xG-adj Explained: Entropy-Adjusted Expected Goals for Striker Scouting in 2026
Pembuka: Dilema Klasik Pencari Bakat dan Manajer Fantasy
Bayangkan Anda seorang scout klub atau manajer Fantasy Premier League (FPL) di musim panas 2024. Anda melihat dua data yang mencolok: Chris Wood mencetak 20 gol dari Expected Goals (xG) 13.66 untuk Nottingham Forest. Itu artinya dia mencetak lebih dari 6 gol di luar ekspektasi model statistik. Di sisi lain, Ollie Watkins, striker Aston Villa yang diandalkan banyak orang, "hanya" mencetak 15 gol dari xG 14.61 — sedikit di bawah ekspektasi.
Pertanyaan bernilai miliaran rupiah (baik untuk nilai transfer maupun poin fantasy) adalah: Apakah performa luar biasa Chris Wood adalah skill finishing yang sustainable, atau hanya keberuntungan musiman yang akan memudar? Dan apakah performa "kurang" dari Watkins adalah tanda penurunan, atau sekadar variasi sementara yang akan kembali ke rata-rata?
Ini bukan sekadar feeling atau firasat. Ini adalah inti dari pencarian keunggulan dalam sepak bola modern. Dan jawabannya mungkin terletak pada evolusi metrik xG itu sendiri: Entropy-Adjusted Expected Goals, atau xG-adj.
Intisari xG-adj: Metrik ini menyesuaikan nilai Expected Goals (xG) tradisional dengan koefisien stabilitas (0-1) berdasarkan entropi atau 'kekacauan' profil peluang seorang striker. Tujuannya adalah memfilter noise dan mengukur seberapa sustainable sumber peluang gol seorang pemain. Bagi Anda, ini berarti alat untuk menghindari membeli/memilih striker yang kinerjanya mungkin hanya keberuntungan musiman (seperti Chris Wood 2024/25) dan menemukan pemain yang undervalued karena performanya stabil meski kurang flashy.
Artikel ini akan mengupas tuntas konsep xG-adj. Kita akan membongkar mengapa xG tradisional bisa "menipu" kita, bagaimana konsep "entropi" dari fisika diterjemahkan ke dalam bahasa sepak bola untuk mengukur stabilitas peluang, dan yang paling penting — bagaimana Anda bisa menggunakan logika ini untuk memandu keputusan scouting striker dan seleksi tim FPL untuk musim 2026. Data menunjukkan pola, dan mari kita uraikan angka-angka di balik performa tersebut.
Bagian 1: Mengapa xG Tradisional Bisa "Menjebak"? Membongkar Batasan Model
Sebelum melompat ke xG-adj, kita perlu jujur tentang apa yang tidak bisa dilakukan oleh xG standar. Seperti yang diungkapkan oleh Ted Knutson dari StatsBomb, xG menjalani "kehidupan ganda". Ia dirancang sebagai alat prediktif jangka panjang yang brilian, dengan mensintesis ribuan tembakan untuk memperkirakan performa masa depan sebuah tim. Namun, ketika kita menyempitkannya untuk menganalisis satu pertandingan atau performa individu seorang striker dalam satu musim, noise dan variasi acak menjadi sangat besar.
Masalah 1: "Pemain Rata-Rata" yang Bias
Ini adalah titik kritis yang sering diabaikan. Model xG seperti yang digunakan oleh Understat atau lainnya dilatih pada dataset besar tembakan. Tapi, "pemain rata-rata" yang menjadi acuan model ini sebenarnya adalah konstruksi statistik yang bias. Bagaimana jika dataset pelatihan kebanyakan berisi tembakan dari striker kelas dunia? Maka, model akan menganggap bahwa tembakan dari posisi tertentu memiliki probabilitas gol yang lebih tinggi untuk semua pemain, sehingga bisa meremehkan (underestimate) kemampuan finishing sebenarnya dari striker elite seperti Lionel Messi. Sebaliknya, model juga bisa melebih-lebihkan (overestimate) peluang pemain yang sebenarnya mendapat umpan-umpan "berkualitas" karena bermain di tim yang sangat dominan.
