Naive Bayes

Naive Bayes adalah sekumpulan algoritma klasifikasi dalam mesin learning yang menggunakan teori Bayes. Naive Bayes tidak hanya sebuah algoritma, namun sekumpulan algortima yang menggunakan asumsi yang sama. Yaitu nilai semua fitur independen terhadap fitur yang lain. Contoh fiturnya, buah dapat diklasifikasikan sebagai apel bila merah, bulat dan memiliki diameter 7,5 cm. Klasifier naive bayes menganggap ketiga fitur ini (merah, bulat dan dimater 7,5) adalah independen terhadap probabilitas bahwa buah itu adalah apel. Maksudnya tidak ada korelasi atau hubungan antara ketiga fitur tersebut.

Namun sebenernya fitur tidak selalu independen. Karena itulah algoritma ini mendapat nama Naive. Walaupun idenya sederhana, Naive Bayes seringkali menghasilkan performa yang lebih baik daripada algoritma lain yang lebih rumit. Sehingga Naive Bayes saat ini banyak digunakan, contohnya untuk deteksi spam dan klasifikasi dokumen.

Algoritma Naive Bayes dapat digunakan untuk memprediksi sebuah kelas dari sekelompok fitur menggunakan probabilitas. Dalam contoh lain, kita menggunakan Naive Bayes untuk memprediksi apakah buah itu apel, jeruk maupun pisang (kelas) berdasarkan warnanya, bentuknya dll (fitur).

Kelebihan Naive Bayes:

  • Sederhana, mudah untuk dipahami dan dibangun
  • Mudah untuk melakukan training, bahkan dengan dataset kecil
  • Lebih cepat
  • Tidak sensitif terhadap fitur yang tidak relevan

Kelemahan Naive Bayes

  • Mengasumsikan semua fitur independen

Contoh:

Kita punya data 1000 buah. Ada 3 fitur yang bisa digunakan untuk melakukan klasifikasi apakah buah itu pisang, jeruk atau buah lainnya. Fiturnya yaitu, apakah buah itu panjang atau tidak? Manis atau tidak? Kuning atau tidak. Berdasarkan data diketahui:

  • 50% buah adalah pisang
  • 30% buah adalah jeruk
  • 20% adalah buah lainnya

Selain itu diketahui juga:

  • Dari 500 buah pisang, 400 (0,8%) adalah panjang, 350 (0,7) adalah manis dan 450 (0,9) adalah kuning
  • Dari 300 buah jeruk, 0 adalah panjang, 150 (0,5) adalah manis dan 300 (1) adalah kuning
  • Dari sisa 200 buah lain, 100 (0,5) adalah panjang, 150 (0,75) adalah manis dan 50 (0,25) adalah kuning.

Dari data ini, bila kita diberikan sebuah buah, kita dapat memprediksi apakah buah itu pisang, jeruk atau buah lainnya. Bila buah tersebut adalah panjang, manis dan kuning maka kita dapat menghitung probabilitas buah itu sebagai pisang adalah:

P(Pisang|Panjang, Manis, Kuning) = P(Panjang|Pisang). P(Manis|Pisang). P(Kuning|Pisang). P(Pisang) / (P(Panjang) P(Manis). P(Kuning)

= 0,8 * 0,7 * 0,9 * 0,5/ P(Panjang) . P(Manis). P(Kuning)

Probabilitas jeruk adalah P(jeruk|Panjang, Manis, Kuning)= 0

Probabilitas buah lain adalah: P(Buah lain|Panjang, Manis, Kuning) = P(Panjang|Buah lain).P(Manis|Buah lain).P(Kuning|Buah lain).P(Buah lain)/P(Panjang).P(Manis).P(Kuning)= 0,5 *0,75*0,25*0,2/P(Panjang).P(Manis.P(kuning)= 0,01875/P(Panjang).P(Manis).P(Kuning)

Dari hasil perhitungan terlihat Probabilitas pisang lebih besar yaitu 0,252> 0,01875. Sampai disini dulu, Semoga Bermanfaat!

