Tillämpning av instrument vid utövande av explosiva idrottsgrenar, för att mäta en atlets kraftproduktion, kan användas vid analys för att fastställa hur bra en atlet presterar. Dessa typer av instrument finns på marknaden och är oftast tillämpade för sprintstarter och har funktionen att man kanfånga en atlet på film och koppla en händelse till det data som hämtats in via instrumentet. Nackdelenmed dessa system är att de antingen är väldigt dyra eller är i avsaknaden av att vara smidiga ochportabla då de oftast levereras med mycket kringutrustning.Syftet med detta examensarbete var att utveckla ett system bestående av en mobilapplikation, samtlogik till en mikrokontroll som registrerar den horisontella kraften vid sprintstarter från en analogkälla. Insamlade data beräknas och skickas sedan med hjälp av BLE-kommunikation till mobilapplikationen som presenterar kraftdata för användaren.Utöver detta var syftet även att få inhämtad kraftdata tidssynkroniserad mot en mobil enhet för attgöra det möjligt att utvärdera händelser mot externa källor som IMU och höghastighetsfilm.Resultatet av arbetet visar att det är möjligt att hämta samplade kraftdata från en mikrokontroll viaBLE-kommunikation. Det går även att presentera beräknade kraftdata visuellt för en slutanvändaremed en mobilapplikation och få händelserna tidssynkroniserade med hjälp av tidssynkroniseringsalgoritmer. Resultaten kan emellertid förbättras genom fortsatt utveckling av detta system. / The application of instruments in the practice of explosive sports, to measure an athlete's force production, can be used to determine how well an athlete performs. Present instruments on the marketare most often applied to sprint starts and function to capture an athlete on film, and link the eventto the data retrieved from the instrument. The disadvantages with present day systems are that theyare either too expensive or lack flexibility and portability as they are usually delivered with a lot ofperipherals.The purpose of this thesis was to develop a system of a mobile application and logical code to a microcontroller that register horizontal forces at sprint starts from an analog source. The collected datawas calculated and transmitted using BLE communication to the mobile application which presentsthe force data to the user.Moreover, the purpose was also to have the acquired force data time-synchronized with a mobile device to make it possible to evaluate events against external sources such as IMU and high-speed film.The result for the logic developed throughout this work demonstrate that it is possible to retrievesampled force data from a microcontroller via BLE communication. It was possible to present thecalculated force data visually to an end user with a mobile application and have the events time synchronized using time synchronization algorithms. However, the results can be further improved bydevelopment of the system.

Today's mobile development resides in the two main operating systems Android and iOS. It is popular to develop mobile applications individually for each respective platform, referred to as native development. To reduce additional costs, cross-platform solutions have emerged that enable shared development for both platforms. Kotlin Multiplatform Mobile (KMM) is a relatively unexplored cross-platform tool developed by JetBrains. The purpose of this study is to evaluate the performance of iOS applications developed in KMM compared to native Swift. We compare the two approaches for developing iOS apps by compiling a benchmark suite and measuring the performance metrics execution time, memory consumption, and CPU usage. Our benchmark suite is a collection of 7 benchmarks consisting of high-level functionalities networking and database management, as well as low-level computational tasks from the Computer Language Benchmarks Game (CLBG) suite. For the studied benchmarks, the results indicate that KMM generally achieves faster execution times, as higher memory consumption and CPU usage. but with a trade-off overhead in higher memory consumption and CPU usage. We have found KMM to achieve up to 2,7 seconds faster execution time, consume up to 390MB more memory, and up to 30% more CPU than with native Swift. libraries achieve faster execution times, but with a trade-off overhead in increased memory consumption and CPU usage. Besides, our results highlight correlations between the garbage collection cycles of KMM with profiling patterns of memory consumption and CPU usage. the specific benchmark implementations analyzed, and the device used to benchmark them. studies are therefore needed to further generalize our conclusions. / Den nutida mobilutvecklingen domineras av de två huvudsakliga operativsystemen Android och iOS. Det är populärt att utveckla mobilapplikationer separat för varje plattform, så kallad native utveckling. För att minska kostnader relaterade till native utveckling har plattformsoberoende lösningar tillkommit, som istället möjliggör delad utveckling för båda plattformarna. Kotlin Multiplatform Mobile (KMM) är ett relativt outforskat plattformsoberoende verktyg utvecklat av JetBrains. Syftet med denna studie är att utvärdera prestandan hos iOS-applikationer utvecklade i KMM jämfört med native Swift. Vi jämför de två tillvägagångssätten för att utveckla iOS-appar genom att sammanställa en benchmark-svit och mäta prestandametrikerna exekveringstid, minnesanvändning och CPU-användning. Vår benchmark svit består av 7 benchmark-program som omfattar högnivåfunktionaliteter som nätverk- och databashantering, samt lågnivåfunktionaliteter med benchmark-algoritmer från Computer Language Benchmarks Game (CLBG)-sviten. För att exekvera benchmark-programmen och samla in prestandametriker har en applikation utvecklats och använts för att utföra våra experiment på en iOS-enhet. För de undersökta benchmark-programmen visar resultaten att KMM generellt uppnår snabbare exekveringstider, men med en kompromiss i form av ökad minnesanvändning och CPU-användning. Vi har observerat att KMM kan uppnå upp till 2,7 sekunder snabbare exekveringstid, förbruka upp till 390MB mer minne och upp till 30% mer CPU-användning jämfört med native Swift. Dessutom antyder våra resultat korrelationer mellan KMM Garbage Collection cykler och profileringsbeteendet i dess minnes- och CPU-användning.