Penjelasan Expected Threat (xT): Lebih dari xG

Gol pembuka Arsenal dalam kemenangan 3-1 atas Burnley pada Desember 2018 adalah sebuah mahakarya. Mesut Özil membelah pertahanan dengan umpan terobosan ke Sead Kolašinac, yang kemudian mengoper bola ke depan gawang untuk diselesaikan oleh Pierre-Emerick Aubameyang. Assist tercatat untuk Kolašinac. Gol untuk Aubameyang. Özil tidak dapat apa-apa.

Expected Threat, atau xT, menceritakan kisah yang berbeda. Menurut metrik ini, umpan Özil meningkatkan peluang Arsenal mencetak gol dalam lima aksi berikutnya dari 7,7% menjadi 15,8%. Umpan balik Kolašinac hanya menambah 1,3 poin persentase di atas itu. Özil melakukan 86% dari pekerjaan, dan lembar statistik tidak pernah menyadarinya.

Itulah daya tarik xT. Gol, assist, bahkan xG hanya menghitung langkah terakhir dari sebuah pergerakan. xT memberikan kredit untuk umpan dan dribel yang memungkinkan langkah terakhir tersebut, sedikit mirip menilai pertandingan catur dengan lebih dari sekadar tangkapan akhir. Berikut adalah cara kerjanya, asal-usulnya, dan bagaimana seorang bettor dapat memanfaatkannya.

Ini adalah tubuh markdown. Jaga struktur persis: paragraf yang sama, subjudul ### yang sama, daftar, bold, dan tautan. Jangan tambahkan judul atau heading yang tidak ada dalam bahasa Inggris.

Expected Threat memberi angka pada seberapa besar setiap umpan, dribel, dan lari mengubah peluang tim untuk mencetak gol. Expected Goals (xG) hanya menilai tendangan. xT menilai semua hal lain di lapangan, termasuk pergerakan yang sama sekali tidak berujung pada tendangan.

Ide ini indah kesederhanaannya. Potong lapangan menjadi grid, dan berikan setiap zona nilai ancaman: seberapa sering penguasaan bola di sana berujung pada gol dalam beberapa aksi berikutnya. Katakanlah bola di kotak sendiri bernilai sekitar 0,01, peluang 1%. Setara dengan titik penalti, nilainya mungkin sekitar 0,35. Pindahkan bola dari satu zona ke zona lainnya dan selisihnya adalah kredit yang diperoleh pemain tersebut.

Jadi, umpan dari setengah lapangan sendiri ke tepi kotak lawan bukan sekadar merebut wilayah. Itu secara terukur meningkatkan peluang Anda untuk mencetak gol. Perbedaan utama: xG menilai tendangan, xT menilai proses membangun serangan.

Di balik layar, xT mengajukan pertanyaan sederhana dari setiap titik di lapangan: tendang, atau umpan bola? Model ini menimbang peluang gol jika kamu melakukan tendangan terhadap nilai dari posisi di mana kamu kemungkinan besar akan mengumpan bola berikutnya.

Perhitungan ini dilakukan secara iteratif hingga angka stabil, biasanya setelah empat atau lima iterasi. Setiap iterasi menambahkan satu aksi lagi ke dalam rantai, sehingga setelah lima iterasi, angka untuk suatu zona adalah probabilitas mencetak gol dalam lima aksi berikutnya dari sana. Dalam simbol:

Matematika di balik xT lebih tua daripada namanya. Pada 2011, Sarah Rudd mempresentasikan sebuah paper di New England Symposium on Statistics in Sports di Harvard, menggunakan rantai Markov untuk menilai penguasaan bola di beberapa wilayah lapangan (kotak, sayap, tengah, gawang, bola hilang). Modelnya menilai Jordan Henderson muda, yang saat itu bermain untuk Sunderland, sebagai pemain top-25 Premier League, sementara striker subur Darren Bent menempati peringkat rendah. Saat itu, hal itu terlihat seperti keabsurdan. Sekarang, hal itu terlihat jauh lebih masuk akal.

Karun Singh kemudian membawa ide ini ke audiens yang lebih luas. Post blog-nya pada Desember 2018 memberi nama "Expected Threat", menambahkan visualisasi interaktif, dan menguraikan metodenya dengan detail yang cukup agar siapa pun bisa menyalinnya. Nama itu melekat, dan post-nya masih menjadi salah satu referensi yang paling banyak dikutip dalam topik ini.

Pembagian standar membagi lapangan menjadi grid 16x12, total 192 zona. Setiap zona membawa empat angka yang diambil dari data historis: seberapa sering pemain memindahkan bola dari sana dengan umpan atau dribel, seberapa sering mereka menembak (keduanya berjumlah 100%), ke mana bola cenderung bergerak selanjutnya, dan seberapa sering tendangan dari zona itu berakhir di gawang.

