Model Nilai Penguasaan Bola: Panduan Analisis Sepak Bola untuk 2026

Bayangkan Kevin De Bruyne mengambil bola tepat di dalam setengah lapangan sendiri. Ia mengamati, melihat pergerakan yang belum dimulai, dan melontarkan bola yang terarah melewati tiga pemain bertahan. Finishingnya buruk dan peluang itu pun hilang. Di lembar statistik, seolah-olah tidak ada yang terjadi: tidak ada assist, tidak ada yang bisa dibanggakan. Namun, umpan itu melakukan persis apa yang harus dilakukan oleh umpan besar, mengubah penguasaan bola yang tidak berbahaya menjadi peluang besar. (Ini adalah adegan yang dibuat-buat, tapi Anda sudah melihat ratusan adegan seperti itu.)

Model nilai penguasaan bola, atau PVM, ada untuk memberikan kredit pada momen seperti itu. Alih-alih hanya menghitung gol dan assist, model ini mengestimasi seberapa besar setiap tindakan mengubah peluang tim untuk mencetak gol dan kebobolan.

Panduan ini membahas model-model utama (VAEP, EPV, OBV, g+ dan xT), bagaimana klub menggunakannya dan, karena ini adalah situs taruhan, seberapa besar nilai sebenarnya mereka bagi seorang penjudi. Jawaban singkatnya: lensa yang sangat berguna, bukan mesin uang.

Sepak bola selalu mencintai angka. Namun selama beberapa dekade, angka-angka itu hanya menceritakan secercah dari keseluruhan cerita. Gol, assist, dan clean sheet adalah mata uang utama, tetapi mereka hanya menangkap puncak dari gunung es.

Ambil contoh persentase umpan berhasil. Bek tengah yang menyelesaikan 95% umpan ke belakang dan ke sampingnya dinilai lebih tinggi daripada gelandang kreatif yang terus mencoba umpan sulit di antara linimata lawan. Persentase itu tidak mengatakan apa pun tentang seberapa sulit atau seberapa berharga setiap umpan tersebut.

Persentase penguasaan bola memiliki kelemahan yang sama. Menguasai bola di area yang tidak berbahaya artinya sangat sedikit melawan tim yang dengan senang hati membiarkan Anda memegang bola dan menyerang Anda saat counter-attack.

Dan gol serta assist hanya menghargai aksi terakhir dalam apa yang sering kali adalah pergerakan panjang dan rumit. Penyerang yang mengintimidasi defender hingga membuat kesalahan, gelandang yang mengulang bola di bawah tekanan, defender yang posisinya mematahkan peluang sebelum terbentuk: semuanya tidak terlihat dalam catatan tradisional.

Expected goals (xG) memperbaiki sebagian masalah dengan mengukur kualitas peluang, tetapi itu tetap hanya melihat tendangan. Jadi, bagaimana dengan semua hal lain yang terjadi di lapangan sepak bola?

Bukan bertanya "Apakah ini menghasilkan gol?", PVM justru bertanya sesuatu yang lebih berguna: "Bagaimana aksi ini mengubah peluang mencetak atau kebobolan gol?"

Setiap aksi dalam pertandingan, baik umpan, tackle, dribel, clearance, maupun tendangan, mengubah keadaan permainan. Umpan panjang ke dalam kotak penalti membuat gol lebih mungkin terjadi. Umpan ceroboh di lini tengah membuat kebobolan lebih mungkin terjadi. PVM memberikan angka untuk setiap perubahan tersebut, lalu menjumlahkannya untuk setiap pemain dan tim.

Hitungannya dasar cukup sederhana: kenaikan peluang mencetak gol, dikurangi kenaikan peluang kebobolan. Misal, sebuah umpan meningkatkan peluang golmu dari 2% menjadi 8% dan menurunkan peluang kebobolanmu dari 1% menjadi 0,5%. Itu berarti keuntungan 0,06 gol ditambah penghematan 0,005, jadi umpan tersebut bernilai sekitar 0,065 gol. Angka-angka ini dibuat untuk ilustrasi, tapi logikanya persis seperti cara kerja model-model nyata.

Begitu kamu bisa melakukan ini untuk satu umpan, kamu bisa menerapkannya untuk semuanya. Tackle terakhir yang menghentikan gol yang sudah pasti terjadi sangat bernilai tinggi. Umpan penahan bola yang tenang di bawah tekanan bisa bernilai lebih dari yang terlihat. Tendangan spekulatif yang melenceng dan menghasilkan throw-in membawa nilai negatif.

