Implementasi Machine Learning untuk Prediksi Performa Lari Berdasarkan Data Strava
DOI:
https://doi.org/10.35473/ikn.v3i1.4870Abstract
This study aims to develop a predictive model to estimate running performance represented by pace (min/km) using activity data from Strava. The motivation stems from the fact that runners’ daily activity logs are often used only for descriptive tracking rather than as an evidence-based foundation for personalized and predictive training planning. The dataset consists of 120 running activities, with predictors including distance (km), training duration (min), elevation gain (m), and heart rate (bpm). Data preprocessing involved invalid record removal, outlier handling, and format standardization. A multiple linear regression model was then constructed and evaluated using the coefficient of determination (R²) and error metrics, namely Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) on the test set. The results indicate that training load and physiological variables jointly explain a meaningful proportion of pace variability, offering a quantitative basis for understanding factors associated with running performance. Overall, these findings suggest that Strava data can be leveraged to build practical performance prediction models to support data-driven training decisions.
ABSTRAK
Penelitian ini bertujuan mengembangkan model prediktif untuk memperkirakan performa lari yang direpresentasikan oleh pace (menit/km) menggunakan data aktivitas dari platform Strava. Permasalahan yang melatarbelakangi penelitian ini adalah pemanfaatan data aktivitas harian pelari yang masih dominan bersifat deskriptif (evaluasi masa lalu) dan belum banyak digunakan untuk mendukung perencanaan latihan yang lebih terukur dan personal. Dataset penelitian terdiri dari 120 aktivitas lari, dengan variabel prediktor meliputi jarak tempuh (km), durasi latihan (menit), perubahan elevasi (m), dan denyut jantung (bpm). Data dipraproses melalui pembersihan data tidak valid, penanganan nilai ekstrem, dan standarisasi format, kemudian dianalisis menggunakan regresi linear berganda. Evaluasi model dilakukan menggunakan koefisien determinasi (R²) serta metrik galat Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) pada data uji. Hasil penelitian menunjukkan bahwa kombinasi variabel latihan dan fisiologis dapat menjelaskan variasi pace secara bermakna, serta memberikan dasar kuantitatif untuk memahami faktor-faktor yang berasosiasi dengan performa lari. Temuan ini mengindikasikan bahwa data Strava berpotensi dimanfaatkan untuk membangun model prediksi performa yang aplikatif sebagai dukungan pengambilan keputusan latihan berbasis data.
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.
