Apakah Kebugaran dan Industri Persaingan Renang Sesuai dengan Data AI? – Bagian 1

Pendahuluan

Wawasan berbasis data telah merevolusi banyak cabang olahraga, memungkinkan rencana pelatihan yang tepat, pencegahan cedera yang lebih baik, dan umpan balik kinerja secara real-time. Namun, dalam bidang renang—olahraga yang sangat bergantung pada hitungan milidetik—kualitas dan struktur data tetap menjadi tantangan yang signifikan. Bagaimana AI dan ML dapat membantu kita memperoleh hasil yang lebih baik, dan risiko apa yang muncul ketika kualitas data diabaikan?

Angsuran pertama dari seri dua bagian kami ini menawarkan tinjauan berbasis literatur tentang penyiapan data untuk AI dalam olahraga, dengan referensi yang diambil dari bidang penelitian AI/ML dan diterapkan pada skenario khusus renang. Tujuan kami adalah menjembatani kesenjangan antara apa yang dibutuhkan sistem AI dan bagaimana renang dapat menyediakannya. Kami akan mengeksplorasi dasar-dasar kualitas data, bahaya manajemen data yang buruk, dan pilar utama yang diperlukan untuk membangun kumpulan data yang kuat dan siap untuk AI. Di akhir tinjauan ini, Anda akan memahami mengapa data yang terstruktur dengan baik dan berkualitas tinggi sangat penting untuk membangun dasar bagi analisis tingkat lanjut, yang memungkinkan pengambilan keputusan yang lebih baik dan peningkatan kinerja di kolam renang.

Bagian yang Dicakup dalam Bagian 1:

• Bagian 1: Mengapa Kualitas Data Penting untuk ML/AI Kami menguraikan alasan utama mengapa data berkualitas tinggi dan terkelola dengan baik sangat diperlukan untuk aplikasi AI dan ML, terutama dalam olahraga yang sangat penting untuk performa seperti renang.
• Bagian 2: Hambatan, Perangkap, dan Tantangan Data Berkualitas Buruk Bagian ini menyoroti konsekuensi praktis dari praktik data yang buruk, termasuk model yang bias, strategi pelatihan yang cacat, dan sumber daya yang terbuang.
• Bagian 3: Fondasi Inti untuk Memastikan Data Berkualitas Tinggi dalam AI/ML Kami menyajikan pilar utama manajemen data yang andal, mulai dari kualitas data intrinsik dan kontekstual hingga kepatuhan etika, yang semuanya penting untuk menciptakan hasil AI yang dapat dipercaya.

Bagian 1: Mengapa Kualitas Data Penting untuk ML/AI — “Mesin AI”

Bayangkan Anda sedang mengisi bahan bakar sebuah mesin: jika bahan bakarnya bermutu rendah atau terkontaminasi, Anda tidak akan pernah mendapatkan kinerja puncak. Data bekerja dengan cara yang sama untuk Pembelajaran Mesin (ML) dan Kecerdasan Buatan (AI). Dalam dunia olahraga, khususnya renang, data yang akurat adalah sumber kehidupan yang menggerakkan analitik modern, pelacakan kinerja, dan pengambilan keputusan. Data yang berkualitas buruk atau tidak lengkap dapat menyesatkan bahkan sistem AI yang paling canggih, yang berpotensi menggagalkan rencana pelatihan dan hasil kompetitif.

Berikut adalah alasan utama mengapa kualitas data penting untuk setiap aplikasi yang digerakkan oleh AI:

