playbox
playbox
Kontak
Kembali ke Artikel
<Di balik layar analisis sepak bola: bagian 2> Analisis penjaga bola (xG, VAEP)

<Di balik layar analisis sepak bola: bagian 2> Analisis penjaga bola (xG, VAEP)

Date published:2025/5/27

Kata pengantar.

Halo semuanya, ini Scott dari Playbox.

Di Bagian 1, kami menunjukkan kepada Anda analisis di balik layar tentang bagaimana kami mendapatkan data pertandingan dari rekaman siaran. Kami harap Anda menikmatinya!

Di bagian kedua ini, kami akhirnya akan menggunakan data tersebut untuk melakukan analisis konkret. Temanya adalah 'analisis pemegang bola'. Kami akan menunjukkan kepada Anda cara mengevaluasi performa pemain dan tim dengan cara yang mudah dipahami menggunakan indikator seperti xG (ekspektasi gol), yang sering Anda dengar akhir-akhir ini, dan VAEP, yang mengukur kualitas permainan.

Edisi kali ini ditulis oleh Nakamura-san, yang merupakan seorang analis aktif untuk tim sepak bola Universitas Tsukuba dan juga melakukan penelitian tentang visi komputer. Perspektifnya tentang hubungan antara lapangan dan teori harus dibaca (!).

Para analis yang dilatih oleh Universitas Tsukuba mengubah permainan... Kami pergi ke balik layar dari pertandingan yang menegangkan melawan Kashiwa, mengalahkan tim J1, Machida: Tokyo Shimbun Digital.

Silakan terus nikmati seri tiga bagian 'Di balik layar analisis sepak bola' kami!

  • Di balik layar analisis sepak bola: Bagian 1 Cara mendapatkan data pertandingan dari rekaman siaran
  • Di balik layar analisis sepak bola: Bagian 2 Analisis pembawa bola (xG, VAEP)
  • Di balik layar analisis sepak bola: Bagian 3 Menganalisis pola serangan tanpa bola (OBSO)

Pengantar.

Selain data pelacakan, yang mencatat informasi posisi masing-masing pemain, data kejadian, yang mencatat informasi tentang apa yang terjadi pada bola (penguasaan bola), sering digunakan untuk analisis taktis dalam sepak bola, seperti yang dijelaskan di Bagian 1.

Namun, melihat hanya satu tindakan dalam data kejadian adalah 'hanya sebuah peristiwa yang terjadi' dan nilai serta tingkat kesulitannya tidak dapat ditentukan. Hanya dengan memperkenalkan indikator dan mengevaluasi dalam kombinasi dengan tindakan sebelum dan sesudahnya, kita dapat melihat ke belakang dan berkata "Apakah permainan ini benar-benar hebat?" dan "Seberapa berharganya?".

Sebagai contoh, perhatikan video berikut ini. Ini adalah adegan di mana Trossard memberikan umpan silang dari dribel dan Martinelli menyambutnya dengan sundulan untuk mencetak gol.

Bagaimana Anda menilai permainan ini? "Apakah itu sebuah keputusan?" Atau Anda mungkin merasa, "Tidak, itu tidak perlu dipikirkan," atau "Nah, itu seperti sebuah gol ketika Anda menyeberanginya."

Apa kesulitan dan nilai yang sebenarnya? Kesan ini bersifat subyektif dan bisa bervariasi dari satu orang ke orang lainnya.

Oleh karena itu, apa yang kami perkenalkan di sini adalah indeks yang disebut 'xG (Gol yang Diharapkan)' dan 'VAEP (Menilai Tindakan dengan Memperkirakan Probabilitas)' yang mengambil posisi para pemain dan jenis tindakan dalam setiap tindakan dari cuplikan yang disiarkan, dan menggunakannya untuk menentukan pengambilan gambarMetode ini secara kuantitatif mengevaluasi tingkat kesulitan bidikan dan kualitas tindakan yang terlibat untuk mendapatkan bidikan! Fitur utama dari kedua indikator ini adalah bahwa keduanya dapat digunakan tidak hanya untuk mengukur secara objektif peristiwa pengambilan gambar yang terlibat dalam sebuah gol, tetapi juga untuk mengevaluasi kontribusi para pemain yang terlibat dalam mengumpan, menggiring bola, dll.

Apa yang dimaksud dengan xG?

Apa yang dimaksud dengan xG?

**xG (Gol yang Diharapkan)** adalah sebuah indikator yang mengukur probabilitas sebuah tembakan yang menghasilkan gol dalam kisaran 0 hingga 1. Sebagai contoh, sebuah tembakan dengan xG 0,10 memiliki peluang 10% untuk berhasil, yang berarti cukup sulit untuk mencetak gol dalam satu dari sepuluh percobaan.