Referensi:

https://www.datasciencecentral.com/profiles/blogs/naive-bayes-for-dummies-a-simple-explanation

https://monkeylearn.com/blog/practical-explanation-naive-bayes-classifier/

https://en.wikipedia.org/wiki/Naive_Bayes_classifier

Cyberdefender challenge

Buat para satpam, ada platform baru buat belajar security. Namanya Cyberdefender. Disini ada banyak challenge untuk belajar security. Misalnya ada tentang forensic, ada tentang malware, ada tentang analisa trafik dan threat hunting. Formatnya biasanya kita dikasi file, kemudian nanti diminta menjawab beberapa pertanyaan. Mirip kayak CTF.

Buat main kita musti register dulu cukup masukin username, email dan password. Kemudian musti cek email untuk aktivasi akun. Challengenya seru menurut saya. Contohnya misalnya challenge malware traffic analysis. Jadi skenarionya kita kerja sebagai analis pada SOC sebuah perusahaan. Trus ada kasus mail filter perusahaan itu down, dan spam nyebar kemana2. Nah kita dikasi sebuah file pcap dan 4 email spam yang sempet dibuka sama seorang karyawan. File pcap nya adalah trafik jaringan dari karyawan yang sempet buka spam tadi.

Tugas kita melakukan analisa terhadap pcap dan 4 email tadi, terus ngejawab ada 19 pertanyaan. Mulai dari yang gampang sampe yang susah. Misalnya apa nama malicious file, apa nama family dari malware tadi, sampe kita diminta melacak malware tadi melakukan koneksi ke IP mana?

Untuk melakukan analisa ini perlu tools beneran. Dikasi penjelasan juga di challenge details. Misalnya bisa pake Suricata, wireshark, network miner, hybrid analysis dan brim security. Ada juga tutorial buat setup brim security dan suricata.

Selain itu platform ini juga menyediakan beberapa training menarik. Sebagian besar gratis. Tapi ada juga yang bayar. Contohnya yang basic, ada training tentang setup virtual mesin, Pengenalan digital forensik dan Malware noob2Ninja.

Training Malware noob2ninja ini ngajarin cara untuk ngebangun lab analisa malware. Lab yang dimaksud sebenarnya virtual mesin yang sudah dikonfigurasi khusus untuk analisa malware. Jadi analisa malware kan gak bisa sembarangan, karena ada resiko komputer kita kena infeksi malware. Terus diajarin juga cara nganalisa malicious dokumen, teknik analisa statik, teknik analisa dinamis. Selain itu dikenalkan juga cara pake cuckoo Sandbox, x32dbg, x64dbg & ghidra. Cuckoo ini tools analisa malware otomatis. klo x32dbg, x64dbg dan ghidra tools untuk reverse engineering malware.

Kemudian dikenalkan juga teknik obfuscation malware, dan teknik analisa memori (RAM). Silahkan dicoba. Cyberdefender challenge ini bisa diakses pada link berikut:

https://cyberdefenders.org/labs/

Semoga Bermanfaat!

Materi Keamanan Aplikasi

Kemaren ada teman yang menanyakan tentang materi kuliah keamanan jaringan. Ceritanya dia diminta ngajar mata kulah itu di kampusnya. Saya langsung share dia materi kuliah keamanan jaringan yang saya ampu. Ternyata setelah ngobrol, karena dia dari prodi Manajemen Informatika (MI), menurut saya lebih pas kalo kontennya ke materi keamanan aplikasi. Karena anak MI kan nantinya diharapkan jadi programmer.

Jadi secara umum materi satpam (security) dapat kita bagi 3 ada keamanan jaringan, keamanan aplikasi dan keamanan komputer. Ketiganya memang belajar tentang satpam, tapi dari pendekatan yang berbeda.

Kalo keamanan jaringan lebih fokus belajar mengamankan jaringan dari serangan. Teknik pengamanannya misalnya menggunakan firewall, ids, ips dll. Jenis serangannya sniffing, DOS, spoofing, MITM dll.

