Klasifikasi Multi Objek pada Robot Humanoid dalam Permainan Sepak Bola

Ar Razi, Muhammad Reza (2019) Klasifikasi Multi Objek pada Robot Humanoid dalam Permainan Sepak Bola. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 051115400001650-Undergraduate_Theses.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

RoboCup Soccer adalah upaya berkelanjutan untuk mengembangkan robot sepak bola humanoid, dengan visi memenangkan pertandingan melawan tim juara dunia FIFA pada tahun 2050. Setiap tahun, liga sepak bola RoboCup selalu melakukan pengembangan dalam aturan pertandingan agar tim yang berpartisipasi mengembangkan fitur yang lebih canggih untuk robot mereka, serta membuat kompetisi lebih mirip dengan pertandingan sebenarnya. Pada peraturan terbaru liga sepak bola RoboCup, mengalami banyak perubahan yang mempengaruhi persepsi visual, yang salah satunya ialah pengurangan kode warna pada objek di lapangan. Pada tugas akhir ini dilakukan klasifikasi multi objek pada robot humanoid dalam permainan sepak bola menggunakan berbagai metode, dan akan dibandingkan hasilnya dengan masing-masing metode. Metode pertama menggunakan fitur Histogram of Oriented Gradient (HOG) dari objek bola dan non-bola. Setelah itu dilakukan klasifikasi biner dengan Support Vector Machine (SVM). Metode kedua, pada data positif dan negatif dari bola dilakukan ekstraksi fitur Local Binary Patter (LBP). Dilanjutkan dengan klasifikasi biner menggunakan Cascade Classifier. Pendeteksian objek untuk 2 metode tersebut, menggunakan algoritma sliding window dan image pyramid. Untuk lebih meningkatkan performa pendeteksian objek pada robot sepak bola agar lebih banyak kelas yang dideteksi, maka metode ketiga menggunakan Deep Learning untuk pengklasifikasiannya dan Single Shoot multibox Detector untuk lokalisasi objek. Kelas-kelas objek yang akan diklasifikasikan yaitu: bola, gawang, titik pinalti, garis siku, persimpangan “X” dan persimpangan “T”. Dari beberapa metode diatas, didapatkan hasil yang terbaik menggunakan metode ektraksi fitur LBP dan pengklasifikasian Cascade. Dengan metode tersebut didapatkan nilai presisi sebesar 0.96, recall sebesar 0.86 dan akurasi sebesar 0.94. Metode ini dianggap cocok untuk digunakan pada robot humanoid karena memiliki waktu komputasi yang cepat yaitu 19 ms.
====================================================================================================================================
RoboCup Soccer is a continuing effort to develop humanoid soccer robots, with the vision of winning matches against FIFA world championship teams in 2050. Every year, the RoboCup soccer league always develops in the rules of the competition so that participating teams develop more sophisticated features for their robots and make the competition more like the actual match. In the latest football league regulation RoboCup, there are many changes that affect visual perception, one of which is the reduction of color codes on objects in the field. In this final assignment, a multi-object classification is performed on humanoid robots in the soccer game using various methods, and the results will be compared with each method. The first method uses the Histogram of Oriented Gradient (HOG) feature of ball and non-ball objects. After that, binary classification is done with Support Vector Machine (SVM). The second method, on positive and negative data from the ball, is extracted from the Local Binary Patter (LBP) feature. Followed by binary classification using Cascade Classifier. Object detection for these 2 methods uses a sliding window algorithm and a pyramid image. To further improve the object detection performance of soccer robots so that more classes are detected, the third method uses Deep Learning for its classification and Single Shoot multibox Detector for object localization. Object classes that will be classified are: ball, goal, penalty point, elbow line, intersection of "X" and "T" intersection. From the above methods, the best results were obtained using the LBP feature extraction method and Cascade classification. With this method the value of precision is 0.96, recall is 0.86 and accuracy is 0.94. This method is considered suitable for use on humanoid robots because it has a fast computation time of 19 ms.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Histogram of Oriented Gradient, Local Binary Pattern, SVM, Cascade Classifier, Deep Learning, Single Shoot multibox Detector, Deteksi Objek., Robot Humanoid
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	MUHAMMAD REZA AR RAZI
Date Deposited:	23 Jul 2026 08:46
Last Modified:	23 Jul 2026 08:46
URI:	http://repository.its.ac.id/id/eprint/67049

Actions (login required)

View Item