Masalah 2: G-xG Ratio Hanya Cerita Setengah Jadi
Di situs kami sendiri, kami menggunakan Rasio Gol per Expected Goals (G-xG) sebagai metrik lanjutan untuk mengevaluasi efisiensi finisher seorang striker dalam konteks bursa transfer. Rasio di atas 1 (seperti Chris Wood) menunjukkan pemain mencetak gol dari peluang yang sulit. Ini bagus, tetapi ini hanya mengukur hasil akhir, bukan kualitas peluang yang berulang.
Rasio G-xG menjawab "Apakah dia efisien?" tetapi gagal menjawab "Apakah sumber peluangnya stabil dan dapat direplikasi musim depan, di klub yang berbeda, atau di bawah manajer baru?" Seorang striker bisa memiliki G-xG tinggi karena sekali-sekali mencetak gol spektakuler dari luar kotak penalti (peluang dengan xG rendah), tetapi sebagian besar xG-nya berasal dari posisi yang konsisten di depan gawang. Mana yang lebih sustainable? Inilah celah yang coba diisi oleh xG-adj.
Bagian 2: Memahami xG-adj – "Entropi" dalam Bahasa Sepakbola
Konsep inti di balik xG-adj adalah entropi, yang dalam konteks ini bisa kita terjemahkan sebagai "tingkat ketidakpastian atau kekacauan" dalam profil peluang seorang pemain. Bayangkan dua striker dengan total xG musiman 15.0.
- Striker A (Entropi Rendah): 80% tembakannya berasal dari posisi sentral dalam kotak penalti (xG per tembakan tinggi), mayoritas menggunakan kaki kuatnya, dan berasal dari pola serangan terstruktur timnya. Polanya mudah ditebak, stabil, dan berulang.
- Striker B (Entropi Tinggi): xG-nya tersebar: beberapa tembakan jarak dekat, beberapa tembakan voli sulit, beberapa tembakan dari sudut sempit, dan satu atau dua gol ajaib dari jarak jauh. Polanya acak, tidak stabil, dan bergantung pada momen-momen individualistik.
Meski total xG sama, peluang Striker A jauh lebih mungkin untuk terulang di musim depan karena berasal dari sistem yang konsisten. Striker B mungkin sangat bergantung pada faktor keberuntungan atau momen inspirasi yang sulit dijamin pengulangannya.
Rumus Sederhana: xG-adj = xG * Koefisien Stabilitas
Marc Lamberts, yang memperkenalkan konsep ini, merumuskannya secara sederhana
xG-adj = xG * S
Di mana S (Stability Coefficient) adalah angka antara 0 dan 1 yang mengukur seberapa "dapat direplikasi" profil tembakan seorang pemain. Koefisien ini dihitung berdasarkan analisis entropi terhadap tiga hal:
- Distribusi Kualitas Tembakan (Shot Quality Entropy): Seberapa beragam nilai xG per tembakan individu pemain tersebut?
- Konsentrasi Lokasi (Spatial Entropy): Seberapa tersebar atau terpusat lokasi tembakannya di lapangan?
- Jenis Tembakan (Shot-Type Entropy): Seberapa beragam jenis tembakannya (kaki kanan/kiri, kepala, voli, dll.)?
Dalam contoh Lamberts
Dukungan Akademis: Penyesuaian adalah Kunci
Konsep untuk menyesuaikan xG berdasarkan konteks pemain dan posisi juga didukung penelitian akademis. Studi "Bayes-xG" menggunakan pendekatan hierarkis Bayesian untuk menunjukkan bahwa efek tingkat pemain memang signifikan — artinya, setelah memperhitungkan semua variabel (jarak, sudut), tetap ada penyesuaian positif atau negatif yang melekat pada pemain tertentu. Studi lain di PMC juga menunjukkan model Bayesian campuran dapat mencapai kinerja setara dengan model proprietary hanya dengan 7 variabel, sekaligus menjaga interpretabilitas tinggi. Ini semua mengarah pada satu kesimpulan: xG mentah perlu dikontekstualisasikan.
