<![CDATA[Abstrak — Meningkatnya popularitas olahraga lari diiringi dengan tingginya risiko cedera atau running related injuries (RRIs) dimana seringkali kebingungan dalam menentukan program latihan yang aman dan sesuai dengan kemampuan individu. Penelitian ini bertujuan merancang, membangun, dan mengevaluasi RUN-IO, sebuah aplikasi mobile yang memberikan rekomendasi latihan lari yang dipersonalisasi untuk meminimalkan risiko tersebut. Menggunakan algoritma Random Forest Regressor, aplikasi memproses data pengguna (usia, tinggi, berat, jenis kelamin) untuk memprediksi tiga parameter kunci: Kecepatan, Waktu, dan Jarak Lari. Model dilatih menggunakan dataset "Running Calorie Burn" dari Kaggle dan dievaluasi kinerjanya dengan metrik Mean Absolute Error (MAE) dan R-Squared (R²). Hasil evaluasi menunjukkan bahwa model prediksi memenuhi kriteria kelayakan implementasi. Model Running Speed menunjukkan performa paling unggul dengan nilai R² mencapai 0.8990 dan MAE 0.56 km/jam. Pengujian fungsional aplikasi dan evaluasi antarmuka oleh pengguna menunjukkan aplikasi dinilai sangat baik. Penelitian ini berhasil mengimplementasikan model machine learning yang valid ke dalam aplikasi RUN-IO yang fungsional, menyediakan alat bantu praktis bagi pelari untuk berlatih secara lebih aman dan terukur agar dapat menghindari cedera. Kata kunci— Aplikasi mobile, Running Related Injuries, Running, Random Forest Regressor, Personalisasi latihan]]>