1. Akurasi dan Keandalan Model Data berkualitas tinggi memastikan model AI memberikan prediksi yang tepat dan andal. Dalam renang, data yang konsisten dan akurat pada metrik seperti jumlah gerakan, pembagian putaran, dan variabilitas detak jantung memungkinkan pelatih dan atlet untuk memercayai wawasan yang dihasilkan AI. Di sisi lain, data yang buruk dapat menyebabkan model yang tidak dapat diandalkan dan rejimen pelatihan yang cacat (Priestley et al., 2023; Qayyum et al., 2020).
2. Penghindaran Data Bertingkat Kesalahan data dapat menyebar ke seluruh alur kerja ML, menciptakan efek bertingkat di mana kesalahan awal yang kecil dapat berkembang menjadi masalah yang lebih besar. Misalnya, pencatatan waktu putaran yang salah secara konsisten dapat mendistorsi analisis kecepatan, prediksi kelelahan, dan strategi balapan, yang menyebabkan inefisiensi yang merugikan (Sambasivan et al., 2021; Polyzotis et al., 2018).
3. Bias dan Keadilan Data yang bias atau tidak lengkap, terutama dalam olahraga kompetitif, dapat menghasilkan wawasan yang bias dan hasil yang tidak adil. Misalnya, data pelatihan yang terbatas pada demografi atau kondisi perenang tertentu dapat mengecualikan faktor-faktor utama, sehingga menciptakan model yang lebih mengutamakan beberapa atlet daripada yang lain. Memastikan data yang beragam dan representatif membantu mengurangi bias dan meningkatkan generalisasi (Zhou et al., 2018; Qayyum et al., 2020).
4. Pembersihan dan Penyiapan Data Pembersihan data yang efektif menghilangkan gangguan, mengoreksi ketidakkonsistenan, dan mengatasi nilai yang hilang. Anggap saja seperti menjaga kualitas air kolam—tanpa pembersihan yang tepat, performa perenang dan wawasan AI akan menurun. Data yang bersih memastikan model dapat beradaptasi dengan kondisi yang baru dan terus berkembang (Polyzotis et al., 2018; Priestley et al., 2023).
5. Persyaratan Khusus Domain Setiap cabang olahraga memiliki metrik dan persyaratan yang unik. Dalam renang, pemantauan metrik seperti frekuensi gerakan, interval istirahat, dan fase di bawah air sangat penting. Menyesuaikan pemeriksaan kualitas data dengan hal-hal spesifik ini memastikan keluaran AI memenuhi kebutuhan performa di dunia nyata (Priestley et al., 2023; Ranjan, 2023).
6. Pemantauan dan Manajemen Berkelanjutan Pengumpulan data tidak berhenti setelah model dilatih. Performa perenang terus berkembang, atlet baru bergabung dengan program, dan sensor dapat berubah seiring waktu. Pemantauan data masuk yang berkelanjutan memastikan alat AI tetap akurat dan relevan (Bangari et al., 2024; Zhou et al., 2018).
7. Manajemen Kualitas Data yang Komprehensif Pengelolaan data pelatihan dalam jumlah besar dan beragam—seperti jumlah putaran, pembacaan biometrik, dan analitik video—memerlukan proses yang kuat dan dapat diskalakan. Strategi kualitas data yang jelas membahas volume, variasi, dan kecepatan untuk menjaga konsistensi di seluruh siklus hidup ML (Ranjan, 2023; Priestley et al., 2023).
8. Pertimbangan Etika dan Hukum Pengumpulan metrik performa dan kesehatan menimbulkan masalah etika, terutama seputar privasi dan kepatuhan. Standar kualitas data yang tinggi, manajemen yang aman, dan kepatuhan terhadap pedoman etika membantu organisasi memenuhi kewajiban hukum (Qayyum et al., 2020; Zhou et al., 2018).

Kualitas data adalah fondasi sistem ML/AI yang sukses. Data yang akurat, komprehensif, dan terkelola dengan baik mendorong model yang lebih andal, menumbuhkan kepercayaan di antara pelatih, atlet, dan pemangku kepentingan. Memperlakukan data sebagai "bahan bakar" aplikasi AI memastikan hasil yang lebih adil, baik di fasilitas pelatihan, laboratorium penelitian, atau kompetisi global.

Bagian 2: Hambatan, Perangkap, dan Tantangan Data Berkualitas Buruk

Dalam analitik olahraga, kualitas data yang buruk lebih dari sekadar kemunduran kecil—hal itu dapat menggagalkan program pelatihan, membuang-buang sumber daya yang berharga, dan mengikis kepercayaan pada wawasan yang digerakkan oleh AI. Dari pelatih yang melacak waktu penyelesaian hingga ilmuwan olahraga yang menganalisis kumpulan data sensor besar, memahami perangkap utama ini sangat penting untuk memastikan hasil yang andal.