Sementara keamanan aplikasi lebih fokus belajar tentang bagaimana mengamankan aplikasi. Teknik pengamanannya misalnya secure coding, atau bisa pake WAF untuk web server. Teknik serangannya misalnya SQL Injection, Buffer overflow dkk

Kalo keamanan komputer lebih fokus ke ngamanin sistem operasi dan hardware. Teknik pengamanannya misalnya Hardening. Teknik serangannnya misalnya dengan vulnerability analysis, exploit, malware, dst

Untuk keamanan aplikasi salah satu kitab kuningnya adalah buku Gary Mcgraw tentang software security. Atau bisa mulai dari dokumen owasp top 10 tentang keamanan aplikasi . Selain itu bisa juga liat materi sertifikasi ec-council tentang secure coding. Kalo lebih suka yang bahasa Indo bisa coba cek materi kuliahnya pak Budi Rahardjo.

Nah setelah dishare beberapa materi tersebut, dia langsung puyeng. Padahal saya masih mau ngasih beberapa link keren lainnya tentang keamanan aplikasi. Ya sudah akhirnya saya share disini aja linknya. Semoga Bermanfaat!

Link lainnya tentang keamanan aplikasi:

https://samsclass.info/129S/129S_S18.shtml

https://github.com/topics/secure-coding

https://github.com/OWASP/SecureCodingDojo

https://about.gitlab.com/handbook/engineering/security/secure-coding-training.html

https://portswigger.net/web-security

Independence event – probabilitas

Dalam ilmu probabilitas, dua event (kejadian) disebut independence bila kejadin pada satu event tidak mempengaruhi probabilitas pada kejadian yang lain. Contohnya misalnya kita melempar dua dadu secara bersamaan. Peluang kejadian sebuah dadu tidak akan mempengaruhi peluang kejadian pada dadu lainnya. Namun pada kejadian dependent, probabilitas suatu kejadian mempengaruhi probabilitas kejadian yang lain. Contohnya misalnya kita memiliki sebuah kantung yang didalamnya terdapat 3 bola hijau dan 5 bola berwarna biru. Bila kita mencoba mengambil satu bola dari tas. H adalah probabilitas kejadian bola pertama yang diambil berwarna hijau. Sementara B adalah probabilitas kejadian bola yang kedua diambil berwarna biru. Maka probabilitas B tergantung pada kejadian H.

Bila H terjadi maka P(B) = 5/7

Bila H tidak terjadi maka P(B)= 4/7

Contoh diatas adalah pada events yang terjadi berurutan dimana probability kejadian pertama mempengaruhi probabilitas kejadian kedua

Conditional Probability

Dari contoh kasus pengambilan bola, bisa kita katakan P(B|G)=5/7 dan P(B|G’)= 4/7

Sehingga kita dapatkan definisi berikut:

Dua event A& B adalah independen bila

P(A|B)=P(A|B′) dan P(B|A)=P(B|A’)

Dua event adalah dependen jika

P(A|B) tidak sama dengan P(A|B’) atau P(B|A) tidak sama dengan P(B|A’)

event A & B independen bila

P(A ∩ B) = P(A).P(B)

Bila A dan B adalah independen maka:

P(A|B) = P(A) jika P(B) > 0,

P(B|A) = P(B) jika P(A) > 0;

A dan B’ adalah independen

A’ and B adalah independen

A’ and B’ adalah independen

P(A|B) = P(A ∩ B)/P(B) jika P(B) > 0

= P(A).P(B) P(B) karena A dan B independen

= P(A)

Sampai disini dulu, semoga bermanfaat!

Referensi:

https://brilliant.org/wiki/probability-independent-events/

http://filozof.uni.lodz.pl/~zawidzki/Lectures/Lecture%203a,%20Conditional%20probability.pdf

Lari untuk Pemula 4

Saya lanjutkan bahasan sharing dr.Hilmi tentang lari untuk pemula. Bahasan berikutnya dari dr.Hilmi adalah tentang VO2 Max. Setelah darah dipompa oleh jantung, darah akan dikonsumsi di jaringan oleh otot-otot. Jumlah maksimal oksigen yang dikonsumsi oleh otot adalah VO2Max. V02Max adalah merupakan salah satu indikator tingkat kebugaran. Semakin tinggi VO2Max maka semakin cepat kita dapat berlari.

