Perpustakaan Digital ITB

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.