UMMUMM

KOMTIKAKOMTIKA

Klasifikasi tingkat kesiapan atlet merupakan aspek krusial dalam mengoptimalkan beban latihan dan mencegah cedera akibat overtraining. Penelitian ini mengembangkan dan membandingkan tiga algoritma machine learning XGBoost, Random Forest, dan MLP Neural Network untuk mengklasifikasikan kesiapan atlet ke dalam tiga kategori ordinal: Lower, Middle, dan Upper. Dataset terdiri dari 1153 rekaman dengan sembilan fitur multidimensi yang mencakup parameter fisiologis (durasi latihan, intensitas, interval hari, poin, recovery) dan indikator psikologis (mental score, kategori atlet, konsistensi). Preprocessing data meliputi label encoding untuk variabel kategorikal dan standard scaling untuk fitur numerik, dilanjutkan dengan pembagian data train-test stratified 80:20. Evaluasi model menggunakan metrik precision, recall, F1-score berbobot, confusion matrix, dan kurva ROC-AUC pendekatan one-vs-rest dengan validasi silang 5-fold. Hasil menunjukkan bahwa XGBoost mencapai performa prediktif tertinggi (F1-score: 0,93; AUC: 0,99), diikuti oleh Random Forest (F1-score: 0,91; AUC: 0,98) dan MLP Neural Network (F1-score: 0,85; AUC: 0,94). Analisis feature importance mengidentifikasi mental score, intensitas latihan, dan konsistensi sebagai prediktor terkuat status kesiapan. Kerangka kerja ini menyediakan alat pendukung keputusan berbasis data bagi praktisi olahraga, memungkinkan monitoring kesiapan objektif dan penyesuaian latihan dinamis. Penelitian lanjutan akan difokuskan pada integrasi wearable real-time dan optimasi hiperparameter otomatis.

Penelitian ini berhasil mengembangkan dan memvalidasi framework klasifikasi tingkat kesiapan atlet berbasis machine learning yang mengintegrasikan dimensi fisiologis dan psikologis.Hasil evaluasi komparatif terhadap tiga algoritma menunjukkan bahwa XGBoost mengungguli model lainnya dengan F1-score tertinggi (0.Temuan ini mengkonfirmasi bahwa mekanisme gradient boosting pada XGBoost lebih efektif menangkap pola non-linear dan interaksi fitur kompleks pada dataset sports science berukuran sedang dibandingkan bagging pada Random Forest atau arsitektur feedforward pada MLP.Analisis feature importance mengungkapkan bahwa mental score (0.15) merupakan prediktor dominan dalam menentukan status kesiapan atlet.

Penelitian lanjutan dapat mengembangkan framework ini untuk aplikasi pada cabang olahraga lain seperti kekuatan (power sports) dengan mengevaluasi adaptabilitas model terhadap perbedaan karakteristik fisiologis. Selain itu, penelitian dapat mengeksplorasi penggunaan data psikologis tambahan seperti skor motivasi atau stres untuk meningkatkan akurasi prediksi kesiapan atlet. Selanjutnya, pengembangan metode optimasi hiperparameter berbasis algoritma evolusioner dapat diuji untuk meningkatkan generalisasi model pada dataset yang lebih heterogen dan berukuran besar.

Read online
File size420.47 KB
Pages10
DMCAReport

Related /

ads-block-test