1. Penurunan Performa Model Model AI mengandalkan data yang akurat dan lengkap untuk mempelajari dan membuat prediksi. Jika diberikan data yang hilang atau salah—seperti pembagian putaran yang tidak akurat atau jumlah langkah yang salah dicatat—model akan menghasilkan prediksi yang tidak dapat diandalkan. Hal ini dapat mengakibatkan strategi pengaturan kecepatan yang kurang optimal atau bahkan peningkatan risiko cedera jika atlet didorong melampaui batas aman (Priestley et al., 2023; Qayyum et al., 2020).
2. Data Kaskade Kesalahan data kecil di awal alur kerja dapat membesar menjadi masalah yang lebih besar di kemudian hari. Misalnya, monitor detak jantung yang salah mencatat lonjakan yang sering terjadi dapat memicu "alarm palsu" tentang kesehatan atlet, yang menyebabkan perubahan yang tidak perlu dalam rencana latihan. Data kaskade ini mengurangi kepercayaan pada sistem AI dan dapat membahayakan kesejahteraan atlet (Sambasivan et al., 2021; Polyzotis et al., 2018). 3. Masalah Bias dan Keadilan Kualitas data yang buruk sering kali berasal dari kumpulan data yang tidak lengkap sehingga gagal mewakili populasi atlet yang beragam. Ketika model dilatih pada data yang terbatas—seperti metrik dari perenang elit saja—model tersebut dapat menghasilkan saran yang tidak relevan atau bahkan berbahaya bagi atlet muda atau tingkat master. Pengumpulan data yang inklusif dan representatif adalah kunci untuk mengurangi bias (Zhou et al., 2018; Qayyum et al., 2020).
3. Kurangnya Metrik yang Terstandarisasi Tanpa metode yang terstandarisasi untuk mencatat metrik utama (misalnya, laju stroke atau waktu segmen putaran), membandingkan data antar tim atau studi menjadi sulit. Definisi yang tidak konsisten dapat menimbulkan kebingungan saat mengadopsi solusi AI, memperlambat kemajuan, dan memperbesar kesalahan di seluruh aplikasi (Priestley et al., 2023).
4. Keracunan Data dan Risiko Keamanan Ketika data dikelola dengan buruk, data menjadi rentan terhadap gangguan atau serangan jahat. Dalam olahraga, data performa yang diubah dapat menyesatkan pencari bakat, mendistorsi peringkat, atau bahkan memengaruhi pasar taruhan. Menerapkan validasi dan langkah-langkah keamanan yang kuat membantu mencegah risiko keracunan data tersebut (Qayyum et al., 2020).
5. Keterbatasan Sumber Daya dan Masalah Dokumentasi Tim yang kekurangan sumber daya dan protokol pengumpulan data yang tidak jelas sering kali menyebabkan kesalahan yang dapat dihindari. Misalnya, prosedur kalibrasi sensor yang tidak terdokumentasi dengan baik dapat mengakibatkan kesalahan pelabelan data, yang kemudian memerlukan upaya besar untuk memperbaikinya. Seiring waktu, kesenjangan sumber daya ini memperparah inefisiensi (Sambasivan et al., 2021).
6. Tantangan Etika dan Hukum Penanganan data atlet yang sensitif—termasuk metrik biometrik atau terkait kesehatan—memerlukan kepatuhan yang ketat terhadap peraturan privasi. Manajemen data yang ceroboh dapat menyebabkan ketidakpatuhan, masalah hukum, dan kerusakan kepercayaan antara atlet dan staf (Qayyum et al., 2020; Zhou et al., 2018). 8. Inefisiensi Operasional Kualitas data yang buruk dapat memperlambat kemajuan secara signifikan karena memerlukan pembersihan dan validasi yang konstan. Waktu yang dihabiskan untuk "memadamkan" data yang buruk dapat digunakan dengan lebih baik untuk mengembangkan strategi pelatihan lanjutan atau menjalankan eksperimen tambahan (Priestley et al., 2023).
7. Kesenjangan Pelatihan dan Pendidikan Banyak organisasi olahraga tidak memiliki pelatihan yang tepat dalam pengumpulan, pengelolaan, dan etika data. Tanpa pengetahuan dasar ini, tim mungkin secara tidak sengaja memasukkan kesalahan ke dalam kumpulan data, yang menciptakan tantangan lebih lanjut dalam penskalaan solusi AI (Zhou et al., 2018).
8. Generalisasi dan Keterwakilan Model yang dilatih pada kumpulan data yang sempit sering kali kesulitan untuk digeneralisasi di berbagai konteks. Misalnya, model yang dilatih secara eksklusif pada perenang elit mungkin tidak memberikan nilai tambah bagi atlet muda atau master, yang memerlukan pengumpulan dan pelatihan ulang data yang mahal (Priestley et al., 2023; Ranjan, 2023).

