Perpustakaan Digital ITB

Video pertandingan sepak bola mengandung beragam aksi yang bersifat penting seperti gol, pelanggaran, dan tendangan bebas. Namun, aksi-aksi tersebut cenderung jarang terjadi dibandingkan latar belakang non-aksi sehingga menyebabkan ketidakseimbangan kelas (class imbalance) yang signifikan pada data. Ketidakseimbangan ini berdampak negatif terhadap performa model action recognition yang dilatih menggunakan arsitektur LSTM. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai metode sampling dalam menangani masalah tersebut. Beberapa metode yang diujikan mencakup uniform sampling, event-based sampling, dan random seek yang diusulkan dalam penelitian ini. Dataset yang digunakan adalah hasil ekstraksi fitur video pertandingan sepak bola yang telah dilabeli berdasarkan jenis aksi yang kemudian dilakukan sampling berdasarkan ketiga metode yang diujikan. Kemudian data dilatih menggunakan LSTM dan dievaluasi berdasarkan metrik mean average precision (mAP) dan F1-score per kelas aksi. Hasil eksperimen menunjukkan bahwa metode random seek secara konsisten meningkatkan performa model pada kelas-kelas minoritas tanpa menurunkan performa secara keseluruhan. Kesimpulannya, pemilihan strategi sampling yang tepat berperan krusial dalam meningkatkan kemampuan model dalam mendeteksi aksi-aksi penting pada video sepak bola, terutama pada skenario dengan distribusi kelas yang tidak merata.