Model dimulai dengan setiap zona di nol dan dibangun dalam beberapa ronde. Ronde pertama pada dasarnya adalah model xG, karena hanya tendangan yang dihitung. Ronde kedua menambahkan "memindahkan, lalu menembak". Ronde ketiga menambahkan "memindahkan, memindahkan, menembak", dan seterusnya. Pada ronde keempat atau kelima, nilai-nilai berhenti berubah secara signifikan, dan angka setiap zona adalah peluangnya untuk menghasilkan gol dalam lima aksi.

Mengapa berhenti di lima? Rangkaian yang lebih panjang menjadi semakin sulit diprediksi, dan ronde tambahan hanya menambah sedikit. Ini adalah kompromi yang rapi, dan menjaga angka-angka tetap mudah diinterpretasi.

Menilai satu umpan atau dribel individual jauh lebih mudah: ambil nilai ancaman di titik akhir dan kurangi nilai di titik awal. Memindahkan bola dari zona bernilai 0,05 ke zona bernilai 0,15 berarti aksi tersebut menciptakan 0,10 xT, yaitu peningkatan peluang gol sebesar sepuluh poin persentase dalam lima aksi.

Jumlahkan kenaikan nilai tersebut sepanjang satu pertandingan atau satu musim, dan Anda akan mendapatkan ukuran seberapa besar ancaman yang diciptakan oleh seorang pemain atau tim, terlepas dari apakah ada yang berujung pada tendangan atau tidak.

Ide di balik xT telah diungkapkan dalam analisis basket oleh Cervone dan rekan-rekannya: "Metrik-metrik lanjutan yang ada masih didasarkan pada penghitungan sederhana yang berkaitan dengan kondisi akhir dari setiap penguasaan bola... Ini mirip dengan menganalisis pertandingan catur hanya berdasarkan langkah yang menghasilkan skakmat, sehingga mengabaikan kemungkinan bahwa langkah kunci terjadi beberapa langkah sebelumnya."

Sepak bola memiliki titik buta yang persis sama. Gol, assist, dan xG semuanya berada di ujung sebuah pergerakan. Mereka mengabaikan umpan progresif yang membelah barisan pertahanan, dribel yang menarik pemain bertahan dari posisi mereka, dan pergantian arah permainan ke sisi yang sudah lebih ramai. Dan karena sebagian besar aksi di lapangan dalam sebuah pertandingan adalah umpan dan dribel, bukan tendangan, maka banyak kontribusi sepak bola yang tidak mendapat kredit.

Expected Goals merevolusi cara kita menilai kualitas tendangan, tetapi umpan yang membelah lini pertahanan, dribel yang membuka ruang, atau dribel dari jauh tidak mendapat nilai apa pun dalam xG. xT dan xG mengukur kemampuan yang berbeda, sehingga seorang pemain bisa sangat hebat dalam menciptakan ancaman tanpa banyak melakukan tendangan.

Kembali ke Özil dan Kolašinac. Umpan melonggar Özil meningkatkan ancaman dari 0,077 menjadi 0,158, setara dengan 0,081 xT dan 86% kredit. Umpan balik Kolašinac meningkatkan ancaman dari 0,158 menjadi 0,171, setara dengan 0,013 xT dan 14%. Kolom assist memberikan seluruh kredit kepada Kolašinac, tetapi kontribusi Özil sekitar enam kali lebih besar. Hal ini penting untuk scouting, negosiasi kontrak, dan, seperti yang akan kita lihat, bagi siapa pun yang mencoba mencari keuntungan di pasar taruhan.

Uji Henderson

Iklan terbaik untuk pemikiran berbasis nilai penguasaan bola masih berasal dari karya Sarah Rudd tahun 2011. Modelnya memilih Jordan Henderson sebagai pemain top 25 Premier League, sementara Darren Bent dinilai rendah. Saat itu, hal itu terdengar absurd: Bent adalah pencetak gol yang terbukti, sedangkan Henderson adalah gelandang biasa saja. Henderson kemudian bergabung dengan Liverpool dengan laporan biaya transfer £16-20 juta, dan Bent bergabung dengan Aston Villa dengan maksimal £24 juta.

Bertahun-tahun kemudian, Henderson mengangkat trofi Liga Champions, Premier League, FA Cup, dan League Cup sebagai kapten Liverpool. Para analis telah melihat sesuatu yang tidak bisa ditunjukkan oleh gol dan assist.

Bek sayap yang tidak tersinar

Logika yang sama menjelaskan mengapa bek sayap dan gelandang bertahan sering terlihat lebih baik dalam xT dibandingkan kolom tradisional. Mereka jarang mencetak gol atau memberikan assist, tetapi mereka menggerakkan bola dari daerah dalam ke wilayah berbahaya lagi dan lagi. Pekerjaan ini tidak pernah muncul di rekap video gol, namun justru itulah yang xT dirancang untuk menghitungnya.