Kualitas data yang buruk menghadirkan tantangan signifikan untuk adopsi AI dalam olahraga. Dari penurunan kinerja model dan risiko etika hingga penundaan operasional, kendala ini menggarisbawahi perlunya jalur data yang kuat, terdokumentasi dengan baik, dan aman. Dengan mengatasi tantangan ini, organisasi dapat memastikan bahwa pelatih, ilmuwan, dan staf pendukung dapat memercayai wawasan AI—yang pada akhirnya mengarah pada strategi pelatihan yang lebih baik dan hasil yang lebih adil.

Bagian 3: Fondasi Inti untuk Memastikan Data Berkualitas Tinggi dalam AI/ML

Mendapatkan data berkualitas tinggi bukanlah suatu kebetulan—itu memerlukan strategi yang disengaja dan proses yang cermat. Dalam olahraga, terutama renang, data berasal dari berbagai sumber seperti waktu putaran, jumlah gerakan, dan metrik fisiologis. Untuk memastikan model AI memberikan wawasan yang andal, setiap titik data harus akurat, relevan, dan bermakna secara kontekstual. Berikut adalah pilar utama yang mendukung pengumpulan, pengelolaan, dan penggunaan data yang efektif.

1. Kualitas Data Intrinsik Kualitas intrinsik berfokus pada memastikan data itu sendiri akurat, konsisten, dan lengkap. Dalam renang, bahkan ketidakakuratan kecil—seperti waktu putaran yang salah dicatat—dapat mendistorsi rekomendasi pelatihan dan memengaruhi hasil atlet. Untuk mencapai kualitas intrinsik yang tinggi, sensor seperti papan waktu dan perangkat yang dapat dikenakan harus menjalani kalibrasi rutin. Pemeriksaan acak berkala, seperti membandingkan data otomatis dengan tinjauan video, membantu memvalidasi keakuratan metrik utama. Sistem otomatis yang menandai outlier, seperti kecepatan gerakan yang melampaui batas fisik, juga penting (Priestley et al., 2023; Ranjan, 2023). Langkah-langkah gabungan ini memastikan data tetap dapat dipercaya untuk analisis AI.

2. Kualitas Kontekstual Kualitas kontekstual memastikan bahwa data relevan, tepat waktu, dan sesuai untuk tugas AI yang dimaksudkan. Misalnya, data pelatihan yang dikumpulkan dari kolam renang jarak pendek mungkin tidak berlaku untuk renang di perairan terbuka, sehingga segmentasi menjadi penting. Untuk mempertahankan relevansi kontekstual, tim harus dengan jelas mendefinisikan tujuan pengumpulan data, seperti meningkatkan start, putaran, atau daya tahan secara keseluruhan. Data harus diklasifikasikan berdasarkan kondisi seperti ukuran kolam renang atau ketinggian untuk memberikan wawasan yang bermakna secara kontekstual. Selain itu, seiring dengan berkembangnya kebutuhan pelatihan, proses pengumpulan data juga harus berkembang agar tetap selaras dengan tujuan saat ini (Priestley et al., 2023; Zhou et al., 2018).

3. Kualitas Representasional Kualitas representasional berfokus pada format data yang konsisten dan dapat ditafsirkan di seluruh tim dan sistem. Tanpa standarisasi, data performa dapat disalahartikan—seperti ketika tim yang berbeda memberi label putaran 50 meter sebagai “50 Free” atau “FC_50.” Mengadopsi konvensi penamaan standar dan mempertahankan skema data bersama di seluruh tim membantu mengurangi masalah ini. Tim juga harus menggunakan metadata untuk mendokumentasikan detail tentang kapan dan bagaimana data dikumpulkan (Priestley et al., 2023). Langkah-langkah ini mencegah kebingungan dan meningkatkan kolaborasi antara pemangku kepentingan internal dan eksternal.

