Cara Kerja 'Superkomputer Sepak Bola' Sebenarnya: Simulasi Monte Carlo Dijelaskan

"Supercomputer prediksi perebutan gelar Premier League." "Supercomputer berikan vonis degradasi." Anda sudah kenal judul-judul seperti itu. Muncul setiap minggu dengan kolom persentase di samping setiap klub, dan pada hari Sabtu mereka sudah dikutip di pub seperti tablet batu.

Tidak ada mesin seukuran ruangan yang berdengung di basement, meskipun. "Supercomputer" sepak bola ini adalah model statistik, dan metode di baliknya adalah sesuatu yang bisa dijalankan oleh laptop Anda. Nama ini murni branding. Yang ada di bawahnya itu cerdas dan sederhana secara mengejutkan, dan kami pikir setiap bettor harus memahaminya.

Musim 2026/27 sudah berjalan sekitar tujuh minggu. Musim dimulai pada 21 Agustus, Arsenal adalah juara bertahan, dan Coventry City, Ipswich Town dan Hull City baru saja naik. Ini adalah waktu tepat ketika proyeksi mulai berputar-putar, dan waktu tepat ketika mereka paling mudah salah dibaca.

Tetap bersama kami dan Anda akan tahu bagaimana simulasi musim dibangun, apa arti sebenarnya dari "peluang juara 35%", mengapa model dan bandar tidak sepakat, dan mana yang harus Anda percaya kapan.

Siapa pun yang suka bertaruh pasti akan menyukai nama ini. Metode Monte Carlo adalah sekelompok perhitungan yang dibangun berdasarkan pengacakan berulang. Matematikawan Polandia, Stanislaw Ulam, yang menemukan ide ini, dan namanya diambil dari Kasino Monte Carlo di Monaco, sebagai penghormatan terhadap kebiasaan judi pamannya.

Trik ini terdengar terbalik: Anda menggunakan keacakan untuk menjawab pertanyaan yang sama sekali tidak acak. Beberapa masalah terlalu rumit untuk rumus yang rapi, dan satu musim sepak bola adalah salah satu di antaranya. Dua puluh tim, 380 pertandingan, setiap hasil memengaruhi hasil lainnya, dan penentuan peringkat tie-break berdasarkan selisih gol. Tidak ada yang menulis persamaan bersih untuk "berapa peluang Coventry bertahan?"

Jadi Anda tidak perlu repot-repot. Anda memutar musim secara acak, tetapi berdasarkan probabilitas yang masuk akal, dan Anda melakukannya ribuan kali. Lalu Anda menghitung.

Itulah superkomputernya. Segala hal lain berpusat pada seberapa baik probabilitas yang dimasukkan, dan di situlah argumen sebenarnya berada.

Setiap simulasi dimulai dengan angka untuk setiap tim. Beberapa model menggunakan satu rating kekuatan tunggal, seperti rating Elo, tetapi sebagian besar model sepakbola membaginya menjadi kekuangan serangan dan kekuatan pertahanan. Angka-angka ini berasal dari hasil masa lalu, dan semakin banyak dari expected goals, serta dalam beberapa model dari campuran dengan odds pasar.

Expected goals adalah tulang punggung modern. Setiap shot diberi probabilitas antara 0 dan 1 untuk masuk, berdasarkan jarak, sudut, bagian tubuh, jenis assist, dan sebagainya. Jumlahkan semua shot dan Anda akan memiliki xG tim untuk pertandingan atau musim tersebut. Peluang xG 0,3 akan masuk sekitar 30% dari waktu dalam banyak pengulangan, yang tidak memberi tahu Anda apa pun tentang apakah satu shot tertentu akan masuk atau tidak. Karena xG menghilangkan keberuntungan dalam penyelesaian, xG menjadi panduan yang lebih stabil untuk tingkat sebenarnya sebuah tim daripada hanya gol saja, sehingga sebagian besar rating sangat bergantung pada xG. Panduan kami tentang membuat model taruhan olahraga membahas lebih dalam tentang memilih input Anda.

Nenek akademik dari semua ini adalah Dixon dan Coles, yang diterbitkan di Journal of the Royal Statistical Society pada tahun 1997. Mereka menyesuaikan model regresi Poisson ke sepakbola liga dan piala Inggris dari tahun 1992 hingga 1995 dan mengujinya melawan odds bookmaker dari musim 1995/96. Paper itu secara terbuka membahas tentang mencari celah di pasar taruhan sepakbola, dan melaporkan return positif dalam pengujian tersebut. Pasar di tahun 1990-an adalah target yang lebih lunak daripada hari ini, tetapi kerangka model itu masih berada di dalam sebagian besar perkiraan publik.