Membaca sebuah tim

Peta xT per tim menunjukkan di mana sebuah tim menciptakan bahaya: lewat sisi kiri, lewat tengah, dari dribel jarak jauh, atau dari umpan lebar. Balikkan tampilan tersebut dan Anda bisa melihat di mana lawan paling terbebani, lalu kombinasikan dengan tujuan umpan untuk menemukan jalur permainan yang harus ditahan. Plot xT sepanjang pertandingan dan Anda juga bisa melihat siapa yang benar-benar menguasai permainan. Sebuah tim bisa mendominasi timeline ancaman tanpa mencatat banyak tendangan, hanya karena proses membangun serangannya terus membawa bola ke area berbahaya.

Menilai pemain

xT memberi penghargaan kepada pemain yang biasanya terabaikan oleh statistik konvensional: bek sayap, gelandang, dan siapa pun yang menggerakkan bola ke depan tanpa menyelesaikan serangan. xT juga terbagi dengan rapi antara umpan dan dribel. Kevin De Bruyne adalah pengumpan klasik, Eden Hazard adalah pengdribel klasik, dan Lionel Messi adalah pemain yang bisa melakukan keduanya. Bandingkan tindakan yang dipilih seorang pemain dengan opsi terbaik yang tersedia dan Anda mulai bisa melihat kualitas pengambilan keputusan mereka.

Menemukan rekrutan berikutnya

Untuk rekrutmen, pertanyaannya adalah kecocohan. Tim berbasis penguasaan bola menginginkan profil xT yang berbeda dari tim yang mengandalkan serangan balik. Dan karena xT mengungkap pemain yang menggerakkan proses serangan tanpa jumlah gol dan assist yang besar, scout bisa menggunakan metrik ini untuk menemukan talenta di liga-liga kecil sebelum klub-klub besar menyadarinya.

Tidak ada metrik yang sempurna, dan kesederhanaan xT adalah pesona sekaligus kelemahan utama. Riset di balik kerangka VAEP dari KU Leuven mengatakannya secara blak-blakan: pendekatan berbasis lokasi xT tidak paling akurat, karena ancaman sejati terletak pada cara bola digerakkan, bukan di mana posisinya.

Tidak ada rasa tekanan atau pemain bertahan

Umpan ke kotak penalti melawan blok rendah yang kompak dinilai sama dengan umpan melawan pertahanan yang meregang. Tanpa data pelacakan, xT hanya melihat bola, bukan pemain bertahan di sekitarnya, sehingga zona yang terlihat berbahaya di peta bisa saja penuh sesak oleh tubuh lawan. Aksi yang sama dalam konteks berbeda bisa jauh lebih sulit.

Tidak ada rasa risiko

Umpan berisiko ke kotak penalti dinilai sama dengan umpan aman, selama keduanya berhasil. xT dasar juga mengabaikan kegagalan: umpan langsung yang terintercept mendapat skor nol, meskipun itu adalah umpan yang tepat untuk dicoba. Serangan cepat melawan pertahanan yang tidak terorganisir seharusnya bernilai lebih tinggi daripada pembangunan sabar yang berakhir di posisi yang sama, dan xT tidak bisa membedakan keduanya.

Tidak ada pemahaman keadaan permainan

Skor, menit, dan situasi taktik tidak ada dalam model. Tim yang tertinggal 3-0 di menit ke-85 mungkin mengumpulkan banyak xT sementara lawan bertahan dalam, tetapi itu bukan ancaman sejati. Anggap angka-angka ini sebagai panduan proses, bukan sebagai putusan final.

Kesenjangan tersebut menginspirasi lahirnya keluarga model nilai penguasaan bola yang lebih cerdas. VAEP, dari lab DTAI di KU Leuven, menggunakan machine learning pada fitur kondisi permainan yang kaya dan menilai baik peluang mencetak gol maupun kebobolan. OBV dari StatsBomb dibangun di atas model xG-nya dan memanfaatkan data 360 untuk melihat posisi pemain di sekitar bola. American Soccer Analysis memiliki metrik Goals Added (g+) mereka sendiri untuk MLS.

Mereka semua mengejar tujuan yang sama seperti xT, yaitu menilai setiap tindakan, bukan hanya tindakan terakhir, tetapi masing-masing menambahkan konteks yang tidak dimiliki oleh xT dasar. Tabel di bawah menunjukkan di mana masing-masing model tersebut cocok.

xT tidak akan langsung memberimu prediksi juara, tapi ia adalah lensa tajam untuk mengurai siapa yang sebenarnya lebih baik daripada yang ditunjukkan oleh hasil akhir. Kalau dipakai bareng model prediksi sepak bola yang benar-benar solid, xT bisa mengungkap beberapa sudut pandang praktis.

