Implementasi Machine Learning untuk Prediksi Performa Lari Berdasarkan Data Strava
DOI:
https://doi.org/10.35473/ikn.v3i2.4864Keywords:
Machine Learning, Prediksi Performa Lari, Sport Analytics, Strava Data, Wearable TechnologyAbstract
This research aimed to examine the utilization of running activity data obtained from the Strava platform in developing a machine learning–based model for predicting running performance. The main issue underlying this study was the suboptimal use of runners’ daily activity data as a scientific foundation for designing predictive and personalized training programs. This study implemented machine learning algorithms to predict running performance by using distance, speed, training duration, elevation changes, and heart rate as input variables. A quantitative method was applied through multiple linear regression analysis on 120 samples of running activity data. The results showed that speed was the most influential factor, contributing 54.02% to performance variation, followed by distance at 37.45% and heart rate at 29.27%. The developed model was able to explain more than 50% of the variation in running performance, with low prediction error rates based on Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). These findings indicate that the integration of machine learning and Strava data is effective in producing accurate and practical running performance predictions.
ABSTRAK
Penelitian ini bertujuan untuk mengkaji pemanfaatan data aktivitas lari yang diperoleh dari platform Strava dalam membangun model prediksi performa lari berbasis machine learning. Permasalahan utama yang melatarbelakangi penelitian ini adalah belum maksimalnya pemanfaatan data aktivitas harian pelari sebagai dasar ilmiah dalam perancangan program latihan yang bersifat prediktif dan personal. Penelitian ini mengimplementasikan algoritma machine learning untuk memprediksi performa lari dengan menggunakan variabel jarak tempuh, kecepatan, durasi latihan, perubahan elevasi, dan denyut jantung. Metode yang digunakan adalah pendekatan kuantitatif melalui analisis regresi linear berganda terhadap 120 sampel data aktivitas lari. Hasil penelitian menunjukkan bahwa kecepatan merupakan faktor yang memberikan kontribusi terbesar terhadap variasi performa sebesar 54,02%, disusul oleh jarak tempuh sebesar 37,45% dan denyut jantung sebesar 29,27%. Model yang dikembangkan mampu menjelaskan lebih dari 50% variasi performa lari dengan tingkat kesalahan prediksi yang rendah berdasarkan nilai Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Temuan ini menunjukkan bahwa integrasi machine learning dengan data Strava efektif dalam menghasilkan prediksi performa lari yang akurat dan aplikatif.
Downloads
References
Antoni, P. (2025). Hubungan Daya Ledak Otot Tungkai Dengan Kecepatan Lari Jarak Pendek Kelas X Merdeka 1 di SMA 2 Tembilahan. 09(01), 10–19.
Eddyono, F., & Ferdian, M. E. (2024). Manajemen Event Olahraga: Perspektif dalam Penyelenggaraan Acara Skala Besar. Jakad Media Publishing.
Haq, I. N., Wibisono, D. C., Muafy, R., Saputra, H. K. F., Vicky, M., Royyan, M. Y., & Mulyana, A. (2025). Meningkatkan Kinerja Atlet Dengan Teknologi: Peran Rekayasa Perangkat Lunak Dalam Olahraga Dan Kebugaran. Jurnal Inovasi Pendidikan Kreatif, 6(2).
Harsono, S., & Imran, B. (2025). Pendekatan Structural Equation Modeling Untuk Penelitian Kuantitatif: Teori, Metodologi Dan Aplikasi. Retrieved from
Hartono. (2024). Research Design: Pendekatan Kualitatif dan Kuantitatif.
Hutabarat. (2024). Pengenalan Aktivitas Manusia Menggunakan Perangkat Wearable Dan Deep Learning. 4(2), 1.
Ihsan, E. F., Muyasar, L., & Andika, M. R. (2025). Peran Kecerdasan Buatan Dalam Peningkatan Performa Tim Olahraga. JATI (Jurnal Mahasiswa Teknik Informatika), 9(1), 930–938.
Ikhsan. (2024). Meningkatkan Kinerja Atlet Dengan Teknologi: Peran Rekayasa Perangkat Lunak Dalam Olahraga Dan Kebugaran. Jurnall Inovasi Pendidikan, 6(1), 52–61.
Mile, S., Lamusu, Z., & Jasmani, P. (2022). Hubungan power otot tungkai dengan kecepatan lari jarak pendek. Jambura Journal of Sports Coaching, 4(1), 1–9.
Mulyana. (2025). Perubahan Tren Digital, Teknologi Dalam Kesehatan Jasmani Saat Pandemi Covid-19. Jurnal Inovasi Pendidikan Kreatif, 6, 166–178.
Mulyana, A., Susilawati, E., Fransisca, Y., Arismawati, M., Madrapriya, F., Phety, D. T. O., … Asri, Y. N. (2024). Metode penelitian kuantitatif. Tohar Media.
Raison, M. (2021). Hubungan antara Kecepatan Bergerak dan Kelentukan dengan Kemampuan Lari 50. 11(2), 8–15.
Rene, R., & Wahyuni, S. (2022). Pengaruh Work-Life Balance Terhadap Komitmen Organisasi, Kepuasan Kerja, Dan Motivasi Kerja Terhadap Kinerja Individu Pada Karyawan Perusahaan Asuransi Di Jakarta. Jurnal Manajemen Dan Bisnis Sriwijaya, 16(1), 53–63.
Saputra. (2025). Analisis Hubungan Kecepatan, Kepadatan Dan Volume Lalu Lintas Dengan Metode Greenshields Pada Ruas Jalan Marelan Raya. 4(2), 21.
Sugiono. (2021). Metode Penelitian Kuantitatif, Kualitatif, dan R&D (2nd ed.). Alfabeta. 9, 2721–2731.
Ukfah, A. F. R. (2025). Implementasi Exertion Interface dalam Gim Lempar Bola Sebagai Proof Of Concept Berbasis Computer Vision Yolov8. Universitas Islam Indonesia.
Ulum, M. B., & Widasari, E. R. (2025). Implementasi K-Nearest Neighbors untuk Sistem Deteksi Kelelahan Otot pada Pengemudi Berbasis Shimmer Electromyography Sensor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(3), 1–11.
