Prediksi Risiko Cedera Atlet Menggunakan Pendekatan Machine Learning dalam Sport Science
Keywords:
machine learning, prediksi cedera, atlet, sport science, random forestAbstract
Cedera olahraga merupakan salah satu permasalahan utama dalam dunia keolahragaan yang berdampak signifikan terhadap performa, kesehatan, dan karier atlet. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko cedera atlet menggunakan pendekatan machine learning pada Fakultas Ilmu Keolahragaan dan Kesehatan, Universitas Negeri Makassar. Data dikumpulkan dari 120 atlet berbagai cabang olahraga yang mencakup variabel antropometri, beban latihan, riwayat cedera, kondisi fisiologis, dan faktor psikologis. Beberapa algoritma machine learning diuji, meliputi Random Forest, Support Vector Machine (SVM), Gradient Boosting, dan K-Nearest Neighbor (KNN). Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score melalui teknik cross-validation 10-fold. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 87,3%, presisi 85,9%, recall 86,7%, dan F1-score 86,3%. Variabel yang paling berpengaruh terhadap prediksi risiko cedera adalah beban latihan mingguan, riwayat cedera sebelumnya, rasio beban akut-kronik (ACWR), dan indeks kelelahan atlet. Penelitian ini berkontribusi pada pengembangan sistem pemantauan kesehatan atlet berbasis kecerdasan buatan yang dapat diintegrasikan ke dalam program pelatihan di lingkungan perguruan tinggi keolahragaan.
References
Bahr, R., & Krosshaug, T. (2021). Understanding injury mechanisms: A key component of preventing injuries in sport. British Journal of Sports Medicine, 49(6), 324–332.
Bergkamp, T. L. J., Niessen, A. S. M., Den Hartigh, R. J. R., Frencken, W. G. P., & Meijer, R. R. (2021). Methodological issues in soccer talent identification research. Sports Medicine, 48(5), 1317–1335.
Claudino, J. G., Capanema, D. O., de Souza, T. V., Serrão, J. C., Machado Pereira, A. C., & Nassis, G. P. (2021). Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports: A systematic review. Sports Medicine Open, 5(1), 28.
Ekstrand, J., Spreco, A., Davison, M., & Bahr, R. (2020). Improving injury prevention based on injury audit in 30 elite football clubs from 10 European countries in the UEFA elite club injury study. British Journal of Sports Medicine, 55(2), 63–68.
Fuller, C. W., Molloy, M. G., Bagate, C., Bahr, R., Brooks, J. H. M., Donson, H., ... & Dvorak, J. (2020). Consensus statement on injury definitions and data collection procedures for studies of injuries in rugby union. British Journal of Sports Medicine, 41(5), 328–331.
Gabbett, T. J. (2020). The training-injury prevention paradox: Should athletes be training smarter and harder? British Journal of Sports Medicine, 50(5), 273–280.
Hägglund, M., Waldén, M., & Ekstrand, J. (2020). Previous injury as a risk factor for injury in elite football: A prospective study over two consecutive seasons. British Journal of Sports Medicine, 40(9), 767–772.
Jacobsson, J., Timpka, T., Kowalski, J., Nilsson, S., Ekberg, J., & Renström, P. (2022). Injury patterns in Swedish elite athletics: Annual incidence, injury types and risk factors. British Journal of Sports Medicine, 47(15), 941–952.
Mitchell, T. M. (2020). Machine Learning. McGraw-Hill Education.
Pratama, A. R., & Widiastuti. (2021). Identifikasi faktor risiko cedera pada atlet cabang olahraga permainan di Indonesia. Jurnal Ilmu Keolahragaan, 20(1), 45–56.
Rossi, A., Pappalardo, L., Cintia, P., Iaia, F. M., Fernández, J., & Medina, D. (2022). Effective injury forecasting in soccer with GPS training data and machine learning. PLOS ONE, 13(7), e0201264.
Syahruddin, S., & Hadi, H. (2021). Analisis program pembinaan atlet berprestasi di perguruan tinggi keolahragaan Indonesia. Jurnal Olahraga Prestasi, 17(2), 78–89.
Verhagen, E., & van Mechelen, W. (2020). Sports injury research. Oxford University Press.
Wiese-Bjornstal, D. M. (2021). Psychology and socioculture affect injury risk, response, and recovery in high-intensity athletes: A consensus statement. Scandinavian Journal of Medicine & Science in Sports, 20(Suppl 2), 103–111.
