13519177 M. Ibnu Syah Hafizh.pdf
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Dalam dunia sepak bola, analisis video pertandingan, khususnya identifikasi aksi dalam
pertandingan sepak bola merupakan aspek yang penting untuk melihat dan memahami pola
permainan, menganalisis taktik, pelatihan pemain, hingga pertimbangan strategi tim. Selama ini,
analisis video dilakukan secara manual oleh analis atau pelatih yang memerlukan waktu dan tenaga
yang signifikan. Namun, dengan perkembangan teknologi, khususnya di bidang pembelajaran
mesin dan pengenalan pola, proses analisis ini dapat dioptimalkan dan ditingkatkan efisiensinya.
Salah satu teknologi yang berpotensi dapat berperan dalam permasalahan ini adalah deep
learning. Deep learning merupakan subbidang dalam kecerdasan buatan. Saat ini, terdapat
beberapa model deep learning untuk mengenali aksi pada video pertandingan sepak bola, seperti
NetVLAD, AudioVid, dan Context Aware Loss Function (CALF). Dalam tugas akhir ini,
diusulkan pendekatan baru, yaitu Temporal Context Aggregation (TCA), sebuah model deep
learning yang terinspirasi dari NetVLAD dan CALF. TCA mempertimbangkan konteks temporal
dalam pembelajaran dan pengenalan aksi. Konteks temporal disekitar aksi merupakan faktor
penting dalam pemahaman aksi yang terjadi dalam sebuah video, karena mengandung informasi
urutan dan durasi dari aksi yang terjadi.
Dalam penelitian ini, model TCA dilatih menggunakan data video pertandingan sepak bola
dan label-label aksi yang didapat dari dataset SoccerNet. Selanjutnya, dilakukan serangkaian
eksperimen pada model yang telah dilatih untuk menguji kinerja model TCA. Hasilnya, model ini
berhasil menghasilkan nilai average mAP yakni 51,62%, mengungguli metode pengenalan aksi
yang ada saat ini. Melalui penelitian ini, diharapkan dapat memberikan wawasan baru dan
memperluas cakupan aplikasi teknologi deep learning dalam analisis video pertandingan sepak
bola.