sumber dengan ketidakpastian maksimum.

UAS_TeoInfo_CD

Authored by Bambang Hermanto

Computers

11th Grade

Used 2+ times

AI Actions

Add similar questions

Adjust reading levels

Convert to real-world scenario

Translate activity

More...

Content View

Student View

73 questions

Show all answers

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Mutual information antara dua variabel acak $X$ dan $Y$ mengukur:

Ketidakpastian total dalam $X$.

Pengurangan ketidakpastian $X$ diberikan $Y$.

Jumlah ketidakpastian dalam $X$ dan $Y$.

Ketidakpastian total dalam $Y$.

MULTIPLE CHOICE QUESTION

30 sec • 3 pts

Pernyataan berikut yang paling menggambarkan entropy coding adalah:

Skema pengkodean yang menggunakan kode terpendek untuk simbol paling jarang.

Skema pengkodean yang menggunakan kode dengan panjang sama untuk semua simbol.

Skema pengkodean yang menggunakan kode terpendek untuk simbol paling sering.

Skema pengkodean yang mengurangi redundansi dalam data yang dikirimkan.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Perbedaan utama antara pengkodean Huffman dan pengkodean Shannon-Fano adalah:

Pengkodean Huffman menghasilkan kode yang lebih panjang.

Pengkodean Shannon-Fano menghasilkan kode yang lebih panjang.

Pengkodean Huffman menggunakan probabilitas simbol.

Pengkodean Shannon-Fano menggunakan probabilitas simbol.

MULTIPLE CHOICE QUESTION

30 sec • 3 pts

Entropy sebuah variabel acak mengukur:

Ketidakpastian rata-rata variabel tersebut.

Informasi total dalam variabel tersebut.

Redundansi variabel tersebut.

Efisiensi variabel tersebut.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Tujuan utama dari pengkodean entropi adalah:

Meningkatkan panjang pesan yang dikirimkan.

Mengurangi ketidakpastian dalam pesan.

Mengurangi redundansi dalam pesan.

Menambah redundansi dalam pesan.

MULTIPLE CHOICE QUESTION

30 sec • 3 pts

Dalam pengkodean Huffman, simbol dengan probabilitas tinggi:

Diberikan kode yang lebih panjang.

Diberikan kode yang lebih pendek.

Diabaikan dalam pengkodean.

Diberikan kode dengan panjang tetap.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Kelebihan utama pengkodean Huffman dibandingkan pengkodean Shannon-Fano adalah:

Lebih sederhana untuk diimplementasikan.

Memberikan kode yang lebih optimal.

Menghasilkan kode dengan panjang tetap.

Tidak ada kelebihan utama.

Access all questions and much more by creating a free account

Create resources

Host any resource

Get auto-graded reports

Continue with Google

Continue with Email

Continue with Classlink

Continue with Clever

or continue with

Microsoft

Apple

Others

Already have an account?

Popular Resources on Wayground

15 questions

Fractions on a Number Line

Quiz

•

3rd Grade

10 questions

Probability Practice

Quiz

•

4th Grade

15 questions

Probability on Number LIne

Quiz

•

4th Grade

20 questions

Equivalent Fractions

Quiz

•

3rd Grade

25 questions

Multiplication Facts

Quiz

•

5th Grade

$fractions$

22 questions

fractions

Quiz

•

3rd Grade

6 questions

Appropriate Chromebook Usage

Lesson

•

7th Grade

10 questions

Greek Bases tele and phon

Quiz

•

6th - 8th Grade

Discover more resources for Computers

14 questions

[AP CSP] JavaScript Programming Quiz

Quiz

•

9th - 12th Grade

10 questions

Understanding Computers and Computer Engineering

Interactive video

•

7th - 12th Grade

37 questions

Python - Tuples, Lists, and List Methods

Quiz

•

9th - 12th Grade

UAS_TeoInfo_CD

Mutual information antara dua variabel acak \(X\) dan \(Y\) mengukur:

Pernyataan berikut yang paling menggambarkan entropy coding adalah:

Perbedaan utama antara pengkodean Huffman dan pengkodean Shannon-Fano adalah:

Entropy sebuah variabel acak mengukur:

Tujuan utama dari pengkodean entropi adalah:

Dalam pengkodean Huffman, simbol dengan probabilitas tinggi:

Kelebihan utama pengkodean Huffman dibandingkan pengkodean Shannon-Fano adalah:

Efisiensi dalam pengkodean informasi mengacu pada:

Redundansi dalam pengkodean informasi adalah:

Pengkodean Shannon-Fano bekerja dengan cara:

Access all questions and much more by creating a free account

Popular Resources on Wayground

Discover more resources for Computers