Inilah yang membuat model-model ini begitu berguna untuk para pemain yang sering dilupakan oleh statistik: gelandang pengatur tempo, bek tengah yang berani membawa bola, dan penyerang yang banyak pressing, di mana kerja terbaik mereka jarang terlihat di catatan tradisional.

Beberapa kerangka kerja mengubah ide ini menjadi angka, dan masing-masing mengambil jalur yang berbeda. Kalau kamu serius soal statistik sepak bola lanjutan, ini nama-nama yang wajib kamu kenal.

VAEP (Valuing Actions by Estimating Probabilities)

Dibangun oleh kelompok riset DTAI di KU Leuven, Belgia, VAEP adalah salah satu model akademik paling berpengaruh dalam analitik sepak bola. Model ini menggunakan machine learning untuk memperkirakan bagaimana setiap aksi mengubah probabilitas mencetak gol dan kebobolan dari aksi-aksi yang menyusul. Kekuatannya ada pada jangkauan: ia bisa menilai segala hal dari umpan sederhana hingga dribel, dan kode sumber terbukanya telah menjadikannya fondasi bagi banyak riset lanjutan. Nilai per individu untuk setiap aksi sangat kecil, biasanya pecahan dari satu gol.

EPV (Expected Possession Value)

Karya yang dipimpin oleh Javier Fernández di departemen analitik FC Barcelona menghasilkan EPV, yang berjalan berdasarkan data pelacakan yang menunjukkan posisi semua 22 pemain. Hal ini memungkinkan analisis per-frame, termasuk aksi yang tidak menyentuh bola sama sekali: lari tanpa bola yang menarik defender menjauh, atau pergerakan yang membuka ruang untuk rekan setim. Ini salah satu pendekatan paling detail, tetapi infrastruktur pelacakan yang dibutuhkan membuatnya di luar jangkauan sebagian besar klub.

OBV (On-Ball Value)

StatsBomb, yang kini bernama Hudl StatsBomb, memperkenalkan OBV pada tahun 2021. Model ini dilatih berdasarkan expected goals, bukan gol aktual, yang meredakan kekacauan dalam penyelesaian akhir, dan membagi nilai antara pemberi dan penerima umpan agar tidak ada yang dihitung dua kali.

g+ (Goals Added)

American Soccer Analysis menciptakan g+ untuk liputan MLS dan NWSL. Model ini menilai setiap sentuhan dan membagi kredit untuk sebuah umpan antara pemberi dan penerima, karena umpan yang bagus juga membutuhkan first touch yang baik untuk berhasil.

xT (Expected Threat)

xT dari Karun Singh adalah yang paling mudah dibayangkan. Model ini memotong lapangan menjadi grid, memberi nilai untuk setiap zona berdasarkan seberapa mungkin gol tercipta dari sana, dan memberikan poin untuk setiap umpan atau dribel yang menggerakkan bola ke zona yang lebih berbahaya. Sederhana untuk dijelaskan dan sederhana untuk dibangun, ini tempat yang bagus untuk memulai.

Akar akademisnya mungkin mengisyaratkan bahwa PVM hidup di dalam paper penelitian. Nyatanya tidak. Klub-klub elit sudah beberapa tahun lamanya mengintegrasikan ide-ide ini ke dalam pekerjaan mereka.

Rekrutmen

Liverpool di bawah arahan direktur olahraga Michael Edwards, yang memegang posisi tersebut hingga 2022, sering dijadikan contoh utama untuk scouting berbasis analitik. Tujuannya adalah menemukan pemain yang kontribusinya melampaui jumlah gol dan assist mereka: gelandang yang menggerakkan bola ke depan tanpa statistik glamor, dan bek yang mencegah peluang sebelum berkembang. Klub jarang mengungkapkan seberapa besar pengaruh satu model tertentu, jadi angkis cerita individual sebagai laporan berbasis informasi, bukan metode yang dipublikasikan.

Persiapan pertandingan

Analis lawan mungkin menemukan bahwa rival mereka menghasilkan sebagian besar nilai penguasaan bola dari bek kanan yang membawa bola ke tengah lapangan. Staf pelatih kemudian dapat menyusun trigger pressing untuk mendorong permainan menjauh dari zona tersebut. Data yang sama menunjukkan sisi mana yang lebih sering digunakan lawan, di mana mereka rentan, dan seberapa sering rutinitas bola mati mereka menciptakan posisi bernilai tinggi.

