Mengidentifikasikan Pemain Sepak Bola Dari Berbagai Rekaman Pertandingan Sepak Bola Menggunakan Deep Learning

Putra, Ananta Satya Sandana Arya (2025) Mengidentifikasikan Pemain Sepak Bola Dari Berbagai Rekaman Pertandingan Sepak Bola Menggunakan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024211052-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Pelacakan pemain sepak bola secara otomatis di antara berbagai sudut pandang kamera adalah salah satu tantangan utama dalam pengembangan teknologi analisis video untuk olahraga. Identifikasi ulang pemain, atau Re-Identifikasi (ReID), merupakan teknik yang memungkinkan pelacakan pemain secara akurat melalui rekaman dari berbagai kamera yang berbeda. Tan- tangan ini sangat relevan dalam menciptakan sorotan pertandingan yang dipersonalisasi serta mendukung sistem Video Assistant Referee (VAR) untuk membantu pengambilan keputusan dalam pertandingan. Penelitian ini bertujuan untuk mengembangkan metode re-identifikasi pemain sepak bola yang efisien dengan menggunakan dataset SoccerNet Re-Identification (ReID), yang terdiri dari 340.993 gambar pemain dari berbagai sudut pandang kamera. Dalam penelitian ini, kotak pem- batas pemain dari setiap bingkai video akan dianalisis dan dihubungkan di antara berbagai per- spektif kamera. Evaluasi kinerja sistem dilakukan menggunakan metrik retrieval-mAP (mean Average Precision) untuk mengukur akurasi identifikasi ulang pemain. Penelitian ini dibatasi pada penggunaan dataset SoccerNet ReID, yang mencakup beber- apa kelas Identifikasi seperti pemain tim kiri, pemain tim kanan, penjaga gawang, serta wasit. Penelitian ini juga dibatasi pada penggunaan metrik retrieval-mAP sebagai evaluasi utama tanpa melibatkan metrik tambahan. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan sistem analisis otomatis dalam pertandingan sepak bola, khususnya untukmeningkatkan kinerja teknologi pendukung VAR dan penyediaan sorotan pertandingan yang lebih akurat dan dinamis.
=====================================================================================================================================
Automatic tracking of soccer players among different camera viewpoints is one of the main challenges in the development of video analytics technology for sports. Player re-identification, or Re-Identification (ReID), is a technique that enables accurate player tracking through footage from different cameras. This challenge is particularly relevant in creating personalized match highlights as well as supporting Video Assistant Referee (VAR) systems to aid in in-match deci- sion making. This research aims to develop an efficient soccer player re-identification method using the SoccerNet Re-Identification (ReID) dataset, which consists of 340,993 player images from different camera viewpoints. In this study, the player bounding box of each video frame will be analyzed and correlated among different camera perspectives. System performance evaluation is performed using the retrieval metric-mAP (mean Average Precision) to measure the accuracy of player re-identification. This research is limited to using the SoccerNet ReID dataset, which includes several iden- tification classes such as left team players, right team players, goalkeepers, and referees. This research is also limited to using the retrieval-mAP metric as the main evaluation without involv- ing additional metrics. The results of this research are expected to contribute to the development of automated analysis systems in soccer matches, particularly to improve the performance of VAR support technologies and the provision of more accurate and dynamic match highlights.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Re-Identifikasi Pemain, Video Assistant Referee (VAR), Analisis Video Sepak Bola.Player Re-Identification, Video Assistant Referee (VAR), Soccer Video Analysis.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing T Technology > T Technology (General) > T59.7 Human-machine systems.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Ananta Satyasandana Arya Putra
Date Deposited:	06 Aug 2025 00:49
Last Modified:	06 Aug 2025 00:50
URI:	http://repository.its.ac.id/id/eprint/120540

Actions (login required)

View Item