Menurut dr. Hilmi ada beberapa metode yang dapat digunakan untuk mengukur VO2Max kita. Misalnya menggunakan Metode Cooper. Caranya adalah dengan kita berlari maksimal (sekencang-kencangnya) selama 12 menit, kemudian kita ukur jaraknya. Setelah itu nanti liat di tabel berikut ini:

Di tabel tersebut, berdasarkan jarak, jenis kelamin dan usia bisa kita lihat kondisi kita masuk ke kategori sangat baik (excellent), diatas rata-rata (above average), rata-rata (average), di bawah rata-rata (below average) dan kurang (poor). Oiya sebelum lari jangan lupa pemanasan sekitar 10 menit. Untuk pria usia 40an kalo bisa lari diatas 2,5 km dalam 12 menit maka kondisi kita sangat baik.

Metode lainnya buat tau vo2max adalah astrand treadmill tes. Cuman metode ini butuh treadmill. Selain itu ada namanya pake metode rockport. Rockport ini caranya kita pemanasan dulu 5 menit, terus jalan cepat sejauh 1 mile (1,6 km) kemudian catet berapa waktunya dalam desimal. Misalnya dapetnya 5 menit 30 detik, berarti jadi 5,5 (5 menit ditambah 30/60 detik). Terus hitung juga heart rate. Terus masukin ke rumus berikut:

VO2 Max  = 132.853 – (0.0769 × berat badan) – (0.3877 × Usia) + (6.315 × Jenis Kelamin) – (3.2649 × Waktu) – (0.1565 × Heart rate)

Cuman di rumus itu berat badan dalam satuan pound, untuk jenis kelamin 0 buat cewek dan 1 buat cowok. Sampe disini dulu, besok saya lanjutkan lagi catatan tentang sharing dari dr. Hilmi. Semoga Bermanfaat!

referensi:

https://www.runnersblueprint.com/vo2-max/

Tulisan sebelumnya:

Aksioma Probabilitas

Saya lagi belajar tentang aksioma probabilitas. Di matematika teori dapat dikembangkan dari aksioma. Aksioma itu adalah aturan dasar atau prinsip yang dijadikan sandaran teori matematika berikutnya. Dari aksioma diturunkan menjadi teori berdasarkan bukti (proof) melalui logika deduktif.

Contohnya dalam teori probabilitas, kita bisa turunkan keseluruhan teori hanya dari 3 aksioma. Pendekatan aksioma ini berguna misalnya untuk memastikan bahwa sebuah teori konsisten dan tidak bertentangan dengan teori lainnya. Aksioma dapat juga kita program di komputer, dan digunakan untuk menyelesaikan permasalahan riil lainnya.

Selain teori dan aksioma, biasanya ada juga definisi. Definisi membangun konsep baru dari konsep yang sudah ada. Konsep yang sudah ada pada axioma. Definisi tidak memberikan asumsi baru ke teori, namun menjelaskan aksioma.

Jadi ada 3 macam pernyatan.

  1. Aksioma: Prinsip dasar yang kita terima kebenarannya
  2. Definisi: Pernyataan yang mengenalkan konsep baru
  3. Teori: Pernyataan yang diturunkan dari aksioma dan definisi

3 Aksioma Probabilitas

Teori Probabilitas memiliki 3 aksioma, yaitu:

  1. Normality: 0<=P(A)<=1
  2. Tautology rule: P(True) = 1 ; P(False)=0
  3. Additivity rule : P(A or B) = P(A) + P(B) – P(A and B)

Dari 3 aksioma ini kemudian dapat kita turunkan berbagai teori probabilitas. Yang pertama adalah Rule Negasi:

P(A’)=1-P(A)

