Klasifikasi Jenis Pelanggaran Pada Pertandingan Sepak Bola Menggunakan CNN

Nurferian, Sendy Prismana (2026) Klasifikasi Jenis Pelanggaran Pada Pertandingan Sepak Bola Menggunakan CNN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5024211012_Undergraduated_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (14MB) | Request a copy

Abstract

Keputusan wasit dalam sepak bola seringkali kontroversial, terutama terkait pelanggaran. Sistem saat ini masih bergantung pada pengawasan manusia, yang tidak sepenuhnya bebas dari kesalahan, bahkan setelah penggunaan teknologi Video Assistant Referee (VAR) untuk membantu wasit dalam pengambilan keputusan. Oleh karena itu, sistem otomatis yang dapat secara akurat membantu wasit dalam mengidentifikasi dan mengklasifikasikan pelanggaran sangat diperlukan. Tujuan studi ini adalah untuk mengembangkan dan mengevaluasi model deep learning yang dapat secara otomatis mengenali pelanggaran dalam sepak bola, dengan fokus pada analisis gambar tunggal untuk efisiensi yang lebih tinggi. Pendekatan yang digunakan dalam penelitian ini adalah analisis komparatif antara dua ar sitektur Convolutional Neural Network (CNN) yang fundamental berbeda. Fungsi utama model ini adalah mengklasifikasikan citra ke dalam dua kategori pelanggaran utama, yaitu tackle (tekel) dan handball. Arsitektur pertama, ResNet, diimplementasikan untuk mengejar akurasi maksimal, sementara arsitektur kedua, MobileNet, diimplementasikan untuk menguji efisiensi komputasi. Dataset yang digunakan merupakan kompilasi dari 2004 citra yang diekstraksi dari berbagai sumber publik, termasuk Kaggle, YouTube, dan YouTube Shorts. Hasil pengujian menunjukkan bahwa ResNet mencapai akurasi superior sebesar 86%, sedangkan MobileNet menunjukkan efisiensi luar biasa dengan waktu inferensi rata-rata 18ms per frame pada akurasi 56%. Tujuan penelitian ini adalah untuk mengembangkan sistem pengenalan pelanggaran otoma tis yang tidak hanya akurat tetapi juga cukup cepat untuk aplikasi di dunia nyata. Dengan menyajikan perbandingan langsung antara akurasi dan efisiensi, diharapkan sistem ini dapat mengurangi kesalahan manusia dalam pengambilan keputusan terkait pelanggaran, menawarkan dukungan keputusan yang lebih objektif bagi wasit, dan pada akhirnya meningkatkan kualitas serta keadilan pertandingan sepak bola secara keseluruhan.
============================================================================================================================
The approach used in this study is a comparative analysis between two fundamentally different Convolutional Neural Network (CNN) architectures. The primary function of the models is to classify an image into two main foul categories: tackle and handball. The first architecture, ResNet, was implemented to pursue maximum accuracy, while the second architecture, MobileNet, was implemented to test for computational efficiency. The dataset used is a compilation of approximately 2004 images extracted from various public sources, including Kaggle, YouTube, and YouTube Shorts. Test results show that ResNet achieves a superior accuracy of 86%, while MobileNet demonstrates exceptional efficiency with an average inference time of 18ms per frame at 56% accuracy. The goal of this research is to develop an automatic foul recognition system that is not only accurate but also fast enough for real-world applications. By presenting a direct comparison between accuracy and efficiency, it is anticipated that this system will reduce human error in foul-related decision-making, offer more objective decision support for referees, and ultimately enhance the overall quality and fairness of football matches.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Deep Learning, Klasifikasi Citra, Pelanggaran Sepak Bola, VAR, Convolu￾tional Neural Network (CNN), ResNet, MobileNet. Deep Learning, Image Classification, Football Foul, VAR, Convolutional Neu￾ral Network (CNN), ResNet, MobileNet.
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Sendy Prismana Nurferian
Date Deposited:	22 Jan 2026 02:25
Last Modified:	22 Jan 2026 02:25
URI:	http://repository.its.ac.id/id/eprint/130026

Actions (login required)

View Item