Mendeteksi Anomali Performa Atletik dengan Analitik Visual dan AI: Sistem Benchmarking Komprehensif

      Integritas kompetisi atletik senantiasa dihadapkan pada ancaman dari penggunaan obat-obatan peningkat performa. Program anti-doping tradisional mengandalkan tes biologis untuk mendeteksi zat-zat terlarang. Namun, metode ini memiliki keterbatasan signifikan: biaya yang tinggi (lebih dari $800 per sampel) dan "jendela deteksi" yang singkat untuk banyak zat terlarang, terkadang hanya beberapa jam atau hari setelah dikonsumsi. Keterbatasan ini menyebabkan sebagian besar atlet tidak menjalani pengujian rutin, memicu kebutuhan akan pendekatan pelengkap yang dapat menganalisis hasil kompetisi secara terus-menerus untuk mengidentifikasi pola performa yang mencurigakan.

      Sebuah studi akademis baru-baru ini memperkenalkan sebuah sistem inovatif yang mengatasi tantangan ini. Sistem ini memproses 1,6 juta data performa atletik dari lebih dari 19.000 kompetisi yang berlangsung antara tahun 2010 hingga 2025. Dengan menggabungkan delapan metode deteksi berbeda, mulai dari aturan statistik sederhana hingga pembelajaran mesin dan analisis lintasan, sistem ini bertujuan untuk secara efektif mengidentifikasi anomali yang memerlukan penyelidikan lebih lanjut, sekaligus mempertahankan transparansi dan penilaian manusia.

Mengapa Deteksi Anomali Performa Itu Penting?

      Tujuan utama program anti-doping adalah untuk melindungi keadilan dalam olahraga dan mencegah keuntungan yang tidak semestinya. Analisis performa atlet menawarkan beberapa keuntungan untuk tujuan skrining ini. Pertama, ia secara langsung mengukur hasil utama yang ingin dilindungi oleh program anti-doping: catatan waktu atau skor. Kedua, data performa dikumpulkan secara rutin di semua tingkat kompetisi, memungkinkan skrining berkelanjutan tanpa infrastruktur pengujian tambahan yang mahal. Terakhir, sinyal performa dapat membantu memprioritaskan sumber daya pengujian yang terbatas, mengarahkan perhatian pada atlet yang pola performanya memerlukan pemeriksaan lebih dekat.

      Sistem yang disajikan dalam studi ini (Blessed Madukoma & Prasenjit Mitra, "Performance Anomaly Detection in Athletics: A Benchmarking System with Visual Analytics") dirancang untuk mendukung pendekatan investigatif. Ketika suatu performa ditandai sebagai anomali, peneliti diberikan penjelasan spesifik metode, garis waktu karier, dan distribusi performa untuk konteks yang lebih kaya. Ini sangat krusial karena tuduhan palsu dapat merusak reputasi, sponsor, dan karier atlet, sehingga menekankan perlunya tinjauan ahli yang hati-hati daripada penegakan hukum otomatis.

Tantangan dan Solusi Inovatif dalam Deteksi Anomali

      Tantangan utama dalam skrining berbasis performa adalah variasi alami dalam performa atletik yang disebabkan oleh banyak alasan sah. Faktor lingkungan juga dapat secara sistematis menggeser hasil lari sprint. Misalnya, ketinggian dapat memberikan keuntungan yang terukur dalam lari 100 meter, sementara bantuan angin kencang juga memengaruhi performa secara signifikan. Aturan statistik sederhana, seperti menandai performa yang lebih dari 3 standar deviasi dari rata-rata atlet, sering kali mengabaikan varian spesifik atlet dan konteks penting, menyebabkan banyaknya positif palsu.

      Untuk mengatasi kompleksitas ini, sistem yang diusulkan mengintegrasikan infrastruktur data berskala besar, berbagai metode deteksi, dan analitik visual. Sistem ini menerapkan delapan metode deteksi yang mencakup:

• Aturan Outlier Statistik: Metode seperti z-score, MAD (Median Absolute Deviation), dan IQR (Interquartile Range) mengidentifikasi nilai-nilai yang jauh dari kelompok data lainnya berdasarkan perhitungan statistik dasar.
• Algoritma Pembelajaran Mesin: Termasuk Isolation Forest dan XGBoost, yang mampu mengidentifikasi pola anomali dalam data yang lebih kompleks dengan belajar dari data historis.
• Model Temporal Berbasis Trajektori: Pendekatan seperti "excess performance" yang membandingkan performa atlet dengan kemajuan karier yang diharapkan, memperhitungkan peningkatan atau penurunan yang wajar seiring waktu.
• Inferensi Hierarkis Bayesian: Model yang dapat mengatasi data kompetisi yang bervariasi antar atlet dengan meminjam kekuatan statistik dari populasi atlet yang lebih luas, memberikan estimasi yang lebih kuat.