Evaluasi pemain

Bagi scout, PVM memberikan gambaran yang lebih lengkap. Penyerang yang tidak mencetak gol tetapi terus menciptakan posisi bernilai tinggi mungkin sedang butuh jeda. Bek yang angka tradisionalnya terlihat biasa-biasa saja mungkin sedang mencegah banyak peluang melalui positioning dan antisipasi. Full-back yang mengoper bola dari kedalaman, seperti Trent Alexander-Arnold selama masa-masanya di Liverpool, cenderung menonjol dalam metrik progressive-passing meskipun jumlah golnya tidak besar.

xG mengubah analisis sepak bola dengan mengukur kualitas peluang, tetapi xG hanya menangkap momen saat tendangan terjadi. PVMs memperluas pemikiran yang sama ke seluruh lapangan.

Apakah cakupan yang lebih luas berarti lebih baik dalam memprediksi hasil? Buktinya campuran. Studi 2025 di Frontiers in Sports and Active Living oleh Forcher dan rekan-rekan menggunakan tiga musim Bundesliga (2022/23 hingga 2024/25). Untuk prediksi pra-pertandingan, EPV mencapai akurasi 58,3% dibandingkan 55,6% untuk xG. Namun, setelah pertandingan, xG menjadi prediktor yang lebih kuat (65,6% melawan 59,6%). Interpretasi para penulis: xG memberi tahu lebih banyak tentang bagaimana sebuah tim menyerang setelah pertandingan dimainkan, sementara EPV pra-pertandingan menunjukkan janji nyata untuk memprediksi apa yang akan datang selanjutnya.

Untuk bettor, implikasi praktisnya adalah bahwa PVMs dapat mengidentifikasi tim yang menciptakan penguasaan bola berkualitas tinggi tanpa mengkonversinya, yang merupakan kandidat untuk regresi positif, dan tim yang berjalan di depan angka fundamental mereka. Mereka juga dapat mengungkap ketidakcocokan taktikal sebelum hasil melakukannya.

Pasar taruhan lebih lambat dibanding klub-klub elite dalam mengadopsi nilai penguasaan bola, dan bukti bahwa data PVM mengalahkan harga penutupan masih tipis. Namun, ini tetap menjadi lensa cerdas, dan belajar menerapkan analitik sepak bola ke dalam taruhan adalah cara masuk yang masuk akal.

Mengenali tim yang hasil mereka belum mencerminkan performa

Tim yang menghasilkan banyak nilai penguasaan bola tetapi kurang efektif dalam mengonversinya mungkin akan segera meraih hasil yang lebih baik, meskipun skor terbaru tidak menunjukkan itu. Sisi sebaliknya: tim yang performanya melampaui angka dasarnya bisa saja sedang menuju periode menurun.

Pasar pemain bekerja dengan cara yang sama. Gelandang yang terus menciptakan posisi bernilai tinggi tanpa mencatatkan assist mungkin akan segera 'buka puasa', dan striker dengan nilai penguasaan bola yang kuat tetapi penyelesaian akhir yang buruk bisa saja dinilai terlalu rendah di pasar gol. Panduan kami tentang pasar tembakan pemain menunjukkan bagaimana menerapkan pemikiran tersebut.

In-play

Pelacakan PVM real-time bisa mengungkap pergeseran momentum sebelum terlihat di papan skor, dan bahkan mungkin membantu mengantisipasi pergantian pemain. Ini adalah hal yang perlu diuji sebelum Anda bergantung padanya.

Kombinasi dengan xG

Analisis paling efektif adalah yang menggabungkan metrik. Jalankan xG berdampingan dengan nilai penguasaan bola dan gambaran akan menjadi lebih tajam: xG kuat dengan nilai penguasaan bola yang lemah mengindikasikan tim yang menciptakan peluang tanpa benar-benar mengendalikan permainan, sementara nilai penguasaan bola yang dominan dengan konversi xG yang buruk mengisyaratkan kualitas yang seharusnya akan terwujud. Di atas segalanya, PVM menangkap proses, bukan hanya hasil, dan dalam olahraga di mana varians menggigit keras, proses adalah tempat sinyal tersembunyi.

Generasi berikutnya dari PVM menggabungkan data pertandingan dengan pelacakan pemain, merekam pergerakan seluruh 22 pemain sepanjang laga. Artinya, estimasi nilai yang lebih baik dan, yang penting, pengakuan atas kerja di luar bola.

Data pelacakan

Lari kosong yang menarik pemain bertahan keluar dari zona bahaya akhirnya bisa dikuantifikasi. Pressing yang memaksa lawan melakukan kesalahan dapat diukur. Penempatan posisi yang membuka ruang untuk rekan setim terlihat jelas dalam data. Karya EPV dari Javier Fernández menunjukkan apa yang mungkin dilakukan, memecah nilai penguasaan bola menjadi model komponen yang menilai aksi-aksi yang tidak pernah menyentuh bola.

