Identifikasi Kualitas Fisik Shuttlecocks Menggunakan Teknologi Pengolahan Citra Digital dengan Jaringan Syaraf Tiruan
Sari
Shuttlecock merupakan bola yang dipakai dalam permainan bulutangkis, terbuat dari bulu angsa dan bulu ayam berwarna putih. Bola ini memiliki panjang sekitar 64-66 mm, diameter 25 mm, dan berat berkisar antara 4,74 hingga 5,67 gram. Sebelum digunakan pada pertandingan, shuttlecock dipilih berdasarkan kualitas pada bulu dan kepala shuttlecock. Namun, proses pemilihan tersebut masih dilakukan secara manual oleh penyelenggara pertandingan bulutangkis. Jumlah shuttlecock yang banyak memerlukan tenaga kerja yang besar, sehingga seringkali muncul kesalahan manusia akibat kelelahan dan tekanan waktu yang tinggi. Untuk itu, pemanfaatan teknologi menggunakan citra digital dirasa sangat perlu digunakan untuk mengidentifikasi kualitas fisik pada shuttlecock. Oleh karena itu, dalam penelitian ini diusulkan sistem identifikasi kualitas fisik pada shuttlecock menggunakan teknologi pengolahan citra digital dengan metode jaringan syaraf tiruan. Penelitian ini melalui beberapa tahap diantaranya tahap akuisisi citra, preprocessing, segmentasi, morfologi, ekstraksi fitur serta klasifikasi. Penelitian ini juga, mencoba beberapa skenario pelatihan dan pengujian untuk menemukan kombinasi fitur terbaik. Kombinasi warna RGB (channel blue), tekstur (fitur energy), dan bentuk (fitur area dan perimeter) memberikan hasil optimal dalam klasifikasi citra shuttlecock. Hasil penelitian menunjukkan bahwa dengan melatih sistem menggunakan 140 citra latih, diperoleh akurasi tertinggi sebesar 100% dengan waktu komputasi 0,136 detik per citra. Selanjutnya, hasil pengujian pada 60 citra uji mencapai tingkat akurasi sebesar 100% dengan waktu komputasi 0,123 detik per citra. Hasil tersebut menunjukkan bahwa metode yang diusulkan dapat mengidentifikasi kualitas shuttlecock dengan akurat dan waktu komputasi yang cepat.
Shuttlecock is a ball used in badminton made of goose feathers and white chicken feathers, has a length of 64-66 mm and has a diameter of 25 mm with a weight of 4,74 – 5,67 grams. Before being used in a match, the shuttlecock is selected based on the quality of the feathers and shuttlecock head. However, the selection process is still done manually by the badminton match organizer. The large number of shuttlecocks requires a large amount of labor, so it is not uncommon for human error to occur due to fatigue and high time pressure. For this reason, the utilization of technology using digital images is deemed very necessary to be used to identify the physical quality of the shuttlecock. Therefore, this research aims to develop a physical quality identification system on shuttlecocks using digital image processing technology with artificial neural network method. This research goes through several stages including image acquisition, preprocessing, segmentation, morphology, feature extraction and classification. This research also tries several training and testing scenarios to find the best combination of features. The combination of RGB color (channel blue), texture (energy feature), and shape (area and perimeter features) provides optimal results in shuttlecock image classification. The results showed that by training the system using 140 training images, the highest accuracy of 100% was obtained with a time of 100%.
Kata Kunci
Teks Lengkap:
PDFDilihat:
Referensi
T. G. Novan Priambudi and A. A. Syaukani, “Perbedaan Pengaruh Latihan Handgrip & Dumbell Terhadap Peningkatan Kekuatan Genggaman Jari Pada Pemain Bulu Tangkis”, Porkes, vol. 5, no. 1, pp. 23–34, Jun. 2022, doi : 10.29408/porkes.v5i1.5374
J. P. Olahraga, D. F. Yanti, N. Simatupang, dan A. Sunarno, "Pengembangan shuttlecock berwarna sebagai media pembelajaran bulutangkis." Jurnal Pedagogik Olahraga, vol.6, no.2,pp 51-54,2020, doi : 10.24114/jpor.v6i2.21092
B. S. M. Triaiditya, D. A. Santoso, dan G. Rubiono, "Pengaruh sudut kemiringan raket terhadap pantulan shuttlecock bulu tangkis," Jurnal sportif: Jurnal Penelitian Pembelajaran, vol. 6, no. 1, hlm. 27–39, April 2020, doi: 10.29407/js_unpgri.v6i1.13875.
PB. Djarum, “Rekomendasi Shutlecock BWF,” 2020. https://pbdjarum.org/berita/diluar-arena/20210219-rekomendasi-shutlecock-bwf#gref (accessed Des. 12, 2023). “
Keefe, "13 Merk Shuttlecock Terbaik yang Penuhi Standar," Tokopedia.com.