Bagian 3: Uji Kembali dengan Data 2024/25 – Siapa yang Stabil?
Mari kita terapkan logika xG-adj (meski kita tidak memiliki angka S yang pasti) untuk menganalisis performa striker Premier League musim lalu. Kita akan melihat xG tradisional dan mencoba menilai "stabilitas" peluang mereka berdasarkan profil permainan.
| Pemain | xG 2024/25 | Gol | G-xG | Profil Peluang & Estimasi Stabilitas (Analitis) |
|---|---|---|---|---|
| Erling Haaland | 22.16 | 22 | -0.16 | Stabilitas Tinggi. Mayoritas xG berasal dari posisi sentral dalam kotak penalti, pola berulang dengan City. xG dan xG-adj kemungkinan sangat dekat. |
| Alexander Isak | 20.41 | 23 | +2.59 | Stabilitas Medium-Tinggi. Penyerang lengkap yang mendapat peluang dari berbagai situasi, tetapi kualitas peluangnya umumnya tinggi dan dalam posisi berbahaya. |
| Chris Wood | 13.66 | 20 | +6.34 | Stabilitas Pertanyaan Besar. Mencetak banyak gol dari peluang sulit (G-xG tinggi). Banyak golnya berasal dari penyelesaian cerdik dalam kerumunan atau situasi kacau. Pola ini mungkin memiliki entropi tinggi dan sulit direplikasi secara persis musim depan. xG-adj-nya bisa jauh lebih rendah dari 13.66. |
| Ollie Watkins | 14.61 | 15 | -2.61 | Stabilitas Medium. Sering mendapat peluang bagus (xG sehat) tetapi sempat melewatkan beberapa peluang besar musim lalu. Sumber peluang dari permainan cepat Villa cukup stabil. Penurunan efisiensi (G-xG negatif) mungkin variasi sementara. |
| Yoane Wissa | 18.53 | 18 | -0.53 | Stabilitas Medium. Pemain sayap yang sering masuk ke area tengah. Profil tembakannya mungkin lebih bervariasi dibanding striker murni. |
Insight Utama:
Chris Wood adalah contoh sempurna mengapa kita butuh xG-adj. Outperformancenya yang fantastis (+6.34 G-xG) dipuji banyak orang. Namun, jika analisis entropi menunjukkan stabilitas rendah (karena bergantung pada penyelesaian situasional yang sulit), maka xG-adj-nya mungkin jauh lebih rendah, memberi sinyal bahwa rekor 20 gol tersebut berisiko tinggi untuk diulang. Ini bukan untuk merendahkan kemampuannya, tetapi untuk mengukur sustainability.
Sebaliknya, underperformance Ollie Watkins dengan xG yang solid justru bisa menjadi peluang (buy-low opportunity) jika kita yakin sumber peluangnya stabil dan efisiensinya akan kembali ke rata-rata.
Bagian 4: Panduan Scouting & FPL Musim 2026 dengan Mentalitas xG-adj
Inilah bagian yang paling ditunggu: bagaimana menerapkan kerangka berpikir xG-adj untuk musim depan? Kita tidak memiliki kalkulator ajaib, tetapi kita bisa mengajukan pertanyaan yang tepat dan melihat profil pemain dengan lensa yang berbeda.