AI dan analisis langsung

Beberapa klub dan penyedia data sedang mencoba alat AI untuk memantau taktik dan kelelahan secara langsung. Bukti soal akurasi masih tipis, jadi anggap klaim besar tentang saran penggantian otomatis atau prediksi cedera sebagai menjanjikan, bukan sudah terbukti.

Sementara itu, data menjadi semakin murah. Klub-klub kecil mulai mendapatkan akses ke teknologi pelacakan, dan metrik-metrik canggih menyebar jauh melampaui klub-klub elite yang memelopori penggunaannya.

Meskipun sangat powerful, PVMs punya titik buta yang nyata, dan siapa pun yang mengandalkan mereka harus tahu di mana letak kelemahan itu.

Apa yang dihitung sebagai satu penguasaan?

Tidak ada kesepakan. Apakah umpan silang yang diblok dan kembali ke tim penyerang dihitung sebagai satu penguasaan atau dua? Berapa sentuhan yang diperlukan untuk dianggap menguasai bola? Apakah set piece harus diperlakukan terpisah? Pilihan ini penting: jendela berbasis aksi cenderung menghargai retensi bola, sementara jendela berbasis penguasaan memberikan bobot lebih besar kepada pemain depan dan aksi-aksi sepakan.

Kerja tanpa bola tanpa pelacakan

Model berbasis data event tidak bisa menilai apa yang tidak ada dalam stream event: pergerakan tanpa bola, intensitas pressing, dan positioning yang menciptakan ruang. Proxy memang memperkenalkan sedikit bias, tapi mereka tetap lebih baik daripada tidak punya konteks sama sekali.

Kotak hitam

Model-model paling akurat, yang berbasis pohon seperti VAEP khususnya, sulit untuk diinterpretasikan. Mengapa model memberikan nilai tertentu untuk aksi itu? Pelatih tidak akan percaya angka yang tidak bisa mereka diskusikan.

Siapa yang memiliki data?

Semakin detail pelacakan, semakin banyak pertanyaan tentang siapa yang memiliki data pergerakan pemain dan biometrik, serta bagaimana informasi kebugaran yang sensitif dilindungi. Jawaban atas pertanyaan ini akan membentuk bagaimana bidang ini berkembang.

Model nilai penguasaan bola adalah lompatan terbesar dalam analisis sepak bola sejak expected goals. Mereka memberikan kredit untuk banyak tindakan yang diabaikan oleh statistik skor, yang menjelaskan performa pemain dan tim dengan cara yang tidak bisa dilakukan oleh gol dan assist saja. Bagi klub, ini adalah salah satu alat di antara beberapa lainnya. Bagi fans, mereka menjawab mengapa pemain dan tim tertentu benar-benar sukses. Bagi bettor, ini adalah keuntungan kecil dan sabar di pasar yang masih mengandalkan angka tradisional: nyata, tetapi mudah tergerus oleh margin bandar dan varians.

• Gunakan PVM bersama xG, bukan sebagai pengganti. Riset menunjukkan bahwa masing-masing unggul dalam tugas yang berbeda.
• Kenali sumbermu. Periksa model dan penyedia data apa yang kamu lihat sebelum membandingkan angka; angka VAEP dan angka OBV bukan mata uang yang sama.
• Pikirkan musim, bukan pertandingan tunggal. Pola yang berkelanjutan berarti sesuatu; fluktuasi satu pertandingan sebagian besar adalah noise.
• Cari mismatch terbaik. Flag terbaik adalah tim yang menciptakan banyak nilai tanpa hasil yang bisa ditunjukkan, dan sebaliknya.
• Jaga perspektif keuntunganmu. Keunggulan apa pun itu kecil dan harus mengalahkan margin bandar, jadi pasang taruhan secara sesuai.

Umpan yang tidak pernah menjadi assist tidak berarti nol. Nilai penguasaan bola adalah cara untuk membuktikannya.

• Ancaman Ekspektasi (xT) dalam Sepak Bola: Panduan Analitik Lengkap
• VAEP Analitik Sepak Bola: Panduan Lengkap untuk Menilai Setiap Aksi
• Cara Membuat Model Taruhan Olahraga: Panduan Lengkap
• Keuntungan Tuan Rumah vs Kualitas Tim: Panduan Taruhan Sepak Bola Lanjutan
• Over/Under 1,5 & 3,5 Gol: Strategi Taruhan Garis Gol Lanjutan

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