Prediktor Waktu Lomba – Kalkulator Rumus Riegel

Cara Memprediksi Waktu Lari: Rumus Riegel

Prediksi waktu lari berdasarkan hubungan matematis antara prestasi di jarak yang berbeda. Model yang paling umum digunakan adalah rumus Peter Riegel, yang diterbitkan di American Scientist pada tahun 1977:

T2 = T1 × (D2/D1)^1.06

Di mana T1 adalah waktu lari yang diketahui, D1 adalah jarak lari tersebut, D2 adalah jarak target, dan T2 adalah waktu prediksi. Konstanta 1,06 merefleksikan fakta fisiologis bahwa prestasi menurun lebih cepat daripada linear — lari jarak jauh lebih sulit daripada lari jarak pendek.

Contoh: seorang atlet lari dengan waktu 5K 22:00 memprediksi waktu maraton: 22:00 × (42,195/5)^1,06 = 22:00 × 9,12 = 200,6 menit = 3:20:38.

Rumus Riegel sangat akurat untuk atlet lari yang terlatih berlari di jarak biasanya. Batasan utama: ia asumsi persiapan yang sama untuk kedua jarak.

Tabel Prediksi Jarak Lari

Gunakan tabel referensi ini untuk menemukan waktu prediksi lari di jarak yang berbeda berdasarkan prestasi yang diketahui. Nilai menggunakan rumus Riegel (konstanta 1,06):

Perlu diingat bahwa prediksi ini asumsi jalur datar di kondisi cuaca moderat (10–15°C) dengan persiapan lari yang sesuai untuk kedua jarak.

Mengapa Prediksi Tidak Akurat dan Bagaimana Mengaturnya

Rumus Riegel memberikan prediksi statistik rata-rata — tetapi Anda bukanlah rata-rata statistik. Beberapa faktor sistematis menyebabkan prediksi individu tidak akurat:

• Spesialisasi jarak: Atlet lari yang berlatih untuk 5K biasanya lebih baik di jarak pendek daripada prediksi maraton. Atlet lari yang berlatih untuk maraton menunjukkan hasil yang sebaliknya — maraton mereka lebih baik daripada prediksi 5K. Jika pelatihan Anda lebih banyak berfokus pada satu jenis pekerjaan, atur prediksi sesuai.
• Volume pelatihan: Atlet lari dengan 30 mil/pekan tidak dapat melaksanakan maraton seperti yang diprediksi oleh waktu 5K mereka vs. atlet lari dengan 70 mil/pekan. Pelatihan jarak jauh sangat penting untuk prestasi maraton di atas kemampuan oksigen.
• Suhu: Untuk setiap 5°C di atas 15°C, diharapkan penurunan 1–3% dalam prestasi lari jarak jauh. Efek ini berkompensasi — hari maraton 30°C dapat berarti 8–15% lebih lambat.
• Kemudahan jalur: Elevation net, total naik, dan jenis permukaan semua mempengaruhi prediksi. Banyak rumus prediksi asumsi jalur datar.
• Matangnya kemampuan oksigen: Atlet lari baru sering melihat peningkatan besar antara lari dasar-jarak dan prediksi jarak jauh — sistem oksigen mereka belum mencapai puncaknya.

Untuk sebagian besar atlet lari rekreasi, prediksi waktu maraton yang paling akurat adalah waktu lari setengah maraton yang baru-baru ini (dipanjangkan dan tambahkan 10–15 menit sebagai titik awal kasar, atau gunakan rumus Riegel).

Rumus Prediksi Lari Lainnya

Beberapa model alternatif bersaing dengan rumus Riegel. Setiap model memiliki kekuatan yang berbeda:

• Rumus Cameron: Menggunakan persamaan eksponensial yang lebih kompleks. Umumnya lebih akurat di jarak ekstrem (ultramaraton) di mana Riegel cenderung over-prediksi prestasi.
• Metode VDOT (Jack Daniels): Konversi waktu lari ke skor VDOT, lalu cari waktu yang setara untuk jarak lain. Sangat akurat untuk rentang 1500m–maraton ketika VDOT diperoleh dari upaya maksimal yang sebenarnya.
• Metode VO2max: Perkirakan VO2max dari waktu lari, lalu hitung waktu yang diharapkan di jarak lain menggunakan persamaan biaya oksigen berlari. Fisilogis yang berdasarkan prinsip tetapi memerlukan perhitungan yang lebih banyak.
• Tabel skor Dunia Atletik: Meskipun dirancang untuk skor, tabel ini secara implisit model prestasi yang setara di jarak yang berbeda dan dapat digunakan untuk prediksi kasar.