CNN Indonesia, "Keluhan Kevin/Marcus Soal Shuttlecock di Thomas Cup," CNN Indonesia. Diakses: 20 Oktober 2023. [Daring]. Tersedia: https://www.cnnindonesia.com/olahraga/20211011224823-170-706380/keluhan-kevin-marcus-soal-shuttlecock-di-thomas-cup.
P. D. Wananda, L. Novamizanti, dan R. D. Atmaja, "Sistem Deteksi Cacat Kayu dengan Metode Deteksi Tepi SUSAN dan Ekstraksi Ciri Statistik," ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 6, no. 1, hlm. 140, April 2018, doi: 10.26760/elkomika.v6i1.140..
A. Urbonas, V. Raudonis, R. Maskeliunas, and R. Damaševičius, “Automated Identification of Wood Veneer Surface Defects Using Faster Region-Based Convolutional Neural Network with Data Augmentation and Transfer Learning,” Applied Sciences (Switzerland), vol. 9, no. 22, Nov. 2019, doi: 10.3390/app9224898.
A. A. Nurcahyani dan R. Saptono, "Identifikasi Kualitas Beras dengan Citra Digital," Scientific Journal of Informatics, vol. 2, no.1, [Daring]. Tersedia: http://journal.unnes.ac.id/nju/index.php/sji.
M. Olivya, E. Tungadi, and N. B. Rante, “Klasifikasi Kualitas Biji Kopi Ekspor Menggunakan Jaringan Saraf Tiruan Backpropagation”, INSTEK, vol. 3, no. 2, pp. 299–308, Oct. 2018, doi: 10.24252/instek.v3i2.6227
A. Rilo Pambudi, "Deteksi Keaslian Uang Kertas Berdasarkan Watermark dengan Pengolahan Citra Digital," Jurnal Informatika Polinema, vol. 6, hlm. 69–74, 2020, doi : 10.33795/jip.v6i4.407
A. J. Rozaqi, A. Sunyoto, and M. rudyanto Arief, “Deteksi Penyakit Pada Daun Kentang Menggunakan Pengolahan Citra dengan Metode Convolutional Neural Network,” Creat. Inf. Technol. J., vol. 8, no. 1, pp. 22–31, Mar. 2021, doi: 10.24076/CITEC.2021V8I1.263.
A. Fadjeri, A. Setyanto, and M. P. Kurniawan, “Pengolahan Citra Digital Untuk Menghitung Ekstrasi Ciri Greenbean Kopi Robusta Dan Arabika (Studi Kasus: Kopi Temanggung),” Jurnal Teknologi Informasi dan Komunikasi (TIKomSiN), vol. 8, no. 1, Apr. 2020, doi: 10.30646/tikomsin.v8i1.462.
Yelly Nabuasa, “Pengolahan Citra Digital Perbandingan Metode Histogram Equalization Dan Spesification Pada Citra Abu-Abu”, jicon, vol. 7, no. 1, pp. 87-95, Mar. 2019, doi: 10.35508/jicon.v7i1.889.
B. Baso, D. Nababan, R. Risald, and R. Y. Kolloh, “Segmentasi Citra Tenun Menggunakan Metode Otsu Thresholding dengan Median Filter”, JUTIKOMP, vol. 5, no. 1, pp. 1-6, Apr. 2022, doi: 10.34012/jutikomp.v5i1.2586.
I. P. E. Sutariawan, G. R. Dantes, and K. Y. E. Aryanto, “Segmentasi Mata Katarak Pada Citra Medis Menggunakan Metode Operasi Morfologi,” J. Ilmu Komput. Indones., vol. 3, no. 1, pp. 23–31, Sep. 2018, doi: 10.23887/JIK.V3I1.2750.
I. P. R. dan A. B. K. Muh. Nur Yusri, "Identifikasi Kualitas Telur Ayam Berbasis Pengolahan Citra Digital dan Jaringan Syaraf Tiruan," Journal of Embedded Security and Intelligent System, vol. 02, hlm. 33–40, April 2021, doi: 10.26858/jessi.v2i1.20314.
S. Siagian, K. Ibnutama, and R. Mahyuni, “Implementasi Metode Ekstraksi Ciri Warna Untuk Mendeteksi Kematangan Buah Jeruk,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 6, pp. 898–905, Nov. 2022, doi: 10.53513/JURSI.V1I6.5861.
S. Saifullah dan Andiko Putro Suryotomo, "Chicken Egg Fertility Identification using FOS and BP-Neural Networks on Image Processing," Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 5, hlm. 919–926, Oktober 2021, doi: 10.29207/resti.v5i5.3431.
F. Zola, “Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Prestasi Siswa”, JTOS, vol. 1, no. 1, pp. 58-72, Jun. 2018, doi: 10.36378/jtos.v1i1.12
DOI: https://doi.org/10.15575/telka.v11n2.167-180
Refbacks
- Saat ini tidak ada refbacks.
Jurnal TELKA terindex oleh :







Didukung oleh :


Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.