4. Aksesibilitas Aksesibilitas memastikan bahwa data tersedia bagi pengguna yang berwenang sekaligus menjaga privasi. Pelatih, ilmuwan olahraga, dan atlet sering kali memerlukan akses waktu nyata ke data performa untuk menyesuaikan pelatihan. Sistem berbasis cloud yang aman dengan kontrol akses berbasis peran dapat menyediakan akses tanpa mengorbankan keamanan. Selain itu, dasbor yang mudah digunakan yang dirancang untuk pengguna non-teknis memungkinkan aksesibilitas yang lebih luas. Untuk data atlet yang sensitif, enkripsi harus diberlakukan untuk memenuhi peraturan privasi (Zhou et al., 2018). Langkah-langkah ini membantu menyeimbangkan ketersediaan data dan privasi sekaligus mendukung pengambilan keputusan yang efektif.

5. Manajemen Siklus Hidup Data Manajemen siklus hidup data mengawasi data dari pengumpulan hingga pemrosesan, penyimpanan, analisis, dan pengarsipan atau penghapusan akhirnya. Ketertelusuran adalah kuncinya—tanpanya, kesalahan dapat masuk ke dalam alur kerja AI tanpa disadari. Mempertahankan dokumentasi yang menyeluruh, termasuk detail seperti tanggal pengumpulan dan log kalibrasi sensor, membantu menjaga integritas data. Tinjauan berkala sangat penting untuk menghapus data yang kedaluwarsa atau tidak relevan sekaligus mempertahankan fokus pada kumpulan data yang berkualitas (Ranjan, 2023; Priestley et al., 2023). Strategi pencadangan dan pemulihan bencana selanjutnya memastikan keandalan data jangka panjang.

6. Kepatuhan Etika dan Hukum Kepatuhan etika dan hukum sangat penting saat menangani data sensitif, khususnya dalam olahraga yang melibatkan data biometrik dan kesehatan. Atlet percaya bahwa informasi pribadi mereka akan dilindungi dan digunakan secara bertanggung jawab. Untuk menegakkan kepercayaan ini, tim harus menganonimkan data atlet jika memungkinkan dan memastikan bahwa penggunaan data mematuhi undang-undang yang relevan, seperti GDPR. Memperoleh persetujuan yang diinformasikan dari atlet sebelum mengumpulkan dan menggunakan data mereka juga penting (Qayyum et al., 2020; Zhou et al., 2018). Kegagalan untuk mematuhi pedoman ini berisiko menimbulkan akibat hukum dan kerusakan reputasi.

7. Pemantauan dan Peningkatan Berkelanjutan Pemantauan berkelanjutan memastikan bahwa kualitas data dipertahankan dari waktu ke waktu seiring dengan perkembangan data performa. Program renang sering kali memperkenalkan metrik dan teknologi baru, sehingga validasi berkelanjutan menjadi penting. Skrip validasi otomatis dapat mendeteksi anomali, seperti waktu putaran yang sangat pendek atau panjang, sebelum memengaruhi analisis. Audit berkala membantu menjaga kelengkapan dan integritas, sementara umpan balik yang melibatkan pelatih dan atlet memungkinkan penyelesaian perbedaan dengan cepat (Bangari et al., 2024; Zhou et al., 2018). Pendekatan proaktif ini membantu menjaga alur data yang dinamis dan andal.

8. Integrasi Pengetahuan Domain Integrasi pengetahuan domain memanfaatkan keahlian pelatih, ilmuwan olahraga, dan atlet untuk menafsirkan dan memvalidasi data secara efektif. Anomali, seperti lonjakan tiba-tiba dalam detak jantung, mungkin memiliki penjelasan sederhana seperti kerusakan sensor atau kondisi lingkungan. Pakar domain dapat membedakan antara masalah nyata dan kesalahan peralatan, mencegah penyesuaian model yang tidak perlu. Berkolaborasi dengan pelatih pada protokol pengumpulan data dan memvalidasi rekomendasi berbasis AI terhadap pengalaman dunia nyata meningkatkan keandalan wawasan yang dihasilkan (Ranjan, 2023). Proses berulang ini memastikan bahwa keputusan berbasis data selaras dengan pengalaman praktis.