Meskipun sepak bola adalah olahraga yang sulit untuk mencetak gol, xG dapat digunakan untuk mengukur kualitas dari setiap situasi tembakan.

Bagaimana xG dihitung

Jadi, bagaimana xG dihitung? Secara tradisional, xG dihitung hanya dengan menggunakan faktor-faktor sederhana berikut ini

  • Posisi parasut
  • Jenis bidikan
  • Kondisi pemain yang menembak

Dalam praktiknya, saat menentukan xG di Klub Kickball Universitas Tsukuba,

  • Membagi area di sekitar PA menjadi kisi-kisi, area demi area
  • Berdasarkan situasi, misalnya, apakah bidikannya langsung atau membelakangi gawang.

Bobot ditetapkan untuk masing-masing hal ini dan dikalikan untuk menghitung secara manual xG untuk tiap bidikan. Contohnya, jika Anda menetapkan x0.8 untuk bagian tengah area gawang dan x0.8 untuk bidikan langsung dengan kaki yang dominan, maka xG untuk bidikan tersebut adalah 0.64.

Namun, situasi pengambilan gambar yang sebenarnya dalam sepak bola tidak sesederhana itu sehingga dapat dibagi menjadi beberapa kasus hanya berdasarkan faktor-faktor yang tercantum di atas. Oleh karena itu, metode yang menggunakan model AI saat ini menjadi arus utama untuk menghitung xG. Berbagai metode telah diusulkan, dan data berikut ini adalah beberapa yang digunakan dalam perhitungan

  • Jarak bidikan
  • Sudut ke sasaran
  • Jenis bidikan
  • Jenis kejadian sebelum tembakan
  • Posisi pemain bertahan/kiper
  • Kecepatan pemain

Dengan menggunakan AI, data pengambilan gambar yang direkam sebelumnya dapat dibandingkan dengan data pengambilan gambar yang direkam sebelumnya berdasarkan berbagai faktor ini, sehingga memungkinkan penghitungan xG yang terperinci.

Contoh analisis menggunakan xG

Berikut ini adalah beberapa contoh analisis menggunakan xG!

Analisis pemandangan demi pemandangan

Pertama, mari kita cermati nilai xG dari beberapa adegan dengan menggunakan model AI yang secara aktual menghitung xG yang sudah dilatih.

1. Pertandingan kualifikasi final AFC Asia Jepang vs Australia Tendangan Mitate

XG dari tembakan Mitate ini adalah "0,032". Ini berarti, bahwa probabilitas bidikan ini diambil adalah 3,2%, yang berarti, bahwa bidikan ini sangat sulit. Angka ini disebabkan oleh sudut dari gawang dan jaraknya yang tidak terlalu dekat.

2. Pertandingan kualifikasi final Asia AFC Jepang vs China Mitate skor

XG dari tendangan Mitsumata di sini adalah 0,135, yang berarti ia memiliki 13,5% peluang untuk mencetak gol, yang juga merupakan tendangan yang sulit untuk dilakukan, namun patut diapresiasi bahwa Mitsumata sangat bertekad untuk menyelesaikan tugasnya. Meskipun itu adalah bidikan sundulan dan sudut ke gawang kecil, namun jarak ke gawang jauh lebih dekat daripada bidikan sebelumnya, sehingga dapat dikatakan bahwa xG juga telah meningkat.

Dalam kasus ini, kami menggunakan model AI yang mempelajari fitur-fitur sederhana seperti jarak dan sudut ke gawang serta lokasi tembakan, tetapi seperti yang telah disebutkan sebelumnya, model AI yang mempelajari posisi kiper dan kejadian sebelum tembakan sebagai fitur dapat digunakan untuk menghitung xG dengan lebih tepat!

Analisis pertandingan demi pertandingan

Berikut ini adalah contoh analisis pertandingan demi pertandingan menggunakan xG.

Berikut adalah statistik dari pertandingan jornada ke-35 La Liga antara Barcelona vs Real Madrid. (Diambil dari FOTMOB)

Pertandingan tersebut dimenangkan 4-3 oleh Barcelona, mari kita lihat xG dari pertandingan tersebut. XG Barcelona adalah 4.26, dibandingkan dengan xG Real Madrid sebesar 2.74. Skor sebenarnya mencerminkan hal ini hampir secara berurutan, namun xG Barcelona lebih tinggi dari skor sebenarnya, sehingga mereka dapat melihat ke belakang dan mengatakan bahwa mereka dapat mencetak satu gol lagi jika mereka mencetak gol yang mereka butuhkan dan memiliki ketegasan dalam melakukan tembakan. Di sisi lain, xG Real Madrid lebih rendah dari skor sebenarnya, yang mengindikasikan ketegasan mereka dalam melakukan tembakan yang relatif sulit.

stats.webp

Gambar berikut juga menunjukkan visualisasi peta panas xG Universitas Tsukuba dalam pertandingan tertentu pada musim 2024. (Menggunakan data pertandingan dari Bepro).