Contradiction Rule

Bila A adalah kontradiksi maka P(A)=0

Conditional Probability

Multiplication Rule:

Bila P(B)>0 maka P(A and B) = P(A|B) P(B)

Equivalent Rule:

Jika A & B logical equivalent maka P(A)=P(B)

General Addition Rule

P(A or B) = P(A) + P(B) – P(A and B)

Total Probability rule:

Jika 0< P(B) < 1 maka P(A) = P (A|B) P(B) + P(A|B’) P(B’)

Teori Bayes

Versi Panjang:

Independensi:

A independen dari B jika P(A|B) = P(A) dan P(A) > 0

Jika A independen dari B, maka P (A and B) = P(A) P(B)

Jika A independen dari B, maka B independen dari A

Semoga Bermanfaat!

diterjemahkan dari:

https://jonathanweisberg.org/vip/the-axioms-of-probability.html

Download Video Google Drive

Jaman pandemi ini perkuliahan masih dilakukan online, ada yang pake Zoom ada yang pake Google Meet. Salah satu kuliah yang saya ikuti, dosennya pake Google Meet. Nah recording kuliahnya disimpen di google drive. Sayangnya kita cuman bisa nonton doang videonya, tapi gak bisa ngunduh. Nah untuk temen saya yang koneksi di rumahnya yang gak stabil, dia pengennya donlot videonya di rumah temennya yang koneksinya lebih kenceng, terus tar nonton di rumah. Sayangnya di link google drivenya gak ada pilihan untuk download.

Setelah browsing2 ternyata ada caranya untuk download video di google drive walaupun kita cuman bisa view only. Caranya begini:

  1. Buka videonya, kemudian klik kanan pada halaman tersebut dan pilih “inspect element”
  2. Pilih tab “Network”
  3. Reload (muat ulang) halamannya dan mainkan ulang videonya
  4. di bagian filter, ketik“videoplayback”
  5. Nanti muncul beberapa file, tinggal klik kanan pada link ini dan pilih “open in new tab”
  6. Klik kanan videonya dan pilih “save video as”

Nah sekarang temen saya bisa donlot tuh video. Kemaren saya coba di browser safari, tapi kayaknya di chrome & firefox juga bisa. Oiya, jangan disalahgunakan untuk donlot video yang gak perlu ya. Semoga bermanfaat!

Referensi:

Decision Tree – ID3

Kemaren dapet PR buat bikin Decision Tree dari tabel berikut:

Langkah buat bikin decision tree nya:

  1. Hitung entropy sistem
  2. Hitung entropy masing2 atribut
  3. Hitung information gain & Gain masing2 atribut
  4. Pilih atribut tertinggi buat jadi root
  5. Bikin tabel pemilahan data
  6. Mulai lagi dari poin 1 untuk bikin simpul dan cabang

Untuk perhitungan entropi pake rumus:

Entropy sistem:

dihitung dulu Jumlah P ada 3; jumlah N ada 7, p+n=10

Entropy sistem = -(3/10) log2 (3/10) – (7/10) log2 (7/10) = 0,521 + 0,36 = 0,881

Entropy masing2 atribut:

Atribut P:

dari tabel terlihat P memiliki 2 value yaitu F & R

dihitung dulu untuk masing2 value:

F: jumlah P ada 0; jumlah N=5; n+p=5

Entropy F= -(0/5) log2 (0/5) – (5/5) log2 (5/5)= 0

R: jumlah P=3; jumlah N=2; n+p=5

Entropy R= -(3/5) log2 (3/5) – (2/5) log2 (2/5)= 0,442+0,5287=0,971

Atribut Q:

Q memiliki 3 value yaitu S,B dan M:

S: jumlah P=0, jumlah N=3; n+p=3

Entropy S=-(0/3) log2 (0/3) – (3/3) log2 (3/3) = 0

B: jumlah P=2, jumlah N=1; p+n=3

Entropy B=-(2/3) log2(2/3) – (1/3) log 2 (1/3) = 0,389+ 0,528 = 0,918

M: jumlah P=1; jumlah N= 3; p+n=4

Entropy M=-(1/4) log2(1/4) – (3/4) log2 (3/4) = 0,5 + 0,311 = 0,811

Atribut R

R memiliki 2 value: S dan B

value S: jumlah P = 2; jumlah N=3; n+p=5

Entropy S=-(2/5) log2 (2/5) – (3/5) log2 (3/5) = 0,528 + 0,442 = 0,971

value B: jumlah P=1; jumlah N=4; n+p=5

Entropy B=-(1/5) log2 (1/5) -(4/5) log2 (4/5) = 0,464 + 0,2575 = 0,7215

Hitung Gain

Rumus untuk menghitung Gain adalah:

Persamaan tersebut memiliki 2 komponon. Di bagian kiri, Entropy S adalah entropi sistem secara keseluruhan yaitu 0,881. Sementara di bagian kanan adalah average entropy masing2 atribut. Karena ada 3 atribut kita harus hitung dulu nilai masing2 atribut:

Atribut P:

Average Entropy P = (n+p)f/(n+p)total * Entropy (P) + (n+p)R/(n+p)total * Entropy R = (5/10) * 0 + (5/10) * 0,971 = 0,4855

Gain P = 0,881 – 0,4855 = 0,3955

Atribut Q:

Average entropy Q= (3/10)*0+(3/10)*0,918+(4/10)*0,811= 0 + 0,275 + 0,324 = 0,5998

Gain(Q) = 0,881 – 0,5998 = 0,2812

Atribut R:

Average entropy R= (5/10)*0,971 + (5/10)*0,7215=0,4855+0,361=0,846

Gain R = 0,881 – 0,846 = 0,035

Atribut yg dipilih

Gain(P)= 0,3955

Gain(Q)=0,2812

Gain(R)= 0,035

yang dipilih adalah yang memiliki gain tertinggi, yaitu atribut P. Sehingga P jadi Root.

Kemudian dibuat tabel pemilahan Data berdasarkan atribut P:

Dari tabel terlihat semua nilai P menghasilkan kelas N, sementara R memiliki 3 nilai P dan 2 N. Sehingga harus displit lagi.

Untuk nilai R kita mencari atribut yang akan dipilih sebagai cabang yaitu antara Q dan R. Caranya sama seperti perhitungan diatas. Kita fokus hanya pada nilai R berarti data ke 2,3,4,6 dan 10

Hitung entropy sistem:

p=3; N=2; n+p=5

menggunakan rumus entropy didapat Entropy(s)= 0,629

kemudian hitung entropy masing2 atribut

Atribut Q

ada 3 nilai B,M,S

dengan menggunakan rumus entropy diperoleh

Entropy B=0

entropy M= 1

Entropy S = 0

Atribut R

ada 2 value:

entropy S=0,918

entropy B=1

langkah berikutnya menghitung Gain

Gain

Average entropy Q= 0,4

Gain Q=0,229

Average entropy R=0,951

Gain R=-0,32203

Atribut yang dipilih dengan gain terbesar adalah Q

Q memiliki 3 nilai yaitu B,M,S

Dari tabel terlihat semua nilai B menghasilkan kelas P

dan semua nilai S menghasilkan nilai N

sementara nilai M memiliki 1 P dan 1 N sehingga perlu displitting

PIlih atribut

Atribut berikutnya yang bisa dipilih adalah R.

R memiliki 2 nilai yaitu S & B.

Namun dari tabel terlihat semua nilai S menghasilkan nilai P

dan semua nilai N menghasilkan nilai N

sehigga didapat decision tree final adalah sebagai berikut:

Semoga Bermanfaat!

Lari untuk Pemula-3

Saya lanjutkan sharing dr.hilmi tentang lari untuk pemula. Pada tulisan sebelumnya membahas tentang Heart rate, Paru dan otot. Selanjutnya dibahas juga tentang lactate threshold. Lactate threshold ini salah satu indikator juga tentang kebugaran kita. Jadi ketika kita lari dengan intensitas tinggi, Heart rate kita mulai meningkat, dan semakin naik zona HR-nya. Ketika mulai beralih dari zona HR 4 ke 5 terjadi perpindahan proses pembakaran energi dari aerobik ke anaerobic.