Rating tidak statis juga. Model yang baik memperbarui rating mereka seiring berjalannya musim, sehingga pertandingan-recent lebih berbobot daripada musim semi tahun lalu.

Dengan rating sudah ditetapkan, setiap pertandingan berubah menjadi angka expected goals untuk kedua tim, dan angka tersebut menjadi probabilitas melalui distribusi Poisson. Ini adalah cara standar untuk memodelkan seberapa sering suatu kejadian langka terjadi dalam rentang waktu tertentu, dan jumlah gol dalam pertandingan sepakbola sangat cocok untuk metode ini.

P(tim mencetak k gol) = e^(-λ) × λ^k / k!

λ_home = liga_avg × home_attack × away_defence × home_advantage
λ_away = liga_avg × away_attack × home_defence ÷ home_advantage

Rata-rata liga menjadi baseline. 50 pertandingan pertama Premier League musim 2026/27 menghasilkan 141 gol, 2,82 gol per pertandingan, atau sekitar 1,41 gol per tim.

Misalkan model memperkirakan tim tuan rumah akan mencetak 1,8 gol dan tim tamu 1,0 gol. Tim tuan rumah tidak mencetak gol dengan probabilitas e^-1,8, sekitar 16,5%, mencetak satu gol 29,8% dari waktu, dan dua gol 26,8% dari waktu. Hitung semua skor dari 0-0 sampai 9-9, tambahkan semuanya, dan Anda akan mendapatkan:

Home win  ≈ 56%
Draw      ≈ 23%
Away win  ≈ 21%

Bentuk ini seharusnya terlihat familiar. Berikut yang dipublikasikan oleh model Opta untuk beberapa pertandingan pada 9 Oktober 2026:

Opta win probabilities as of 9 Oktober 2026.

Poisson sederhana memiliki satu kelemahan terkenal. Ini memperlakukan gol kedua tim sebagai independen, yang membuat hasil imbang dengan skor rendah seperti 0-0 dan 1-1 terlihat kurang mungkin. Dixon dan Coles menambahkan koreksi untuk empat skor terendah (0-0, 1-0, 0-1 dan 1-1), dan sebagian besar model serius sekarang memiliki sesuatu yang serupa.

Ini bagian Monte Carlo-nya. Ini adalah loop lima langkah:

1. Nilai setiap tim dari hasil, xG dan apa pun yang dimasukkan.
2. Hitung harga setiap fixture sisa dengan model pertandingan di atas.
3. Mainkan setiap fixture sekali secara acak, menarik skor dari probabilitas tersebut dan menambahkan poin ke klasemen. Pertandingan yang sudah dimainkan tetap persis seperti yang terjadi.
4. Ulangi seluruh musim ribuan kali. 10.000 kali simulasi adalah pilihan umum, dan setiap simulasi adalah satu versi kemungkinan dari musim 2026/27.
5. Hitung. Peluang juara adalah proporsi simulasi di mana sebuah tim finis di puncak. Peluang degradasi adalah proporsi di mana mereka finis di posisi ke-18, ke-19, atau ke-20.

Persentase terkenal itu hanyalah penghitungan. Menangkan liga dalam 4.300 dari 10.000 musim yang disimulasikan dan Anda berada di 43%. Dengan 50 dari 380 pertandingan sudah dimainkan per 20 September, model Premier League memutar ulang sekitar 330 fixture setiap simulasi.

Di bawah adalah versi yang berfungsi untuk liga fiktif dengan empat tim yang bermain kandang dan tandang. Ini memakan waktu satu menit untuk dibaca:

import random, math
random.seed(7)
teams = {"Reds": (1,9, 0,9), "Blues": (1,7, 1,0), "Whites": (1,4, 1,2), "Greens": (1,2, 1,3)}  # (attack, defence)
AVG, HOME = 1,35, 1,15

def poisson(lam):
    L, k, p = math.exp(-lam), 0, 1,0
    while True:
        p *= random.random()
        if p <= L:
            return k
        k += 1

def play(h, a):
    lam_h = AVG * (teams[h][0] / AVG) * (teams[a][1] / AVG) * HOME
    lam_a = AVG * (teams[a][0] / AVG) * (teams[h][1] / AVG) / HOME
    return poisson(lam_h), poisson(lam_a)

fixtures = [(h, a) for h in teams for a in teams if h != a]
N, titles = 10_000, dict.fromkeys(teams, 0)
for _ in range(N):
    pts, gd = dict.fromkeys(teams, 0), dict.fromkeys(teams, 0)
    for h, a in fixtures:
        x, y = play(h, a)
        gd[h] += x - y; gd[a] += y - x
        if x > y: pts[h] += 3
        elif x < y: pts[a] += 3
        else: pts[h] += 1; pts[a] += 1
    champion = max(teams, key=lambda t: (pts[t], gd[t], random.random()))
    titles[champion] += 1
print({t: titles[t] / N for t in teams})

