fbpx

PEMANFAATAN DEEP LEARNING DALAM BADMINTON

By Fasya Al Rahmah  |   3 Agustus, 2021

Badminton Indonesia digemparkan oleh berita kemenangan medali emas Greysia dan Apriyani sebagai ganda putri di ajang kompetisi Olimpiade 2020 di Tokyo, Jepang. Kemenangan ini mengukir sejarah baru sebagai yang pertama bagi Indonesia dalam kategori ganda putri untuk memenangkan medali emas Olimpiade. 

Bidang olahraga sendiri ternyata tak lepas dari data. Analisis telah menjadi bagian penting dari kinerja setiap pemain atau tim, baik menganalisis permainan ataupun lawan main. Strategi dan analisis visual dari teknik lawan membantu para pemain untuk meningkatkan kinerja individu dan mengidentifikasi kelemahan strategi lawan. Otomasi juga mampu membantu tim olahraga mengurangi kompleksitas dalam analisis.

Melihat hal ini, Mona Teja K dan Prabakaran N, Mahasiswa Computer Science dari Vellore Institute of Technology, membuat otomasi Visual Tracking dan Live Data Analysis untuk olahraga Badminton dimana model dapat mengotomasi beberapa proses dan menghasilkan visualisasi dengan data statistik. Algoritma yang digunakan oleh model ini adalah OpenCV dan Deep learning.

Representasi visual adalah faktor kunci untuk memahami data ini. Model bekerja secara otomatis pada video live atau video yang disimpan dalam database dan menghasilkan analisis visual. Kode yang dipakai dalam model ini secara komputasi lebih cepat dengan visualisasi sederhana. Model ini bahkan dapat digunakan dalam pertandingan siaran langsung untuk membantu pelatih dan pemain saat itu juga.

Terdapat beberapa atribut yang digunakan dalam mengembangkan model.

Badminton Player Leg Detection

Untuk permainan badminton, leg detection merupakan atribut unik yang tidak pernah terhalang karena setiap pemain berada di wilayah lapangan yang berbeda. Mengidentifikasi leg points juga menjadi faktor utama untuk tracking gerakan para pemain badminton.

BADMINTON DALAM DEEP LEARNING

Badminton Player Tracking

Model dapat menganalisis setiap pemain badminton secara individu.

BADMINTON DALAM DEEP LEARNING

Homography

Digunakan untuk menskalakan data tiap pemain hasil player tracking dengan tujuan melihat statistik mereka seperti jarak di lapangan dan membuat heatmaps.

Heatmaps

Setelah mendapatkan matriks frekuensi masing-masing pemain dari homography, model membuat heatmap untuk melihat pergerakan pemain di lapangan badminton menggunakan warna gelap dan terang. Warna transisi gelap menunjukkan bahwa pemain telah berada di bagian tertentu dari lapangan lebih sedikit, sedangkan warna transisi terang memperlihatkan bahwa pemain berada di bagian lapangan tersebut lebih banyak.

BADMINTON DALAM DEEP LEARNING

Badminton Distance Analysis

Untuk menghitung metrik jarak dapat menggunakan jarak Euclidian antara centroid pemain dalam frame dan centroid dari masing-masing pemain badminton di frame sebelumnya.

BADMINTON DALAM DEEP LEARNING

Badminton Region Analysis

Model melakukan segmentasi pada daerah lapangan badminton. Disini pelatih dan pemain dapat menganalisis pola lawan saat bermain, seperti daerah lapangan yang merupakan kekuatan dan kelemahan lawan.

BADMINTON DALAM DEEP LEARNING

Visualisasi dan hasil pemodelan ini dapat meningkatkan strategi pemain dan meningkatkan performa bermain badminton. Selain itu model ini juga dapat membantu melacak kekurangan dari lawan main. Analisis daerah lapangan secara spesifik dapat membantu pemain untuk mengubah alur bermain dan berusaha memojokkan lawan ke daerah yang lebih lemah. 

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

The last comment and 2 other comment(s) need to be approved.
1 reply

Comments are closed.