Perpindahan ini menyebabkan meningkatnya asam lakat di tubuh secara cepat. Konon laktat ini dikeluarkan tubuh karena meningkatnya hydrogen ions selama perpindahan zona ini. Meningkatnya jumlah ion ini menimbulkan terjadinya muscle acidification, atau proses kelelahan otot, sehingga kerasnya kayak kebakar. Biasanya ini mulai terjadi ketika kita mencapai heart rate 80-85%.

Contohnya gini, kita lagi lari, terus karena ngerasa badan ok, kita tambah pace nya. Karena pace nya nambah, heart- ratenya naik. Terus kita tambah lagi pace nya, sampe pada satu titik, kita ngerasa dada kita kayak kebakar, dan otot mulai kerasa kaya kebakar juga. Titik ini yang disebut lactate threshold.

Laktat tidak hanya ada di otot, tapi juga di sel lainnya dalam tubuh kita. Laktat ini adalah sebuah fuel and ion buffering agent. Dan bermanfaat buat tubuh. Oiya, laktat ini beda dengan asam laktat. Sebenarnya istilah laktat threshold kurang tepat, karena yang jadi penyebab efek kebakar tadi adalah hydrogen ion.

Jadi tubuh kita punya dua mekanisme buat ngebakar energi. Aerobik lebih lambat, bersih tapi efisien. Proses ini dipake dalam kegiatan kita sehari-hari seperti jalan, bekerja, makan dll. Aerobik biasanya ngebakar karbohidrat, dalam format glukosa dan lemak. Proses pembakaran energi ini memerlukan oksigen.

Cuman ketika dalam keadaan stress, misalnya kita lagi sprint. proses aerobik ini gak sanggup nyediain energi. Sehingga tubuh beralih ke proses anaerobik. Anaerobik ini bekerja jauh lebih cepat ngebakar energi, cuman proses ini bikin tubuh kita stress, cepat cape dan gak bisa bertahan lama. Contoh lainnya proses anaerobik ini terjadi ketika lagi gowes nanjak, atau renang cepat. Pembakarannya mengandalkan karbo tanpa oksigen.

Nah pengubahan glukosa dan glikogen menjadi energi membutuhkan hydrogen ion dan pyruvate. Ketika keduanya bergabung, didapatkanlah laktat. Laktat ini tugasnya untuk mengatur metabolisme tubuh, mengaktifkan sistem syaraf dan mengaktifkan long-term memori.

Namun semakin banyak hydrogen ion yang diproduksi tubuh, mencapai batas maksimal yang disebut laktat threshold. Pada titik ini otot kita semakin asam, kontraksi otot menjadi semakin berat, dan kita ngerasa kaya kebakar. Ini yang menyababkan kita cuman bisa sprint dalam beberapa menit saja, padahal kita bisa jalan dengan nyaman sampe berjam2.

Laktat threshold ini klo istilah orang lari kayak nabrak dinding (hit the wall). Jadi tubuh kita ngerasa cape banget sehingga kita pengen berhenti. Gak bisa maju lagi. Nah laktat threshold ini beda2 tiap orang. Semakin sering kita latihan, semakin bugar tubuh kita. Maka lakat threshold kita akan semakin meningkat. Maksudnya klo baru pertama kali olahraga mungkin kita baru 10 menit jalan dah ngerasa cape banget, kayak nabrak dinding. Tapi semakin rutin kita berolahraga, maka semakin meningkat kebugaran kita. Misalnya setelah 1 jam, baru kita ngerasa cape.

