Mata merupakan salah satu panca indra yang digunakan manusia untuk melihat. Namun mata manusia memiliki keterbatasan dalam menangkap sinyal elektromagnetik. Oleh karena itu, diciptakan mesin pencitraan yang dapat menangkap hampir keseluruhan sinyal elektromagnetik. Mesin pencitraan dapat bekerja dengan citra dari sumber yang tidak dapat ditangkap dengan penglihatan manusia. Salah satu teknik pengolahan citra yang digunakan adalah deteksi tepi. Deteksi tepi adalah hal yang umum dalam proses pengolahan citra digital karena merupakan salah satu langkah awal dalam melakukan segmentasi citra, yang bertujuan untuk mempresentasikan objek-objek yang terkandung dalam citra tersebut. Deteksi tepi berfungsi untuk mengidentifikasikan garis batas dari suatu objek terhadap latar belakang yang saling tumpang tindih.Saat ini telah ada beberapa metode yang dapat digunakan untuk pendeteksian tepi, contohnya adalah metode sobel, canny, prewitt, frei-chen dan SUSAN. Dalam penelitian ini diambil 2 metode untuk perbandingan yaitu algoritma frei-chen dengan algoritma SUSAN. Dari hasil penelitian menunjukan bahwa kedua operator berhasil dengan baik dalam mendeteksi tepi pada sebuah citra. Pada saat mendeteksi tepi pada citra yang mengandung noise algoritma frei-chen lebih baik dalam melakukan pendeteksian tepi. Secara objektif dapat dilihat nilai PSNR (Peak Signals Noise Ratio) yang dimiliki algoritma frei-chen cenderung lebih tinggi.

The eyes are one of the five senses used by human to see, but the human eyes have limitations to capture the electromagnetic signals. Therefore, a computer or image processor was designed to capture entirely most electromagnetic signals. The image processor could analyze the images which could not be captured by human eyes and the images from unfitted or unmatched sources. One of the image processing techniques which are well known is the edge detection method. Edge detection is commonly applied in digital image processing particularly in the image segmentation step. This method is used for identifying the boundary of an object from its overlapping background. Then the segmentation aims to portray the objects that contained within the image. These recent days, there are several edge detection methods, such as the Sobel, Canny, Prewitt, frei-chen and SUSAN (Smallest Univalue Segment Assimilating Nucleus). In this study two methods were used and compared; they are the frei-chen and SUSAN algorithm. The results show that both of algorithms did well in detecting edges in an image. Frei-chen algorithm is better than SUSAN algorithm in edge detection of images that contain noises. Objectively, frei-chen algorithm PSNR (Peak Signals Noise Ratio) values are higher than SUSAN algorithm.

https://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-muhmmadadh-28017