<![CDATA[Kemajuan wearable devices memungkinkan pemantauan kinerja pelari secara objektif dan berkelanjutan untuk mendukung klasifikasi dan pencegahan running-related injuries. Namun, pemodelan cedera berbasis data menghadapi tantangan berupa ketidakseimbangan kelas yang ekstrem serta kompleksitas pola temporal. Dataset yang digunakan berupa data temporal mingguan dengan distribusi sangat tidak seimbang, terdiri dari 42.223 data non-injury dan 575 data injury, sehingga berpotensi menimbulkan bias model tanpa penanganan khusus. Untuk mengatasi permasalahan tersebut, diterapkan tiga teknik undersampling, yaitu Random Undersampling, Cluster-based Undersampling, dan NearMiss Undersampling, guna menjaga representativitas dan keberagaman pola kelas mayoritas. Hasil eksperimen menunjukkan bahwa NearMiss Undersampling memberikan kinerja baseline terbaik dengan akurasi 0,8826, F1-score 0,8756, dan AUC 0,9645. Kinerja model selanjutnya meningkat melalui hyperparameter tuning menggunakan Optuna dengan pendekatan Tree-structured Parzen Estimator (TPE), menghasilkan akurasi 0,9000, F1-score 0,8959, dan AUC 0,9782. Selain itu, evaluasi augmentasi data menggunakan SMOTE pada skenario Cluster-based Undersampling menunjukkan bahwa tingkat augmentasi 20% memberikan performa paling stabil. Secara keseluruhan, kombinasi strategi resampling yang tepat dan optimasi parameter terbukti efektif dalam meningkatkan kinerja klasifikasi cedera pelari berbasis data wearable devices.]]>
Copyrights © 2026
