Kemajuan kecerdasan buatan (AI) berkembang sangat cepat, dan sekarang semakin mudah digunakan oleh siapa pun. Dampaknya bisa dibilang sama besar seperti ketika komputer pribadi pertama kali muncul. AI kini hadir di mana-mana — di penglihatan komputer (computer vision), pemrosesan bahasa alami (NLP) untuk chatbot, penelitian kesehatan, transportasi, pendidikan, hingga olahraga.
Kadang kita bahkan tidak sadar sedang menggunakan AI, karena sudah begitu menyatu dalam kehidupan sehari-hari. Misalnya, lihat saja siaran olahraga di TV favorit Anda.
Bagi saya, contohnya adalah tenis. Di turnamen Wimbledon baru-baru ini, semua keputusan garis dilakukan secara otomatis — tanpa wasit manusia. Sistem pelacakan bola dan analisis data real-time kini menjadi bagian penting dari permainan. Para pemain bahkan menggunakan AI untuk mempelajari pola bermain dan menyusun strategi baru. Tapi, pertanyaannya: bagaimana semua teknologi ini bisa bekerja?
Dalam seri dua bagian ini, saya akan menunjukkan bagaimana cara menggunakan deep neural network di MATLAB untuk mendeteksi objek. Di bagian pertama ini, kita akan fokus pada langkah awal, yaitu pelabelan data (data labeling), dengan memanfaatkan berbagai alat bantu yang disediakan MATLAB untuk mempermudah proses tersebut.
Deteksi Objek dalam Olahraga
Olahraga pilihan saya memang tenis, tetapi metode deteksi objek ini bisa diterapkan juga pada olahraga lain seperti basket, sepak bola, bahkan di luar olahraga seperti mobil otonom.
Deteksi objek membuat pengalaman menonton tenis jadi lebih menarik — misalnya, ketika tayangan ulang memperlihatkan lintasan bola yang dilacak dengan akurat.
Namun, sebelum melatih model AI, ada langkah penting yang sering diabaikan, yaitu persiapan data. Langkah ini mencakup pelabelan dataset untuk membuat data ground truth (data kebenaran dasar) yang digunakan sebagai referensi saat melatih model AI.
Pelabelan Video Interaktif
Di MATLAB, proses pelabelan video menjadi lebih mudah berkat aplikasi Video Labeler.
Aplikasi ini memungkinkan Anda untuk menandai (label) area tertentu di video — seperti bentuk, garis, atau area tertentu — menggunakan berbagai alat seperti persegi panjang, poligon, atau kuas.
Dalam proyek ini, kita akan menggunakan Video Labeler untuk menandai bola tenis dan lapangan tenis di video.
Langkahnya sederhana: buka Video Labeler dari tab Apps di MATLAB, buat proyek baru, lalu impor video dari folder trainingData.
Setelah video dimuat, Anda akan melihat frame pertama di layar. Gunakan panah kiri dan kanan untuk berpindah antar-frame.
Pelabelan Manual vs Otomatis
MATLAB menyediakan berbagai cara untuk melabeli dataset.
Misalnya, Anda bisa membuat kotak batas (bounding box) di sekitar pemain tenis dan memberi label “person”, atau menggambar garis untuk menandai garis lapangan.
Namun, dalam contoh ini kita akan menandai bola tenis dengan label “ball” berwarna hijau.
Label yang sudah dibuat akan muncul di panel sebelah kiri. Anda bisa menambahkan beberapa label berbeda jika objek di video lebih dari satu.
Ada dua pendekatan utama: manual dan otomatis.
-
Pelabelan manual (seperti menggunakan kuas atau poligon) memungkinkan Anda menentukan area label dengan sangat detail.
-
Pelabelan otomatis memanfaatkan algoritma untuk mempercepat proses, seperti Superpixel, Segment Anything (SAM), atau Assisted Freehand.
Sebagai contoh:
Jika Anda menandai bola tenis dengan kuas, cukup satu klik sudah cukup. Tapi, menandai pemain lebih sulit karena bentuk tubuhnya kompleks. Alat poligon bisa digunakan, tapi mungkin memerlukan banyak titik klik agar hasilnya rapi.
Jika terjadi kesalahan klik saat melabeli, Anda bisa menghapus label dengan klik kanan dan pilih Delete All Pixel Labels atau gunakan pintasan keyboard (Ctrl + Shift + Delete).
Untuk mempercepat pekerjaan, Anda bisa menggunakan algoritma semi-otomatis seperti Assisted Freehand. Alat ini mendeteksi tepi objek secara otomatis saat Anda menggambar, sehingga hasilnya lebih akurat dengan sedikit klik.
Selain itu, ada juga algoritma lain:
-
Flood Fill: cepat melabeli area dengan warna serupa, tapi kurang cocok jika warna objek mirip dengan latar belakang.
-
Smart Polygon: memperkirakan bentuk objek dalam area yang Anda gambar — cocok untuk objek yang tidak beraturan.
-
Superpixel: membagi gambar menjadi grid kecil (super pixel) agar pelabelan lebih presisi.
Menyimpan Data Ground Truth
Setelah semua frame selesai dilabeli, klik ikon tanda centang hijau untuk menyimpan proyek dan mengekspor data.
MATLAB akan membuat file berformat gTruth (.MAT), yang nantinya bisa digunakan sebagai dataset untuk melatih jaringan saraf dalam (deep neural network).
Kesimpulan
Proses ini menunjukkan bagaimana Video Labeler App di MATLAB bisa membantu dalam melabeli video secara interaktif.
Tersedia banyak metode pelabelan — dari manual hingga otomatis — sehingga Anda bisa memilih cara yang paling efisien sesuai kebutuhan.
Langkah ini mungkin terlihat sederhana, tapi pelabelan data adalah fondasi penting dalam setiap proyek AI.
Dengan data ground truth yang akurat, model AI bisa belajar lebih baik dan memberikan hasil yang lebih presisi.
Nantikan bagian kedua dari seri ini, di mana dataset yang sudah dilabeli akan digunakan untuk melatih dan menguji jaringan saraf dalam yang dapat melacak bola tenis secara otomatis.
Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan mathworks indonesia, merupakan bagian dari PT. iLogo Infralogy Indonesia, yang merupakan mitra terpercaya dalam solusi Infrastruktur IT dan Cybersecurity terbaik di Indonesia.
Hubungi kami sekarang atau kunjungi mathworks.ilogoindonesia.id untuk informasi lebih lanjut!