Untuk perencanaan lari yang praktis, rumus Riegel adalah pilihan utama karena sederhananya dan akurasi di rentang 5K–maraton. Gunakan beberapa model dan rata-rata mereka untuk keputusan penting.

Menggunakan Prediksi Lari untuk Latihan

Prediksi waktu lari tidak hanya berguna untuk menetapkan tujuan lari — mereka adalah alat latihan yang kuat. Berikut cara pelatih menggunakan prediksi waktu:

• Konfirmasi kesiapan: Jika waktu 5K Anda memprediksi waktu maraton 3:30 tetapi Anda menargetkan 3:15, Anda akan tahu Anda perlu latihan lebih banyak atau tujuan yang lebih konservatif.
• Identifikasi kelemahan: Jika waktu 10K Anda memprediksi maraton yang lebih cepat daripada kinerja maraton Anda yang sebenarnya, Anda mungkin memiliki defisit latihan dalam kekuatan lari jarak jauh.
• Tetapkan tujuan intermediet: Gunakan prediksi lari untuk menetapkan tujuan lari 5K dan 10K yang sesuai dalam siklus latihan maraton. Berlari jarak pendek pada usaha yang setara dengan prediksi adalah stimulus latihan yang berharga.
• Benchmark kesehatan: Lari waktu uji (5K atau 10K) pada usaha lari pada minggu ke-8 dari rencana 20 minggu. Gunakan prediksi untuk memverifikasi apakah latihan Anda sedang berada di jalur untuk tujuan Anda.

Pendekatan Jack Daniels VDOT sangat kuat di sini: setelah Anda menghitung VDOT dari lari apa pun, Anda memiliki porsi latihan yang ditetapkan DAN prediksi waktu untuk semua jarak standar secara bersamaan.

Kinerja Lari yang Dijadikan Usia

Waktu lari mentah secara alami menurun dengan usia karena perubahan fisiologis — penurunan VO2max, detak jantung maksimal yang lebih rendah, pemulihan yang lebih lambat, penurunan massa otot. Tabel kinerja yang diusia-kan menyesuaikan perubahan-perubahan ini, memungkinkan perbandingan yang adil dari kinerja di berbagai usia.

World Athletics (sebelumnya IAAF) menjaga tabel usia-kan. Seorang lari 60 tahun yang berlari 4:30 dalam maraton mungkin menerima skor usia-kan sebesar 72%, berarti kinerjanya setara dengan 72% tingkat rekor dunia untuk usia dan jenis kelaminnya. Seorang pelari rekreasi kompetitif biasanya skor 55-65%; pelari usia kelompok elit skor 75-85%.

Waktu lari yang diusia-kan juga dapat digunakan untuk prediksi: jika Anda tahu faktor usia-kan Anda, Anda dapat memperkirakan berapa cepat Anda akan berlari lari yang sama 10 atau 20 tahun yang lalu — atau proyeksi berapa tujuan waktu absolut Anda harus disesuaikan dengan usia.

Aturan jari: VO2max menurun sekitar 10% per dekade setelah usia 25 untuk individu yang tidak aktif — tetapi hanya 5-7% per dekade untuk mereka yang mempertahankan pelatihan aerobik konsisten. Tetap aktif secara dramatis memperlambat penurunan kinerja lari yang terkait dengan usia.

Daniels' VDOT sebagai Sistem Prediksi Lari

While Riegel's formula is a pure mathematical model, Jack Daniels' VDOT system takes a physiologically grounded approach to race time prediction. In Daniels' Running Formula, he developed VDOT tables from decades of coaching data that map any race performance to equivalent times at all standard distances from 1500m to the marathon.

The key advantage of VDOT over Riegel: Daniels' tables are empirically derived from actual athlete performances — not just a mathematical extrapolation. They account for the non-linear relationship between distance and performance more precisely, particularly at the extremes (very short and very long races).

