Prediksi Risiko Cedera dan Kebutuhan Nutrisi Atlet Tradisional hingga E-Sports Berbasis Algoritma Machine Learning

Abstract

Evolusi industri keolahragaan modern menciptakan spektrum disiplin yang ekstrem, membentang dari olahraga fisik tradisional (seperti pencak silat dan atletik) hingga kompetisi kognitif-motorik halus (E-Sports). Perbedaan mendasar dalam tuntutan biomekanika dan beban kognitif ini menghadirkan tantangan besar dalam memprediksi risiko cedera dan menyusun protokol nutrisi yang spesifik. Penelitian ini bertujuan untuk merancang dan mengevaluasi model prediktif berbasis Machine Learning (ML) guna mengklasifikasikan risiko cedera dan meregresi kebutuhan makronutrien secara presisi bagi kedua demografi atlet tersebut. Menggunakan metodologi in silico, penelitian ini mengeksekusi simulasi komputasional pada dataset sintetik yang terdiri dari 150.000 profil agen atlet virtual (75.000 konvensional dan 75.000 e-sports). Algoritma Random Forest Classifier digunakan untuk memprediksi profil cedera, sementara eXtreme Gradient Boosting (XGBoost) Regressor digunakan untuk mengalkulasi kebutuhan kalori, protein, dan agen nootropik. Hasil komputasi menunjukkan bahwa model Random Forest mampu memprediksi risiko cedera (muskuloskeletal pada atlet tradisional vs sindrom lorong karpal/kelelahan mata pada atlet e-sports) dengan tingkat akurasi (Accuracy) mencapai 96,4% dan F1-Score 0,95. Pada modul nutrisi, algoritma XGBoost berhasil mereduksi kesalahan prediksi kebutuhan kalori dengan Root Mean Square Error (RMSE) serendah 115 kcal/hari, memvalidasi pergeseran kebutuhan dari dominasi karbohidrat (pada atlet fisik) menuju dominasi asam lemak esensial dan antioksidan lutein (pada atlet e-sports). Penelitian ini menyimpulkan bahwa integrasi algoritma Machine Learning mampu menggantikan pendekatan tebakan klinis (clinical guesswork) dengan presisi analitik, memberikan landasan saintifik baru bagi dokter olahraga dan ahli gizi dalam merumuskan program mitigasi dan performa yang hiper-personal di era Society 5.0.