Cara Kerja Model Prediksi MatchSense
Bukan kotak hitam. Ini penjelasan lengkap bagaimana sebuah prediksi MatchSense dihasilkan: fitur yang masuk, model gol yang mengubahnya menjadi distribusi skor, lapisan ensemble dan kalibrasi, serta saringan nilai ekspektasi yang menentukan apa yang diterbitkan.
Poin utama
- Kekuatan tim dilacak dengan rating ala Elo yang diperbarui setiap hasil, disesuaikan selisih gol dan kualitas lawan.
- Skor dimodelkan dengan varian Dixon-Coles, yang mengoreksi bias skor rendah pada Poisson murni.
- Ensemble gradient boosting menambahkan konteks yang tak terlihat model gol: hari istirahat, perjalanan, susunan pemain, cedera, dan sinyal dari sumber eksternal.
- Keluaran mentah model dikalibrasi terhadap hasil historis sebelum diterbitkan, sehingga 70% benar-benar berarti 70%.
- Setiap pick yang diterbitkan dinilai terhadap hasil akhir, dan penilaian itu kembali dipakai untuk melatih ulang model.
Sebuah prediksi hanya sebernilai proses di baliknya, jadi halaman ini menjelaskan prosesnya, bukan mengklaim angka akurasi. Tidak ada bagian di sini yang begitu rahasia sampai Anda tidak bisa memeriksa penalarannya.
Langkah 1: kekuatan tim
Setiap tim memiliki rating yang diperbarui setelah tiap hasil. Pembaruannya berbasis Elo: mengalahkan lawan kuat menggeser rating lebih besar daripada mengalahkan lawan lemah, dan selisih gol diperhitungkan dengan hasil yang menurun, sehingga 6-0 tidak dihitung tiga kali lipat 2-0.
Rating meluruh menuju rata-rata sepanjang jeda musim dan diwarisi dari musim sebelumnya, bukan direset. Karena itu tim promosi tidak memulai dari titik yang sama dengan kandidat juara.
Langkah 2: dari kekuatan ke expected goals
Kekuatan tim saja belum bisa menghasilkan estimasi probabilitas yang akurat. Model mengubahnya menjadi dua angka expected goals — satu untuk tiap tim — memakai parameter serang dan bertahan terpisah ditambah faktor keunggulan kandang yang dicocokkan per kompetisi, karena keunggulan kandang bukan konstanta universal.
Langkah 3: dari expected goals ke distribusi skor
Dua ekspektasi diubah menjadi probabilitas setiap skor yang masuk akal memakai varian Dixon-Coles dari model Poisson bivariat.
Poisson murni adalah pendekatan buku teks dan punya kelemahan yang diketahui: meremehkan hasil seri bergol rendah, terutama 0-0 dan 1-1, karena menganggap pencetakan gol kedua tim sepenuhnya saling bebas. Dixon-Coles menerapkan koreksi tepat di wilayah itu, sekaligus memberi bobot lebih besar pada laga terbaru.
Begitu distribusi skor lengkap tersedia, setiap jenis prediksi sepak bola tinggal dijumlahkan darinya:
- Hasil akhir: jumlahkan sel di mana kandang > tandang, kandang = tandang, tandang > kandang
- Over 2,5: jumlahkan setiap sel dengan total tiga gol atau lebih
- Kedua tim mencetak gol: jumlahkan setiap sel di mana kedua nilai minimal satu
- Skor tepat: baca selnya langsung
Karena itu probabilitas antarjenis prediksi kami konsisten satu sama lain, bukan diperkirakan sendiri-sendiri.
Langkah 4: konteks yang tak terlihat model gol
Model gol tahu tentang gol. Ia tidak tahu bahwa sebuah tim baru bermain 72 jam lalu, terbang 2.000 kilometer, atau kehilangan kiper utamanya saat pemanasan.