Validasi dan Temuan Kunci

      Semua metode deteksi divalidasi terhadap pelanggaran anti-doping yang telah dikonfirmasi secara publik untuk mengukur efektivitasnya dalam mengidentifikasi atlet yang dikenai sanksi. Hasilnya menunjukkan bahwa metode berbasis trajektori, yang membandingkan performa dengan kemajuan karier yang diharapkan, mencapai keseimbangan terbaik antara mendeteksi pelanggaran dan membatasi alarm palsu. Meskipun demikian, semua metode menghadapi tantangan dari data yang tidak lengkap dan jarangnya pelanggaran yang dikonfirmasi secara publik.

      Sistem ini menunjukkan bahwa analitik video AI, seperti yang juga diterapkan oleh analitik video AI dari ARSA Technology, dapat diadaptasi untuk mendeteksi pola yang tidak biasa dalam berbagai konteks. Prinsip dasar mendeteksi penyimpangan dari norma dapat diaplikasikan pada pemantauan keamanan, kepatuhan PPE di industri, atau bahkan dalam seri AI Box untuk analisis lalu lintas atau perilaku di ritel. Ini menekankan pentingnya membangun solusi AI kustom yang transparan dan dapat dijelaskan.

Manfaat Praktis dan Signifikansi yang Lebih Luas

      Sistem ini menghadirkan beberapa kontribusi penting. Pertama, ia menyediakan data pipeline atletik dan benchmark yang dapat direproduksi yang memungkinkan evaluasi skala besar yang tidak mungkin dilakukan dengan hasil mentah. Ini berarti para peneliti dan organisasi anti-doping dapat menggunakan basis data yang konsisten untuk membandingkan metode deteksi. Kedua, sistem analitik visual untuk skrining anomali dan tinjauan trajektori memungkinkan investigasi yang didorong oleh ahli melalui perbandingan metode side-by-side, visualisasi trajektori performa, dan tinjauan kasus berbasis konsensus. Misalnya, seperti yang ditunjukkan dalam studi ini, performa seorang sprinter 200 meter yang diberi sanksi ditandai oleh beberapa metode (IQR Method dan Isolation Forest), memberikan penjelasan spesifik metode, garis waktu karier, dan distribusi performa. Penandaan ini kemudian dikonfirmasi oleh sanksi 6 tahun yang datang di kemudian hari. Transparansi semacam ini membantu penyidik menilai kesepakatan antar-metode sebelum memprioritaskan pengujian.

      Ketiga, benchmarking sistematis dari metode deteksi yang dapat direproduksi memberikan perbandingan pertama yang sistematis antara metode statistik, pembelajaran mesin, dan Bayesian pada dataset skala besar yang sama. Hal ini akan memajukan penelitian di bidang ini secara signifikan. Pendekatan ini menunjukkan bagaimana kemampuan analisis data yang canggih dapat diaplikasikan untuk menjaga keadilan dan integritas di berbagai bidang, mirip dengan bagaimana solusi AI kustom yang ditawarkan oleh ARSA Technology yang berpengalaman sejak 2018 dirancang untuk memecahkan masalah operasional yang kompleks di berbagai industri.

      Dengan menyatukan keahlian teknis dalam pembelajaran mesin, analitik visual, dan infrastruktur data, sistem ini menawarkan alat yang ampuh untuk meningkatkan program anti-doping. Ini tidak dimaksudkan untuk menggantikan pengujian biologis, tetapi untuk melengkapinya, memberikan lapisan intelijen yang berkelanjutan dan hemat biaya untuk mengidentifikasi atlet yang patut diwaspadai, sekaligus memastikan bahwa keputusan akhir tetap berada di tangan para ahli.

      Untuk mengeksplorasi bagaimana solusi AI dan IoT dapat membantu bisnis Anda dalam mendeteksi anomali performa, meningkatkan keamanan, atau mengoptimalkan operasional, hubungi tim ARSA untuk konsultasi gratis.

      Sumber: Madukoma, B., & Mitra, P. (2026). Performance Anomaly Detection in Athletics: A Benchmarking System with Visual Analytics. arXiv preprint arXiv:2604.21953.