Related Blog

Distributed Processing
Apa Itu Data Analysis Expressions?
jadi data scientist
Cara Menjadi Data Scientist Handal
Distributed Processing
Mengenal Apa Itu Distributed Processing

Badminton Indonesia digemparkan oleh berita kemenangan medali emas Greysia dan Apriyani sebagai ganda putri di ajang kompetisi Olimpiade 2020 di Tokyo, Jepang. Kemenangan ini mengukir sejarah baru sebagai yang pertama bagi Indonesia dalam kategori ganda putri untuk memenangkan medali emas Olimpiade. 

Bidang olahraga sendiri ternyata tak lepas dari data. Analisis telah menjadi bagian penting dari kinerja setiap pemain atau tim, baik menganalisis permainan ataupun lawan main. Strategi dan analisis visual dari teknik lawan membantu para pemain untuk meningkatkan kinerja individu dan mengidentifikasi kelemahan strategi lawan. Otomasi juga mampu membantu tim olahraga mengurangi kompleksitas dalam analisis.

Melihat hal ini, Mona Teja K dan Prabakaran N, Mahasiswa Computer Science dari Vellore Institute of Technology, membuat otomasi Visual Tracking dan Live Data Analysis untuk olahraga Badminton dimana model dapat mengotomasi beberapa proses dan menghasilkan visualisasi dengan data statistik. Algoritma yang digunakan oleh model ini adalah OpenCV dan Deep learning.

Representasi visual adalah faktor kunci untuk memahami data ini. Model bekerja secara otomatis pada video live atau video yang disimpan dalam database dan menghasilkan analisis visual. Kode yang dipakai dalam model ini secara komputasi lebih cepat dengan visualisasi sederhana. Model ini bahkan dapat digunakan dalam pertandingan siaran langsung untuk membantu pelatih dan pemain saat itu juga.

Terdapat beberapa atribut yang digunakan dalam mengembangkan model.

Badminton Player Leg Detection

Untuk permainan badminton, leg detection merupakan atribut unik yang tidak pernah terhalang karena setiap pemain berada di wilayah lapangan yang berbeda. Mengidentifikasi leg points juga menjadi faktor utama untuk tracking gerakan para pemain badminton.

BADMINTON DALAM DEEP LEARNING

Badminton Player Tracking

Model dapat menganalisis setiap pemain badminton secara individu.

BADMINTON DALAM DEEP LEARNING

Homography

Digunakan untuk menskalakan data tiap pemain hasil player tracking dengan tujuan melihat statistik mereka seperti jarak di lapangan dan membuat heatmaps.

Heatmaps

Setelah mendapatkan matriks frekuensi masing-masing pemain dari homography, model membuat heatmap untuk melihat pergerakan pemain di lapangan badminton menggunakan warna gelap dan terang. Warna transisi gelap menunjukkan bahwa pemain telah berada di bagian tertentu dari lapangan lebih sedikit, sedangkan warna transisi terang memperlihatkan bahwa pemain berada di bagian lapangan tersebut lebih banyak.

BADMINTON DALAM DEEP LEARNING

Badminton Distance Analysis

Untuk menghitung metrik jarak dapat menggunakan jarak Euclidian antara centroid pemain dalam frame dan centroid dari masing-masing pemain badminton di frame sebelumnya.

BADMINTON DALAM DEEP LEARNING

Badminton Region Analysis

Model melakukan segmentasi pada daerah lapangan badminton. Disini pelatih dan pemain dapat menganalisis pola lawan saat bermain, seperti daerah lapangan yang merupakan kekuatan dan kelemahan lawan.

BADMINTON DALAM DEEP LEARNING

Visualisasi dan hasil pemodelan ini dapat meningkatkan strategi pemain dan meningkatkan performa bermain badminton. Selain itu model ini juga dapat membantu melacak kekurangan dari lawan main. Analisis daerah lapangan secara spesifik dapat membantu pemain untuk mengubah alur bermain dan berusaha memojokkan lawan ke daerah yang lebih lemah. 

Yuk belajar data science di Algoritma Data Science Education Center! Kamu bisa ikut berbagai kelas data science untuk pemula, salah satunya di program Academy kami.

PELAJARI LEBIH LANJUT

Related Blog

Real Time Processing
Perbedaan Batch Processing dan Real Time Processing
Metode Pengolahan Data
Tipe, Langkah, dan Metode Pengolahan Data
Batch Processing
Mengenal Batch Processing dan Implementasinya
The last comment and 2 other comment(s) need to be approved.
1 reply

Comments are closed.