VDOT prediction examples compared to Riegel:

Untuk tujuan praktis sehari-hari, perbedaan antara Riegel dan VDOT prediksi kecil — biasanya 1-2 menit untuk maraton. Namun, VDOT memiliki kelebihan signifikan bahwa juga menetapkan porsi latihan Anda, membuatnya sistem yang lebih lengkap untuk prediksi dan persiapan.

Daniels berhati-hati bahwa VDOT kesetaraan asumsikan spesifikasi latihan yang sama untuk kedua jarak. Seorang pelari trek murni mungkin tidak mencapai waktu maraton VDOT yang diprediksi tanpa persiapan maraton yang spesifik. Sebaliknya, seorang pelari yang hanya melatih maraton mungkin tidak mencapai kinerja VDOT yang setara pada 5K karena kekurangan latihan kecepatan.

Pendekatan Pfitzinger untuk Kesetaraan Waktu Lari

Pete Pfitzinger, dalam Advanced Marathoning dan Faster Road Racing, menyediakan panduan praktis tentang menggunakan prediksi waktu lari dalam konteks pelatihan. Pendekatan Pfitzinger menekankan pentingnya spesifisitas persiapan sebagai modifikator utama dari setiap prediksi matematis.

Pfitzinger mengidentifikasi tiga tingkat keandalan prediksi:

• Keandalan tinggi (jarak yang berdekatan): Memprediksi 10K dari 5K terbaru, atau setengah marathon dari 10K terbaru. Jarak-jarak ini cukup dekat sehingga pelatihan overlap signifikan. Akurasi: dalam 1–2%.
• Keandalan moderat (rasio jarak 2–4): Memprediksi marathon dari setengah marathon, atau setengah marathon dari 5K. Memerlukan pelatihan jarak khusus yang cukup. Akurasi: dalam 3–5% dengan persiapan yang tepat.
• Keandalan rendah (rasio ekstrem): Memprediksi marathon dari waktu 1500m atau mil. Tuntutan fisiologisnya sangat berbeda sehingga prediksi matematis sendiri tidak dapat diandalkan. Bisa salah hingga 10%+ tanpa pelatihan marathon khusus.

Pendekatan praktis Pfitzinger untuk memprediksi marathon dari setengah marathon: dua kali waktu setengah marathon dan tambahkan 5–15 menit, dengan ujung bawah untuk pelari yang terlatih baik (60+ mil/pekan) dan ujung atas untuk pelari dengan jarak yang lebih rendah (30–40 mil/pekan). Aturan "dua kali plus" ini mengakui kelelahan eksponensial dari setengah marathon kedua.

Beliau juga menekankan bahwa akurasi prediksi musiman. Waktu lari dari 6 bulan yang lalu adalah prediksi yang kurang andal daripada satu dari 4–6 minggu yang lalu, karena perubahan kebugaran — baik positif maupun negatif — mempengaruhi kevalidan prediksi secara signifikan.

Model Fatigue Kumulatif Hansons dan Prediksi Lari

Metode Hansons menawarkan perspektif unik pada prediksi lari: bukan hanya bergantung pada rumus matematika, mereka menggunakan performa pelatihan di bawah kelelahan sebagai prediktor langsung kemampuan lari.

Dalam sistem Hansons, benchmark pelatihan kunci memprediksi kesiapan lari:

Approach Hansons pada prediksi adalah secara fundamental praktis: jika Anda dapat mencapai benchmark pelatihan Anda pada kaki lelah, tujuan lari Anda dapat dicapai. Jika Anda konsisten melewatkan target pace dalam pelatihan, prediksi matematika tidak relevan — tubuh Anda memberitahu Anda bahwa tujuan perlu disesuaikan.

Prediksi berdasarkan pelatihan ini menambahkan lapisan validasi nyata pada Riegel dan VDOT. Prediksi lari terbaik menggabungkan: (1) model matematika dari waktu lari terbaru, (2) konfirmasi dari performa pelatihan pada upaya lari spesifik, dan (3) penyesuaian untuk kondisi hari lari (cuaca, lintasan, ketinggian).