2026-03-10
Expected Goals (xG) telah menjadi alat yang sangat diperlukan dalam analisis sepak bola modern, menawarkan ukuran kualitas tembakan yang dapat diukur. Namun, tidak semua model xG diciptakan sama, dan akurasinya dapat bervariasi secara signifikan berdasarkan titik data yang mereka masukkan dan algoritma yang mereka gunakan. Saat kita melangkah lebih dalam ke musim 2025-2026, melihat lebih dekat nuansa ini mengungkapkan wawasan menarik tentang kinerja tim dan kecemerlangan individu.
Pertimbangkan perbedaan yang sering diamati antara xG kumulatif tim dan jumlah gol sebenarnya. Meskipun ada korelasi umum, outlier sering terjadi. Ambil contoh, Manchester City. Pada awal Maret 2026, berbagai model xG mereka sering menempatkan mereka sekitar 58-60 gol yang diharapkan, namun jumlah gol sebenarnya mereka telah melonjak menjadi 68. Kelebihan 8-10 gol ini bukan hanya keberuntungan; ini menunjukkan kemampuan yang konsisten untuk mengonversi peluang dengan tingkat yang lebih tinggi daripada tembakan rata-rata. Pemain seperti Erling Haaland, dengan kemampuannya yang luar biasa untuk mencetak gol dari sudut yang tampaknya tidak mungkin, jelas berkontribusi pada hal ini.
Presisi model xG bergantung pada kedalaman dan luasnya parameter inputnya. Model dasar mungkin hanya mempertimbangkan lokasi tembakan dan bagian tubuh. Namun, versi yang lebih canggih menggabungkan banyak data tambahan: jenis assist (umpan terobosan, umpan silang, cutback), jumlah bek antara penembak dan gawang, posisi kiper, dan bahkan kondisi permainan (misalnya, skor, waktu tersisa). Lapisan konteks tambahan ini dapat secara signifikan menyempurnakan probabilitas yang diberikan pada setiap tembakan. Untuk wawasan lebih lanjut, lihat liputan kami tentang Robert Lewandowski: Predator Puncak PSG di Kotak Penalti.
Misalnya, tembakan yang dilakukan oleh Bukayo Saka dari Arsenal dari tepi kotak penalti, dengan dua bek menutupinya dan kiper berada di posisi yang baik, secara alami akan memiliki xG yang lebih rendah daripada tembakan identik di mana Saka memiliki waktu dan ruang. Model xG yang solid harus mencerminkan perbedaan ini. Beberapa model bahkan mencoba memperhitungkan kemampuan penyelesaian akhir khusus pemain, meskipun ini sering mengaburkan batas antara xG murni (kualitas tembakan) dan prediksi pencetak gol. Meskipun menarik, menggabungkan data khusus pemain dapat membuat model kurang berlaku secara universal untuk membandingkan kualitas tembakan di antara pemain atau tim yang berbeda.
Keindahan xG terletak pada kemampuannya untuk menyoroti pemain yang berkinerja berlebihan dan kurang. Napoli, misalnya, secara konsisten menghasilkan angka xG yang tinggi sepanjang musim, sering kali menempati peringkat tiga besar di Serie A untuk gol yang diharapkan. Namun, jumlah gol sebenarnya mereka terkadang tertinggal, menunjukkan potensi inefisiensi dalam konversi atau mungkin serangkaian penyelesaian akhir yang tidak menguntungkan. Victor Osimhen, meskipun produktif, telah mengalami periode musim ini di mana xG-nya melampaui gol sebenarnya, menunjukkan bahwa ia berada dalam posisi yang sangat baik tetapi mungkin tidak selalu menerapkan sentuhan akhir yang ia kenal. Untuk wawasan lebih lanjut, lihat liputan kami tentang Arsenal vs Liverpool: Pertarungan Taktis di Stadion Emirates.
Sebaliknya, Brighton & Hove Albion, meskipun sering memiliki xG kumulatif yang lebih rendah daripada beberapa rival papan tengah mereka, telah menemukan cara untuk meraih hasil. Soliditas pertahanan mereka dan kemampuan untuk memanfaatkan peluang yang lebih sedikit dan berkualitas lebih tinggi telah membuat mereka mengungguli xG mereka secara defensif juga, kebobolan lebih sedikit gol dari yang diharapkan. Ini menyoroti bagaimana xG bukanlah satu-satunya penentu keberhasilan melainkan bagian penting dari teka-teki analitis. Ini membantu kita memahami bagaimana tim berkinerja, bukan hanya apa skor akhirnya.
Masa depan model xG kemungkinan akan melibatkan granularitas yang lebih besar. Kita sudah melihat munculnya 'xG Chain' dan 'xG Buildup', yang mencoba memberikan penghargaan kepada semua pemain yang terlibat dalam penguasaan bola yang mengarah ke tembakan, bukan hanya penembak dan pemberi assist. Selain itu, kemajuan dalam data pelacakan dapat memungkinkan model untuk memperhitungkan pergerakan pemain tanpa bola secara lebih efektif, memprediksi kemungkinan tembakan bahkan sebelum terjadi, berdasarkan bentuk pertahanan dan serangan.
Pada akhirnya, xG tetap merupakan ukuran probabilistik, bukan prediksi definitif. Ini menawarkan lensa yang kuat untuk menganalisis permainan, mengungkapkan tren yang mendasari dan memberikan penilaian kinerja yang lebih objektif. Memahami perbedaan antara model dan faktor-faktor yang berkontribusi pada akurasinya memungkinkan kita untuk menghargai kedalaman sebenarnya dari analisis sepak bola dan bagaimana hal itu terus membentuk pemahaman kita tentang permainan indah pada tahun 2026.