Cara ningkatinnya laktat threshold ini adalah dengan rutin latihan. Klo secara ilmiah caranya dengan berlatih dengan sprint interval pada fase laktat threshold ini. Trus gimana cara kita tau pada level mana kita mencapai laktat threshold. Caranya yang sederhana dengan lari biasa sekotar 10 menit, kemudian lari sekencang-kencangnya selama 30 menit tanpa henti.Biasanya rata-rata heart rate pada 20 menit terakhir adalah heart rate pada laktat threshold (LTHR)

LTHR ini digunakan untuk mengukur seberapa intensif kita bisa latihan sebelum kita merasa lelah. Semakin tinggi tingkat laktat threshold, maka semakin fit dan semakin cepat kita. Cara ningkatinnya adalah dengan rutin berlatih. Sampe disini dulu, besok insyaallah saya lanjutkan lagi. semoga bermafaat!

referensi:

Lari untuk Pemula-2

Saya lanjutkan catatan tentang sharing dr Hilmi tentang lari untuk pemula. Pada tulisan sebelumnya telah dibahas tentang Heart Rate. Selanjutnya dr Hilmi cerita tentang bagaimana peran jantung pada waktu kita lari. Jantung tugasnya memompa darah ke seluruh bagian tubuh. Selain Heart rate untuk mengetahui kemampuan jantung, ada juga yang disebut stroke volume. Stroke Volume adalah jumlah darah yang dipompa jatung dalam satu kali pompa. Kemudian ada juga yang disebut Cardiac Output (CO): dengan rumus Heart Rate x Stroke Volume. Misalnya kurang lebih 5 liter per menit. Secara teori, semakin besar jumlah CO maka semakin banyak oksigen yang dialirkan ke jaringan, sehingga semakin cepat orang bisa berlari.

Selain jantung, dr Hilmi juga bercerita tentang paru-paru. Paru-paru berperan sebagai tempat pertukaran oksigen. Menurut beliau kapasitas total paru-paru cenderung stabil dan tidak berubah (kecuali terjadi kerusakan alveoli). Alveoli adalah kantung kecil di dalam paru-paru kita yang memungkinkan oksigen dan karbon dioksida untuk bergerak di antara paru-paru dan aliran darah. Menurut beliau, untuk pelari pemula kapasitas paru tidak membatasi kembatasi kemampuan lari. Namun bernafas lebih teratur dapat memperbaiki aliran oksigen ke jantung, sehingga membuat lari lebih mudah. Walaupun begitu bernafas lebih dalam tidak membuat lari menjadi lebih mudah. Latihan rutin tidak meningkatkan kapasitas paru-paru, namun dapat mempertahankan kapasitas paru, membuat bernafas saat lari menjadi lebih terbiasa dan lebih teratur. Sehingga pertukaran oksigen lebih baik.

Kemudian dr Hilmi bercerita juga tentang otot dan metabolisma yang bekerja saat kita lari. Dia bercerita disana ada mitokondria di otot yang menjadi pabrik energi, dengan membakar karbohidrat dan lemak (fat) melalui proses aerobic. Semakin banyak mitokondria maka proses aerobik meningkat dan tidak mudah lelah. Latihan yang rutin dapat meningkatkan jumlah mitokondria dan enzim-enzim.

Serat otot (muscle fiber) ada beberapa tipe:

  • Slow twitch (ST) Fiber: digunakan untuk kegiatan aerobik, tidak terlalu kuat dan bertenaga. Semakin banyak ST maka semakin tidak mudah lelah kita. Rutin berlatih dapat meningkatkan jumlah ST. Bekerja pada zona HR, zona 1,2 dan 3
  • Fast twitch A (FT-A) fiber: kandungan mitokondria lebih sedikit dari ST. Digunakan setelah ST mengalami kelelahan. Lebih kuat dan bertenaga dari ST. Glikogen sebagai sumber energi. Bekerja pada zona 4 HR
  • Fast twitch B (FT-B) fibers: Mitokondria sangat sedikit. Sangat kuat dan bertenaga. Bagus untuk sprinter. Mudah lelah (hanya bertahan 5-8 menit). Glikogen dan kreatin fosfat sebagai sumber energi. Bekerja pada zona 5 HR

Sampai disini dulu. Besok insyaAllah saya lanjutkan lagi. Semoga Bermanfaat