Dengan berfokus pada fondasi inti ini—kualitas intrinsik dan kontekstual, konsistensi representasional, aksesibilitas, manajemen siklus hidup, kepatuhan, pemantauan berkelanjutan, dan keahlian domain—organisasi dapat membangun jalur data yang tepercaya. Bagi para profesional renang, ini berarti program pelatihan yang lebih baik, umpan balik atlet yang akurat, lebih banyak keterlibatan, lebih sedikit cedera, dan kinerja kompetitif yang unggul.

Ringkasan

Pada bagian pertama ini, kami telah mengeksplorasi prinsip-prinsip inti kualitas data dan menunjukkan bagaimana data yang buruk dapat menggagalkan bahkan proyek AI yang paling canggih sekalipun. Catatan yang ceroboh atau tidak lengkap tidak hanya menghambat inovasi—tetapi juga dapat secara aktif menyesatkan pelatih, atlet, dan analis. Namun, bagaimana konsep-konsep ini diterapkan pada lanskap data renang saat ini?

Pada bagian berikutnya, kami akan menyelami realitas praktis dalam mengelola data sesi pelatihan renang, menyoroti area-area yang menjadi keunggulan industri dan area-area yang memerlukan perbaikan. Kami juga akan membahas peluang untuk kerangka kerja terpadu yang dirancang untuk meningkatkan manajemen data di semua tingkatan olahraga. Terakhir, kami akan menjawab pertanyaan utama: Apakah data industri kebugaran dan kompetisi renang cocok untuk AI? Nantikan pembahasan lebih lanjut tentang bagaimana kita dapat memanfaatkan AI untuk menghasilkan hasil yang lebih baik bagi perenang di setiap level.

Referensi:

Priestley, Maria & O’Donnell, Fionntán & Simperl, Elena. (2023). A Survey of Data Quality Requirements That Matter in ML Development Pipelines. Journal of Data and Information Quality. 15. 10.1145/3592616.

Bangad, Nikhil & Jayaram, Vivekananda & Sughaturu Krishnappa, Manjunatha & Banarse, Amey & Bidkar, Darshan & Nagpal, Akshay & Parlapalli, Vidyasagar. (2024). A Theoretical Framework For Ai-Driven Data Quality Monitoring In High-Volume Data Environments. INTERNATIONAL JOURNAL OF COMPUTER ENGINEERING & TECHNOLOGY. 15. 618-636. 10.5281/zenodo.13878755.

Zhou, Yuhan & Tu, Fengjiao & Sha, Kewei & Ding, Junhua & Chen, Haihua. (2024). A Survey on Data Quality Dimensions and Tools for Machine Learning Invited Paper. 120-131. 10.1109/AITest62860.2024.00023.

Polyzotis, Neoklis & Roy, Sudip & Whang, Steven & Zinkevich, Martin. (2018). Data Lifecycle Challenges in Production Machine Learning: A Survey. ACM SIGMOD Record. 47. 17-28. 10.1145/3299887.3299891.

Qayyum, Adnan & Qadir, Junaid & Bilal, Muhammad & Al-Fuqaha, Ala. (2020). Secure and Robust Machine Learning for Healthcare: A Survey. IEEE Reviews in Biomedical Engineering. PP. 1-1. 10.1109/RBME.2020.3013489.

Neutatz, Felix & Chen, Binger & Abedjan, Ziawasch & Wu, Eugene. (2021). From Cleaning before ML to Cleaning for ML.

Sambasivan, Nithya & Kapania, Shivani & Highfill, Hannah & Akrong, Diana & Paritosh, Praveen & Aroyo, Lora. (2021). “Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI. 1-15. 10.1145/3411764.3445518.

Roh, Yuji & Heo, Geon & Whang, Steven. (2019). A Survey on Data Collection for Machine Learning: A Big Data - AI Integration Perspective. IEEE Transactions on Knowledge and Data Engineering. PP. 1-1. 10.1109/TKDE.2019.2946162.

Whang, Steven & Roh, Yuji & Song, Hwanjun & Lee, Jae-Gil. (2023). Data collection and quality challenges in deep learning: a data-centric AI perspective. The VLDB Journal. 32. 10.1007/s00778-022-00775-9.

Rangineni, Sandeep. (2023). An Analysis of Data Quality Requirements for Machine Learning Development Pipelines Frameworks. International Journal of Computer Trends and Technology. 71. 16-27. 10.14445/22312803/IJCTT-V71I8P103.