Ensemble gradient boosting menambahkan fitur-fitur itu: hari istirahat dan kepadatan jadwal, jarak perjalanan, informasi susunan pemain dan cedera bila tersedia, konteks kompetisi seperti laga tanpa arti atau rotasi piala, serta probabilitas dari sumber eksternal sebagai sinyal tambahan. Ensemble mempelajari di mana model gol keliru secara sistematis lalu mengoreksinya, bukan menggantikannya.
Langkah 5: kalibrasi
Keluaran mentah model tidak langsung diterbitkan. Keluaran itu melewati lapisan kalibrasi yang dicocokkan pada prediksi dan hasil historis, sehingga prediksi 70% memang terjadi sekitar 70% kali.
Langkah ini lebih penting daripada kecanggihan model. Model tanpa kalibrasi yang daya pembedanya bagus tetap akan menghasilkan prediksi yang menyesatkan, karena perhitungan nilai ekspektasi mewarisi rasa percaya dirinya yang berlebihan. Lihat cara membaca probabilitas prediksi.
Langkah 6: penyaringan nilai ekspektasi
Tahap akhir membandingkan probabilitas terkalibrasi dengan probabilitas yang tersedia secara publik setelah margin dihapus. Hanya ketika model dan probabilitas publik berbeda cukup jauh, sebuah pick ditandai bernilai.
Konsekuensinya disengaja: sebagian besar pertandingan tidak menghasilkan rekomendasi. Model yang menemukan keunggulan di setiap laga bukan menemukan keunggulan, melainkan menemukan derau. Metodenya dijelaskan di penjelasan nilai ekspektasi.
Langkah 7: penilaian dan pelatihan ulang
Setiap pick yang diterbitkan dinilai terhadap hasil akhir. Penilaian itu mengisi catatan akurasi, pembaruan kalibrasi, dan pemicu pelatihan ulang yang menentukan kapan sebuah model sudah cukup melenceng untuk dibangun ulang.
Jika Anda ingin menilai keluarannya alih-alih penjelasannya, tempat paling jujur adalah catatan atas ratusan pick yang sudah dinilai beserta kurva kalibrasinya — persis yang diminta oleh cara menilai layanan prediksi sepak bola dari siapa pun, termasuk dari kami.
Pertanyaan yang sering diajukan
Data apa yang digunakan model?
Hasil pertandingan historis dan langsung, gol memasukkan dan kemasukan, rating tim ala Elo, keunggulan kandang, hari istirahat dan kepadatan jadwal, jarak perjalanan, susunan pemain dan laporan cedera bila tersedia, serta probabilitas dari sumber eksternal sebagai sinyal tambahan.
Apa itu model Dixon-Coles?
Dixon-Coles adalah penyesuaian atas model gol Poisson yang mengoreksi kecenderungannya meremehkan hasil bergol rendah, terutama 0-0 dan 1-1. Model ini memperkirakan kekuatan serang dan bertahan tiap tim ditambah faktor keunggulan kandang, lalu menerapkan koreksi pada wilayah skor rendah.
Bagaimana Anda tahu probabilitasnya akurat?
Melalui uji kalibrasi. Prediksi dikelompokkan ke dalam rentang keyakinan dan tingkat kemenangan nyata di tiap rentang dibandingkan dengan tingkat yang diprediksi. Kurva kalibrasi diperbarui seiring datangnya hasil baru, dan skor Brier dilacak sebagai metrik akurasi utama.
Apakah model menggunakan data dari sumber eksternal?
Model menggunakan data agregat dari berbagai sumber sebagai salah satu sinyal masukan karena merangkum banyak informasi secara efisien. Model ini bukan salinan dari sumber tersebut, dan saringan nilai ekspektasi justru ada untuk menyorot laga di mana model dan sumber eksternal berbeda pendapat.
Get the weekly briefing
Next week's fixtures, how last week's published picks actually settled, and the newest analysis. One email a week. Unsubscribe in one click.
We never share your address, and every email has a one-click unsubscribe.