Keywords
Decision Tree
prediksi cedera
How to Cite
Abstract
Olahraga Lari merupakan salah satu jenis olahraga yang sangat populer dan digemari, tetapi memiliki risiko cedera, terutama pada bagian kaki. Cedera ini dapat mengganggu kinerja atlet dan kelangsungan latihan yang telah direncanakan. Studi ini bertujuan untuk menciptakan model prediksi cedera bagi atlet lari dengan memanfaatkan algoritma metode Decision Tree, yang diaplikasikan pada data aktivitas latihan para pelari. Data yang dipakai meliputi intensitas, durasi, dan frekuensi latihan, serta metrik fisiologis seperti detak jantung dan pemulihan. Studi kami menerapkan metode Penemuan Pengetahuan dalam Basis Data (KDD) yang mencakup tahap pemilihan data, praproses, reduksi data, teknik Random Forest, dan penilaian hasil. Temuan dari penelitian ini menunjukkan bahwa algoritma Decision Tree dapat memprediksi risiko cedera dengan tingkat akurasi 96%, presisi 96%, recall 97%, dan F1-score 96%. Analisis feature importance mengidentifikasi bahwa total jarak lari mingguan, intensitas latihan, dan tingkat pemulihan merupakan faktor-faktor paling berpengaruh terhadap risiko cedera. Perbandingan dengan algoritma klasifikasi lain seperti Random Forest membuktikan metode Decision Tree lebih baik dalam prediksi cedera atlet lari. Model ini dapat berfungsi sebagai alat yang efisien untuk pelatih dan staf medis dalam merancang program latihan yang lebih aman, memantau beban latihan, serta mengurangi kemungkinan cedera pada pelari
References
[1] “Junaidi 1,” vol. 07, no. 02, pp. 746–764, 2013.
[2] K. Z. Wardati and D. A. Kusuma, “Analisis Opini Pelari Rekreasional Terkait Faktor Penyebab Cedera pada Olahraga Lari,” J. Prestasi Olahraga, vol. 3, no. 4, pp. 17–23, 2020, [Online]. Available: https://ejournal.unesa.ac.id/index.php/jurnal-prestasi-olahraga/article/view/36581
[3] A. N. Zulkarnain, K. F. Hardini, and I. Cahyadinata, “Cedera Musculoskeletal pada Peserta Lari Marathon dan Korelasi Terhadap Faktor Usia dan Jenis Kelamin Musculoskeletal Injuries in Marathon Running Participant and Correlation with Age and Gender Factor,” vol. 5, no. 1, pp. 75–82, 2024.
[4] M. G. Alghifari, D. Syauqy, R. Regasari, and M. Putri, “Sistem Wearable Deteksi Postur Pada Pelatihan Otot Biceps Dan Triceps Berbasis Angkat Beban Dengan Algoritma Random Forest,” vol. 1, no. 1, pp. 1–8, 2017.
[5] A. Prasetyowibowo, A. Nasrullo, and Widiyanto, “Biomekanika Olahraga untuk Pengurangan Risiko Cedera dan Peningkatan Performa Olahraga,” J. Kepelatihan Olahraga SMART Sport, vol. 21, no. 1, pp. 14–36, 2022.
[6] M. A. Syauqi, D. Syauqy, and W. Kurniawan, “Sistem Wearable Deteksi Postur pada Training Lateral Raise menggunakan Sensor MPU6050 dengan Algoritma Random Forest,” vol. 1, no. 1, pp. 1–9, 2025.
[7] S. Ridha and A. Rachman, “Survei Lokasi Dan Penyebab Cedera Olahraga Pada Atlet Cabang Olahraga Permainan,” Jambura Sport. Coach. Acad. J., vol. 2, no. 1, pp. 13–20, 2023, doi: 10.37905/jscaj.v2i1.20614.
[8] M. Ahmad Haidar, "Knowledge Discovery in Database Untuk Model Online Analytical Processing (OLAP) Data Kemiskinan," J. Ilm. MATRIK, vol. 17, no. 2, pp. 99–108, 2015, [Online]. Available: http://www.scribd.com
[9] A. N. Zulkarnain, K. F. Hardini, Y. S. Nugraha, and S. Sukadi, “Analisis Cedera Musculoskeletal Pada Peserta Kediri Half Marathon Tahun 2023,” Athena Phys. Educ. Sport. J., vol. 2, no. 1, pp. 11–18, 2024, doi: 10.56773/athena.v2i1.16.
[10] Z. P. Agusta and Adiwijaya, “Modified balanced random forest for improving imbalanced data prediction,” Int. J. Adv. Intell. Informatics, vol. 5, no. 1, pp. 58–65, 2019, doi: 10.26555/ijain.v5i1.255.
[11] A. Riyadi and Fauziah, “Algoritma Principal Component Analysis Untuk Meningkatkan Performa Fuzzy C-Means Pada Klasterisasi Dataset Berdimensi Tinggi,” J. Ilm. Teknol. dan Rekayasa, vol. 29, no. 2, pp. 99–115, 2024, doi: 10.35760/tr.2024.v29i2.10898.
[12] G. A. M. Ashfania, T. Prahasto, A. Widodo, and T. Warsokusumo, “Penggunaan Algoritma Random Forest untuk Klasifikasi berbasis Kinerja Efisiensi Energi pada Sistem Pembangkit Daya,” Rotasi, vol. 24, no. 3, pp. 14–21, 2022.
[13] Oon Wira Yuda, Darmawan Tuti, Lim Sheih Yee, and Susanti, “Penerapan Penerapan Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Random Forest,” SATIN - Sains dan Teknol. Inf., vol. 8, no. 2, pp. 122–131, 2022, doi: 10.33372/stn.v8i2.885.
[14] F. Nugroho, W. Kushartanti, and G. Guntur, “Evaluasi manajemen dan penanganan cedera muskuloskeletal di laboratorium klinik terapi fisik FIK UNY dengan model CIPP,” J. Keolahragaan, vol. 9, no. 2, pp. 268–278, 2021, doi: 10.21831/jk.v9i2.43139.
[15] R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan Machine Learning Dalam Prediksi Tingkat Kasus Penyakit Di Indonesia,” J. Inf. Syst. Manag., vol. 5, no. 1, pp. 40–45, 2023, doi: 10.24076/joism.2023v5i1.1136.
[16] F. P. Nugraha, P. S. Informatika, P. Sarjana, F. T. Informasi, U. Teknologi, and D. Indonesia, “Tugas akhir skema skripsi prediksi tingkat keparahan cedera akibat kecelakaan lalu lintas dengan random forest,” 2025.
[17] A. Syukron, S. Sardiarinto, E. Saputro, and P. Widodo, “Penerapan Metode Smote Untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” J. Teknol. Inf. dan Terap., vol. 10, no. 1, pp. 47–50, 2023, doi: 10.25047/jtit.v10i1.313.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Ady Yoga Pratama, Sherly Dian Tiara, Erna Daniati