Bagaimana Pembelajaran Mesin Membongkar Kunci Sukses Atlet Elit: Faktor Penentu Terungkap

Budapest, Hungaria, Sumber:

Pencapaian performa atletik puncak selalu menyeimbangkan seni dan ilmu. Kemajuan terbaru dalam kecerdasan buatan kini memberikan kejelasan yang belum pernah terjadi sebelumnya mengenai faktor-faktor yang membedakan atlet baik dari atlet elit. Sebuah studi terobosan yang diterbitkan dalam jurnal Sports oleh peneliti dari Universitas Semmelweis dan Argus Cognitive, Inc., menggunakan pembelajaran mesin untuk menguraikan hubungan kompleks antara prestasi kompetitif dan daya tahan fisiologis. Penelitian ini menandai pergeseran signifikan dari skrining kardiologi olahraga tradisional menuju optimasi performa berbasis data.

Studi ini menganalisis data dari 688 atlet elit sehat tanpa gejala, yang terdiri dari 1.194 pemeriksaan skrining kardiologi olahraga. Tujuan utamanya adalah mengevaluasi seberapa baik model pembelajaran mesin dapat memprediksi dua metrik berbeda: Skor Pencapaian, yang berasal dari hasil kompetisi, dan Skor Daya Tahan, yang didasarkan pada kapasitas kardiorespirasi absolut. Untuk memastikan keandalan, tim tersebut menggunakan SHapley Additive exPlanations (SHAP) untuk mengidentifikasi penentu paling berpengaruh bagi setiap skor. Pendekatan ini efektif membuka kotak hitam prediksi AI.

Temuan menunjukkan dikotomi mencolok dalam hal pendorong kesuksesan. Untuk Skor Pencapaian yang mencerminkan hasil kompetitif, prediktor terkuatnya adalah tahun pelatihan, jam latihan mingguan, dan usia. Hal ini menunjukkan bahwa kesuksesan kompetitif sangat bergantung pada pengalaman, pengetahuan yang terakumulasi, dan volume latihan terarah, bukan sekadar sifat fisik mentah. Sebaliknya, Skor Daya Tahan terutama didorong oleh massa otot kerangka, berat badan, dan detak jantung puncak. Hasil ini menunjukkan bahwa daya tahan fisiologis murni lebih erat kaitannya dengan komposisi tubuh dan adaptasi olahraga spesifik yang terkait dengan ukuran kardiorespirasi absolut.

Meskipun model untuk memprediksi pencapaian menunjukkan akurasi moderat (R² = 0,29), model untuk daya tahan memiliki akurasi tinggi (R² = 0,69). Ketimpangan ini menyoroti bahwa sementara kapasitas fisik dapat diestimasi secara tepat melalui data biometrik, prestasi kompetitif dipengaruhi oleh beragam faktor psikologis, strategis, dan pengalaman yang lebih sulit diukur. Pelatih mungkin bertanya mengapa beberapa atlet unggul meskipun profil fisiknya serupa. Jawabannya terletak pada aset tak berwujud berupa pengalaman dan strategi.

Wawasan ini memiliki implikasi mendalam bagi pembinaan dan identifikasi bakat. Dengan memahami bahwa daya tahan sebagian besar merupakan fungsi dari komposisi tubuh dan adaptasi jantung, pelatih dapat menyesuaikan program kondisioning dengan lebih efektif. Di sisi lain, mengakui bahwa pencapaian terkait dengan riwayat pelatihan menekankan pentingnya pengembangan jangka panjang dan bimbingan. Seiring pembelajaran mesin terus berkembang, integrasinya ke dalam kedokteran olahraga menjanjikan personalisasi regimen latihan, pengurangan risiko cedera, dan pembukaan tingkat potensi manusia baru. Penelitian ini tidak hanya memajukan bidang kardiologi olahraga tetapi juga menyediakan cetak biru tentang bagaimana AI dapat digunakan untuk membongkar sifat multifaset performa manusia.