Jalankan kode tersebut dan Reds, yang nyaman menjadi tim terbaik di atas kertas, memenangkan gelar hanya dalam sekitar 53% musim. Blues mengambil sekitar 31%, Whites sekitar 11% dan Greens sekitar 4-5%. Reds mengalahkan Greens di kandang 70% dari waktu, dan dalam musim singkat, tim terbaik masih gagal hampir setengah waktu. Begitulah noisy-nya sepak bola.

Peluang juara 25% tidak berarti tim tersebut pasti menang. Artinya mereka juara satu musim dari empat musim.

Sebag besar misinterpretasi dimulai tepat di sana. Menempatkannya di daftar teratas dengan 25% membuatmu menjadi "pilihan superkomputer", namun tiga kali dari empat musim, tim lainlah yang mengangkat trofi. Tim dengan peluang degradasi 10% sering disebut "aman" di headline, tetapi dalam satu musim dari sepuluh, skuad persis dengan jadwal persis itu akan terdegradasi.

Angka awal sebagian besar adalah musim lalu

Tujuh pekan berlalu, tabel nyata baru saja menggeser jarum. Yang kamu lihat sekarang sebagian besar adalah pandangan awal model terhadap setiap tim dengan beberapa hasil yang dicampur. Pada April, semuanya berbalik: poin aktual mendominasi dan rating hanya menentukan segelintir pertandingan yang tersisa. Itulah mengapa proyeksi awal berayun setelah setiap pekan pertandingan.

Perubahan rating kecil, perubahan besar

Total poin berdekatan rapat-rapat. Geser rating satu tim sedikit dan peluang juaranya bisa bergeser beberapa poin persentase, karena beberapa kemenangan tambahan dalam satu musim bisa menjadi seluruh jarak antara peringkat pertama dan ketiga.

Simulasi lebih banyak tidak memperbaiki model buruk

Noise sampling memang mengecil saat kamu menambahkan simulasi, dan matematikanya cukup sederhana:

standar error = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 poin  (kira-kira ±1 poin)
p = 0,5, N = 1,000   →  1,6 poin  (kira-kira ±3 poin)

Tapi itu hanya mencakup noise dari dadu. Jika rating salah, sejuta simulasi akan memberikan jawaban yang sangat presisi tapi salah. Ini jebakan yang sama yang menimpa model taruhan yang backtesting dengan brilian dan kemudian kehilangan uang nyata.

Langka bukan berarti tidak mungkin

Leicester City memulai musim 2015/16 sebagai underdog 5000-1 di bandar taruhan dan resmi menjadi juara pada 2 Mei 2016, dengan Jamie Vardy mencetak 24 gol liga untuk Claudio Ranieri di sepanjang jalan. Peluang 5000-1 menyiratkan sekitar 0,02%, atau kira-kira dua gelar dalam 10,000 musim simulasi. Ketika model mencetak "<1%", bacalah itu sebagai "langka" dan jangan pernah sebagai "tidak mungkin terjadi".

Letakkan persentase model di samping harga bandar taruhan, dan mereka jarang sejalan. Tiga hal yang menggerakkan selisih ini.

Margin

Probabilitas model selalu berjumlah tepat 100%. Probabilitas implisit bandar taruhan berjumlah lebih dari itu, dan di pasar outright besar sering jauh di atas 100%. Itu adalah overround. Untuk membandingkan yang setara, ubah angka model menjadi odds fair:

odds desimal fair = 1 ÷ probabilitas

Man Utd 54,1%  →  1 ÷ 0,541 ≈ 1,85  (sekitar 17/20)
Draw    23,6%  →  1 ÷ 0,236 ≈ 4,24  (sekitar 13/4)
Spurs   22,3%  →  1 ÷ 0,223 ≈ 4,48  (sekitar 7/2)

Harga nyata biasanya lebih pendek dari itu untuk sebagian besar hasil, karena margin harus berasal dari suatu tempat. Panduan kami tentang menghapus margin bandar taruhan membandingkan empat cara untuk mencabutnya dari harga.