Tim yang performanya di lapangan lebih baik dari skor

Tim yang terus menciptakan peluang berbahaya tapi kurang efektif dalam penyelesaian akhir adalah kandidat kuat untuk "regres" ke atas. xT mengukur performa fundamental terlepas dari keberuntungan dalam penyelesaian akhir, jadi ini membantu membedakan tim yang memang buruk dari tim yang sekadar kurang beruntung. Logika yang sama bisa dipakai untuk pasar total gol, dan di sinilah panduan kami tentang Over/Under jumlah gol mulai berperan.

Pasar pemain dan assist

Gelandang yang sering menciptakan ancaman lewat umpan mereka mungkin saja kurang dihargai di pasar assist. Kemampuan penyelesaian akhir rekan setim mereka bisa menutupi betapa baiknya proses di belakang layar, dan justru di situlah nilai (value) biasanya bersembunyi.

Ketidakcocohan taktik dan taruhan live

Cek zona berbahaya sebuah tim terhadap titik lemah lawan, dan kamu bisa menemukan keunggulan dalam pertemuan tersebut. Jika Tim A menciptakan ancaman terbesar dari sayap dan Tim B sering kebobolan dari umpan silang, itu memberimu informasi penting. Dalam taruhan live, tim yang mendominasi timeline xT tapi tertinggal di papan skor bisa menjadi peluang live betting yang nyata.

Gelombang metrik berikutnya sudah mulai terbentuk. Data pelacakan akan memungkinkan analis memperhitungkan posisi defensif, memberi penghargaan untuk pergerakan tanpa bola, dan mengukur ruang yang tercipta, bukan sekadar jarak yang ditempuh. Dynamic Expected Threat (DxT) dan model serupa bertujuan untuk mengintegrasikan tekanan defensif, kondisi permainan, dan kecepatan transisi, konteks yang tidak dimiliki oleh xT dasar.

Siapkan juga lebih banyak pemikiran berbasis risiko dan imbalan, dengan model yang menimbang peluang mencetak gol berbanding peluang kebobolan, terutama untuk umpan pemecah barisan berisiko tinggi. Seiring model nilai penguasaan bola menjadi standar di StatsBomb dan banyak klub, perbandingan metode dan benchmark menjadi lebih mudah, dan diskusi publik pun menjadi lebih cerdas.

Expected Threat adalah salah satu konsep paling berguna dalam analitik sepak bola sejak xG. Metrik ini tidak akan memberitahu Anda siapa yang menang pada hari Sabtu, tetapi ia menunjukkan langkah-langkah sebelum skakmat: umpan, dribling, dan penguasaan bola yang menciptakan peluang sebelum seseorang melepaskan tendangan. Ini tidak sempurna, tetapi model sederhana yang membawa Anda sejauh mungkin, dengan cepat, lebih baik daripada model rumit yang tidak pernah Anda pakai.

• Fokus pada proses, bukan hasil. Tim yang menghasilkan banyak xT tetapi kalah lebih mungkin untuk berbalik dibandingkan tim yang menang berkat hasil beruntung.
• Cari kreator tersembunyi. Pemain yang melakukan umpan dan membawa bola untuk membangun serangan jarang mendapat kredit assist, jadi cari mereka di pasar pemain dan penciptaan peluang.
• Cocokkan zona berbahaya dengan titik lemah. Di mana sebuah tim menciptakan ancaman mereka dibandingkan di mana lawan mereka bocor adalah sudut pandang yang lebih bersih daripada bentuk mentah.
• Hormati konteks. Tekanan, keadaan pertandingan, dan risiko tidak ada dalam xT dasar, jadi gunakan ini bersama xG dan mata Anda sendiri.
• Cari ketidakcocokan langsung. Tim yang mendominasi garis waktu ancaman sambil tertinggal adalah jenis situasi in-play yang layak untuk dilihat lebih dekat.
• Jaga taruhan tetap masuk akal. Tidak ada metrik yang menghilangkan varians, jadi bertaruh sesuai kemampuan Anda dan jangan pernah mengejar kerugian.

Assist memberitahu siapa yang mengumpan. Gol memberitahu siapa yang mencetak. xT membantu menunjukkan siapa yang benar-benar menciptakan peluang.

• Cara Menggunakan xG (Expected Goals) untuk Taruhan Sepak Bola yang Lebih Cerdik
• Cara Membuat Model Taruhan Olahraga: Panduan Lengkap
• Keunggulan Tuan Rumah vs Kualitas Tim: Panduan Taruhan Sepak Bola Lanjut
• Pasar Taruhan Menit: Kapan Gol Terjadi

18+. Silakan bertaruh secara bertanggung jawab. Untuk dukungan gratis dan rahasia, kunjungi BeGambleAware.org.