Terlihat bahwa peluang mencetak gol paling banyak dilakukan di dekat bagian tengah garis gawang, di depan sisi kiri area gawang dan di dekat busur penalti. Visualisasi ini tidak hanya dapat digunakan untuk melihat kembali sisi penyerangan tim Anda, tetapi juga untuk menganalisis kelemahan lawan. Dengan menggabungkan data xG dengan jenis dan area operan terakhir yang menghasilkan tembakan, kami percaya bahwa sangat memungkinkan untuk menyarankan latihan menembak berdasarkan data tersebut.

heatmap.webp

xG adalah indikator yang relatif sederhana, tetapi hal ini membuatnya intuitif dan mudah dipahami,

  • Satu bidikan
  • Semua bidikan dalam satu pertandingan
  • Tembakan tim selama satu musim
  • Tembakan per individu pemain

Saya pribadi berpikir bahwa ini adalah indikator yang sangat bagus karena keserbagunaannya dan pentingnya hubungan langsungnya dengan tujuan, yang dapat digunakan untuk menganalisis hal-hal seperti

Apa itu VAEP?

Sejauh ini kami telah memperkenalkan xG, yang mengevaluasi "tembakan per tembakan". Berikutnya, kami akan memperkenalkan VAEP, yang bisa digunakan untuk mengevaluasi, bukan hanya bidikan, tetapi juga 'tindakan'!

Apa yang dimaksud dengan VAEP?

VAEP (Menilai Tindakan dengan Memperkirakan Probabilitas) dikembangkan oleh Tom Decroos dan rekan-rekannya di Laboratorium Analisis Olahraga DTAI di KU Leuven (Universitas Katolik Leuven), Belgia. Ini dikembangkan oleh Tom Decroos et al. VAEP mengukur, untuk setiap aksi pada bola (operan, dribel, tekel, dll.) yang dilakukan menjelang tembakan, seberapa besar permainan tersebut mengubah ekspektasi gol tim.

Dengan menggunakan xG yang diperkenalkan sebelumnya, memungkinkan untuk menghitung dan mengevaluasi seberapa besar kemungkinan pemain yang melakukan tembakan untuk mencetak gol. Namun, evaluasi ini terbatas karena tidak banyak adegan dalam pertandingan yang benar-benar mengarah pada tembakan, dan karena permainan selain pemain yang melakukan tembakan tidak diperhitungkan. Di sisi lain, dengan menggunakan VAEP, dimungkinkan untuk mengukur nilai tidak hanya tembakan, tetapi juga tindakan sebelum tembakan, seperti mengoper dan menggiring bola, sehingga memungkinkan untuk mengevaluasi kontribusi lebih banyak pemain ke tim!

Bagaimana VAEP dihitung

VAEP mengukur 'seberapa besar nilai keadaan tim berubah sebelum dan sesudah permainan tertentu'. Ini dihitung dengan langkah-langkah berikut

  1. Temukan nilai status sebelum aksi
  2. Temukan nilai status setelah tindakan
  3. VAEP = (nilai status pasca-aksi) - (nilai status sebelum aksi)

Nilai keadaan di sini diperoleh sebagai (skor yang diharapkan) - (kerugian yang diharapkan).

Sebagai contoh, jika nilai keadaan sebelum umpan silang dinaikkan adalah 0,10 dan nilai keadaan setelah umpan silang dinaikkan adalah 0,25, VAEP umpan silang ini adalah +0,15 dan permainan dapat dievaluasi sebagai memiliki efek 0,15 gol terhadap tim Anda. Di sisi lain, jika nilai status sebelum umpan adalah 0.10 dan setelah umpan adalah 0.05, VAEP umpan ini adalah -0.05 dan permainan dievaluasi sebagai 0.05 gol lebih baik untuk tim lawan.

Seperti yang telah dijelaskan di atas, perhitungan VAEP membutuhkan penentuan gol yang diharapkan untuk dicetak dan gol yang diharapkan untuk kebobolan. Dua jenis model pembelajaran mesin digunakan untuk menghitung ini : model mencetak gol dan model gol-lawan.

Model-model ini mengambil tindakan target dan tiga tindakan yang mendahuluinya dan satu atau dua tindakan yang mendahuluinya sebagai satu data masukan (state), dan menghitung skor yang diharapkan dan gol yang diharapkan untuk masing-masing tindakan ini.

