Penerapan YOLO dalam Analisis Taktik dan Performa Pertandingan Chelsea vs Manchester City
Keywords:
Sepak Bola, Analisis Taktik, Performa Tim, YOLO, Visi Komputer, Deteksi Objek, Pemrosesan VideoAbstract
Sepakbola merupakan olahraga popular yang menarik minat jutaan penggemar dan pemain di seluruh dunia. Analisis taktik dan performa dalam pertandingan sepakbola menjadi aspek krusial yang dapat mempengaruhi strategi dan hasil tim. Metode tradisional yang dilakukan secara manual oleh pelatih seringkali memerlukan waktu, tenaga, dan biaya yang besar. Dengan kemajuan teknologi, terutama dalam bidang computer vision, analisis ini dapat dilakukan secara lebih efisien dan akurat. Algoritma You Only Look Once(YOLO), menawarkan kecepatan dan akurasi deteksi yang lebih tinggi, memungkinkan deteksi berbagai objek dalam satu frame secara real-time. Penelitian ini mengeksplorasi penerapan YOLO dalam analisis taktik dan performa pertandingan sepakbola menggunakan data video pertandingan atau highlight antara Chelsea dan Manchester City. YOLO digunakan untuk mengevaluasi formasi tim, pergerakan bola, pemain, dan interaksi antar pemain. Penelitian ini menunjukkan bagaimana teknologi ini dapat membantu pelatih dan analis dalam memahami dinamika pertandingan dan membuat Keputusan taktis yang lebih baik. Hasil penelitian diharapkan memberikan kontribusi signifikan dalam analisis sepakbola dan memperkenalkan metode yang lebih canggih untuk untuk meningkatkan performa tim sepakbola.
Abstract views: 66
,
PDF downloads: 51
Downloads
References
Apriliyanto, R., & Rahamtulla, I. A. (2021). IbM : Software Analisis Sepakbola. Suluah Bendang: Jurnal Ilmiah Pengabdian Kepada Masyarakat, 21(2), 117. https://doi.org/10.24036/sb.01390
Joshan Athanesious, J., & Kiruthika, S. (2024). Perspective Transform Based YOLO With Weighted Intersect Fusion for Forecasting the Possession Sequence of the Live Football Game. IEEE Access, 12, 75542–75558. https://doi.org/10.1109/ACCESS.2024.3402370
Journal, S. P. O. R. T. (2008). Journal of S.P.O.R.T. 593–606.
Lavanya, G., & Pande, S. D. (2024). Enhancing Real-time Object Detection with YOLO Algorithm. EAI Endorsed Transactions on Internet of Things, 10, 1–9. https://doi.org/10.4108/eetiot.4541
Lestari, E. L., Budi, D., & Nugraha, A. (2023). Journal of Physical Education and Sport Pedagogy. Journal of Physical Education and …. https://ejournal.upi.edu/index.php/JPESP/article/download/63712/24481
Sirisha, U., Praveen, S. P., Srinivasu, P. N., Barsocchi, P., & Bhoi, A. K. (2023). Statistical Analysis of Design Aspects of Various YOLO-Based Deep Learning Models for Object Detection. International Journal of Computational Intelligence Systems, 16(1), 1–29. https://doi.org/10.1007/s44196-023-00302-w
Terven, J., Córdova-Esparza, D. M., & Romero-González, J. A. (2023). A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction, 5(4), 1680–1716. https://doi.org/10.3390/make5040083
Yanto, Y., Aziz, F., & Irmawati, I. (2023). Yolo-V8 Peningkatan Algoritma Untuk Deteksi Pemakaian Masker Wajah. JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 1437–1444. https://doi.org/10.36040/jati.v7i3.7047
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 A. Alam Nurhidayat, Muhammad Ismail, Indri Thuzzakiah, Nashrah Nur Marfu'ah

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.








Email: fajarb@diginus.id