Input

Model hanya tahu apa yang ada dalam rating-nya. Pasar tahu tentang hamstring yang cedera saat latihan pada Kamis, manajer yang satu kekalahan lagi dari pemecatan, rotasi sebelum malam Eropa, dan jendela transfer Januari yang belum terjadi. Bandar taruhan juga mengelola risiko dan bereaksi terhadap ke mana uang mengalir. Beberapa model publik membaliknya dan mencampur odds pasar ke dalam rating mereka, jadi mereka sebagian menyalin pasar yang sedang dibandingkan dengan mereka.

Longshots

Bandar taruhan cenderung memberi harga longshots lebih pendek dari peluang sebenarnya mereka. Itu adalah bias favorit-longshot yang terdokumentasi dengan baik, dan sendirian itu berarti outsiders sering terlihat lebih buruk nilai di bandar taruhan daripada yang disarankan oleh model.

Anggapai superkomputer ini sebagai pengecek kewarasan, bukan tipster. Ia sangat jago menunjukkan seberapa besar probabilitas yang sebenarnya diminta oleh sebuah odds. Tapi ia buruk dalam memberi tahu apa pun yang tidak sudah diketahui pasar.

Mulai dengan konversinya. Model yang memberi sebuah tim 4% untuk gelar sedang mengatakan odds fair 25,0, atau 24/1. Jika harga terbaik yang ada sekitar 20/1, buku mengimplikasikan sekitar 4,8% (1 ÷ 21). Selisih itu berada di dalam batas error model, jadi ini bukan taruhan. Hanya bertindak ketika selisihnya lebih besar daripada kepercayaanmu terhadap rating di baliknya.

Lalu tanyakan mengapa selisih itu ada. Model dan bandar makan dari hasil publik yang sama, jadi ketidaksetujuan yang tajam biasanya berarti model sedang melewatkan sesuatu: cedera, manajer baru, atau perombakan skuad. Cari alasanmu sebelum kamu mencari dompetmu.

Dari minggu ke minggu, angka per pertandingan adalah alat yang lebih berguna. Kemenangan tuan rumah 54,1% berodds fair sekitar 1,85. Jika kamu ditawarkan sesuatu yang nyaman lebih besar, itu layak mendapat perhatian serius; jika kamu ditawarkan lebih pendek, model sedang menyuruhmu untuk lewat. Untuk pasar gelar dan bertahan itu sendiri, panduan taruhan gelar Liga Premier kami Panduan taruhan gelar Liga Premier dan panduan taruhan degradasi kami membahas detail pesaing 2026/27.

Suka pergi lebih jauh? Bangun milikmu sendiri. Kode mainan di atas adalah awal yang bekerja, dan tulisan kami tentang apakah machine learning bisa mengalahkan bandar menunjukkan ke mana model serius membawa ini selanjutnya.

Verdict kami: superkomputer ini adalah penerjemah yang hebat, tetapi oracle yang buruk. Gunakan untuk mengubah opini menjadi harga, bukan untuk memilih pemenang untuk Anda.

• Ubah setiap persentase menjadi odds fair sebelum Anda melihat bandar. Ini perhitungan sepuluh detik, dan itu mencegah angka headline menyamar sebagai value.
• Abaikan fluktuasi gelar di awal musim. Di September dan Oktober, outputnya sebagian besar rating musim lalu, dan pasar sudah memprice perubahan musim panas.
• Jangan pernah menganggap persentase tertinggi sebagai pick. Favorit 30% melewatkan gelar tujuh kali dari sepuluh, dan harga harus mencerminkan itu.
• Hormati ekor. Sisi "1%" masih memenangkan sekitar 100 dari 10.000 musim. Leicester di 5000-1 adalah pengingat.
• Cinta selisih besar antara model dan pasar. Selisih kecil adalah noise; yang besar biasanya berarti model telah melewatkan berita tim. Gali sebelum Anda bertaruh.
• Andalkan angka per pertandingan. Probabilitas single-fixture lebih ketat, dan jauh lebih mudah untuk diuji terhadap harga, daripada outrights musim penuh.

Apa pun yang Anda back, stake unit tetap, wajar, dan nilai diri Anda dalam jangka panjang taruhan, bukan satu akhir pekan.

• Panduan taruhan gelar Premier League 2026/27
• Taruhan degradasi Premier League 2026/27
• Cara membangun model taruhan olahraga: panduan lengkap
• AI dalam taruhan olahraga: bisa machine learning mengalahkan bandar?
• Penjelasan rating Elo: bagaimana matematika catur menilai kekuatan tim sepak bola

18+. Silakan bertaruh dengan tanggung jawab. Untuk dukungan gratis dan rahasia, kunjungi BeGambleAware.org.