  • Jenis tindakan (mengoper, menggiring, menembak, dll.)
  • Informasi posisi bola/pemain
  • Selisih waktu dan jarak yang ditempuh di antara tindakan
  • Jarak dan sudut ke gawang

Masukannya adalah sejumlah besar nilai fitur seperti Setiap keadaan kemudian diberi label dan dipelajari sebagai '1 jika pemain mencetak (atau kehilangan) gol dalam k permainan, 0 jika tidak'.

Dengan menggunakan model yang dipelajari dengan cara ini, sistem menghitung "berapa probabilitas mencetak gol dalam situasi ini" dan "berapa probabilitas kehilangan gol" sebelum dan sesudah setiap tindakan.

Contoh analisis menggunakan VAEP

VAEP dihitung dalam dua adegan! Hanya enam aksi sebelum setiap tembakan yang dicakup.

1. Pertandingan kualifikasi final AFC Asia Jepang vs Australia Tembakan Mitate

Mari kita juga menghitung VAEP untuk adegan yang baru saja kita hitung xG-nya! Diagram berikut menunjukkan hasil analisis, di mana offensive_value dan defensive_value masing-masing mewakili dampak pada gol yang dicetak dan kebobolan. Dalam adegan ini, VAEP rendah karena tembakan Mitsuru keluar dari kotak penalti, sementara dribelnya sebelum menembak dapat dievaluasi sebagai penetrasi yang efektif karena VAEP-nya tinggi. Selain itu, perhatikan juga umpan panjang dari Morita, yang memiliki VAEP tertinggi dalam adegan ini. Meskipun itu bukan tindakan yang langsung mengarah ke gol, itu dapat diukur sebagai tindakan efektif yang membawa mereka lebih dekat ke gawang lawan.

undefined

2. Liga Inggris, Babak 36, Liverpool v Arsenal, pemain Martinelli mencetak gol.

Ini adalah adegan yang kami sebutkan di awal! Bagaimana kalian menilainya? Lihatlah analisis di bawah ini. Dalam adegan ini, VAEP Martinelli jauh lebih tinggi karena ia mencetak gol dengan sundulan; VAEP dihitung berdasarkan gol yang diharapkan, sehingga VAEP dari pencetak gol yang aksinya mengarah langsung pada gol cenderung lebih tinggi. Sekali lagi, masih perlu diperhatikan umpan silang dari Trossard, yang merupakan sebuah assist. Nilai VAEP-nya lebih tinggi dibandingkan dengan aksi lainnya, yang menunjukkan bahwa ia mampu memberikan umpan yang menentukan!

undefined

Seperti yang bisa Anda lihat dari analisis kedua adegan ini, VAEP bisa digunakan untuk mengukur efek tindakan semua pemain yang terlibat dalam persiapan menuju tembakan, bukan hanya pemain yang melakukan tembakan! Dengan menghitung VAEP untuk seluruh pertandingan, Anda dapat membandingkan pemain mana yang lebih efektif, dan karena VAEP dihitung untuk setiap tindakan, Anda juga dapat melihat kembali untuk melihat kapan dan di area mana serangan itu lebih efektif!

Kesimpulan.

Penggunaan rekaman siaran membuka pintu baru untuk analisis taktis tingkat lanjut di lingkungan di mana data resmi tidak tersedia. Selain itu, kemampuan untuk memvisualisasikan secara numerik nilai permainan dengan indikator seperti xG dan VAEP dapat membantu kita untuk bertanya: "Pemain mana yang dapat melakukan pekerjaan yang menentukan?" Hal ini memungkinkan evaluasi pemain berbasis data, seperti "pemain ini bagus meskipun dia belum menunjukkan hasil", yang dapat digunakan untuk analisis dan, tentu saja, untuk akuisisi pemain!

Di masa depan, jika teknologi pelacakan otomatis berbasis AI dan analisis video streaming semakin maju, menampilkan skor xG dan VAEP secara real time bukan hanya mimpi. Selain itu, tidak hanya tim profesional tetapi juga tim amatir akan dapat menggunakan rekaman video untuk memperdalam analisis taktis mereka.

Kami bermaksud untuk terus memperbarui sistem dan pengetahuan kami untuk analisis xG dan VAEP menggunakan analisis video siaran, dan untuk mendukung pengenalan teknologi ini kepada tim sepak bola dan media. Jika Anda tertarik, jangan ragu untuk menghubungi kami.

Situs web Playbox Inc. 👉️ https://www.play-box.ai/

playbox, kamera olahraga AI yang terjangkau dengan perekaman dan pengeditan otomatis 👉️ https://www.play-box.ai/lp

Hubungi kami.

Jika Anda memiliki pertanyaan, permintaan atau proposal bisnis untuk Playbox, jangan ragu untuk menghubungi kami di alamat email berikut ini.

📩 atom@play-box.ai