Detail Cantuman

Analisis video pertandingan sepak bola modern sangat bergantung pada akurasi pelacakan pemain (player tracking), namun performanya seringkali terdegradasi secara signifikan oleh masalah oklusi dan tingginya frekuensi Identity Switches (IDSW). Kondisi di mana pemain saling menutupi menyebabkan algoritma pelacakan konvensional, bahkan yang canggih sekalipun, gagal mempertahankan identitas pemain secara konsisten, sehingga menurunkan validitas metrik analisis kunci seperti HOTA dan IDF1. Dalam menjawab tantangan tersebut, penelitian ini mengembangkan dan mengevaluasi sistem pelacakan pemain yang mengintegrasikan model re-identification (Re-ID) berbasis bagian tubuh, yaitu PRTReid, dengan algoritma StrongSORT. Penggunaan PRTReid bertujuan untuk mengekstrak fitur visual yang lebih tangguh dan diskriminatif dari bagian tubuh yang terlihat sebagai respons terhadap keterbatasan performa metode konvensional. Model PRTReid yang dikembangkan menggunakan backbone HRNet-W32 dan dievaluasi pada Dataset benchmark SoccerNet-Tracking. Hasil penelitian menunjukkan bahwa integrasi PRTReid secara dramatis meningkatkan kinerja pelacakan. Konfigurasi StrongSORT standar mencatatkan skor Higher Order Tracking Accuracy (HOTA) tertinggi sebesar 54,234 dengan 8.234 kejadian IDSW. Sebaliknya, setelah diintegrasikan dengan PRTReid, sistem mencapai peningkatan performa signifikan dengan skor HOTA hingga 61,787 dan Identity F1 Score (IDF1) sebesar 66,357, sementara jumlah IDSW berkurang drastis menjadi 5.115. Peningkatan paling substansial terlihat pada metrik Association Accuracy (AssA), yang naik sebesar 13,5 poin. Hal ini membuktikan efektivitas pendekatan berbasis bagian tubuh dalam menjaga konsistensi identitas.

Modern soccer match analysis heavily relies on accurate player tracking, yet its performance is often significantly degraded by severe occlusion and a high frequency of Identity Switches (IDSW). Conditions where players obstruct one another cause conventional and even state-of-the-art tracking algorithms to fail in consistently maintaining player identities, thereby reducing the validity of key analysis metrics like HOTA and IDF1. To address this challenge, this study develops and evaluates a player tracking system that integrates a part-based re-identification (Re-ID) model, namely PRTReid, with the StrongSORT algorithm. The use of PRTReid aims to extract more robust and discriminative visual features from visible body parts, responding to the performance limitations of conventional methods when facing heavy occlusion. The developed PRTReid model utilizes an HRNet-W32 backbone and is evaluated on the SoccerNet-Tracking benchmark dataset. The research results demonstrate that the integration of PRTReid dramatically improves tracking performance. The standard StrongSORT configuration recorded a top Higher Order Tracking Accuracy (HOTA) score of 54.234 with 8,234 IDSW occurrences. In contrast, after being integrated with PRTReid, the system achieved a significant performance boost with a HOTA score of up to 61.787 and an Identity F1 Score (IDF1) of 66.357, while the number of IDSW was drastically reduced to 5,115. The most substantial improvement was observed in the Association Accuracy (AssA) metric, which increased by 13.5 points. This validates the effectiveness of the part-based approach in reliably maintaining identity consistency.