Prinsipnya: Carilah pemain yang profil peluangnya menunjukkan "stabilitas tinggi" atau potensi untuk berkembang ke arah itu, terutama yang harganya belum mencerminkan insight ini. Berikut tabel ringkasan analisis beberapa kandidat yang menarik perhatian komunitas FPL untuk musim 2026.
| Nama (Harga) | Klub | Estimasi Stabilitas xG-adj | Alasan Utama | Verdict / Rekomendasi |
|---|---|---|---|---|
| Igor Thiago (harga 6.0m) | Brentford | Tinggi | Kecocokan sempurna dengan sistem permainan Brentford yang stabil dan terprediksi (umpan silang, pola tetap). | Target Utama |
| Thierno Barry (harga 5.5m) | Everton | Tinggi | Focal point dalam sistem bermain langsung Everton yang tidak banyak berubah. Stabilitas berasal dari sistem. | Target Utama / Pemantauan |
| Marc Guiu (harga 4.5m) | Sunderland | Rendah / Tidak Jelas | Sistem tim masih dalam pembangunan, peran dan pola peluang belum jelas. Risiko entropi tinggi. | Hindari (kecuali sebagai cadangan murah) |
| Brian Brobbey (harga?) | Sunderland | Medium | Profil fisik memungkinkan mendapat peluang berulang, tetapi pertanyaan besar pada finishing (G-xG). | Pemantauan Ketat |
Berikut penjelasan detail masing-masing kandidat:
1. Igor Thiago (harga 6.0m - Brentford) – Penantang dengan Pola yang Jelas
Analisis xG-adj: Thiago adalah rekor transfer Brentford yang musim debutnya dihantam cedera. Sebelumnya, di Club Brugge, ia mencetak 29 gol dengan profil striker sentral klasik Brentford: kuat dalam duel udara, cerdik dalam kotak penalti. Ini kunci stabilitas. Brentford memiliki sistem permainan yang sangat terdefinisi dengan umpan-umpan silang dan pola serangan tetap. Jika Thiago menjadi starter, ia akan menerima jenis peluang yang sama berulang kali — umpan silang untuk disundul, bola rebound di area 6 yard. Polanya dapat diprediksi dan dapat direplikasi. Dengan kemungkinan kepergian Yoane Wissa, perannya kian vital. Potensi untuk mengambil penalti setelah kepergian Bryan Mbeumo juga menambah nilainya. Verdict: Potensi xG-adj tinggi karena kecocokan dengan sistem yang stabil.
2. Thierno Barry (harga 5.5m - Everton) – Kecocokan Sistem yang Sempurna
Analisis xG-adj: Everton bermain dengan gaya langsung, mengandalkan umpan panjang, duel udara, dan second ball. Barry, yang kuat dalam permainan tahan bola dan duel udara, adalah cetakan sempurna untuk sistem ini. Ia mencetak 11 gol musim lalu dengan pola yang konsisten. Stabilitasnya berasal dari sistem tim, bukan keahlian individu yang spektakuler. Peluangnya akan banyak berasal dari situasi serupa: umpan silang, bola-bola mati, dan chaos di kotak penalti. Ini adalah pola berentropi rendah yang dapat diandalkan. Jika ia memenangkan tempat utama dari Beto, ia bisa menjadi aset berharga dengan harga murah. Verdict: Kandidat kuat untuk xG-adj stabil karena menjadi focal point dalam sistem bermain yang tidak banyak berubah.
3. Marc Guiu (harga 4.5m - Sunderland) – Lotere dengan Pertanyaan Stabilitas
Analisis xG-adj: Guiu adalah opsi termurah yang mungkin mendapat menit bermain. Di sini, analisisnya berbeda. Pertanyaannya bukan "Apakah xG-adj-nya tinggi?" tetapi "Dapatkah kita mengidentifikasi pola peluang yang jelas untuknya di Sunderland?" Sunderland adalah tim yang masih dalam pembangunan. Jika mereka bermain dengan striker tunggal dan fokus memberikan umpan silang, Guiu yang secara fisik matang bisa mendapat peluang berulang. Namun, jika sistemnya kacau atau persaingan ketat, peluangnya akan sporadis dan berentropi tinggi. Verdict: Risiko tinggi. Harga 4.5m menarik untuk pemain cadangan, tetapi jangan berharap xG-adj yang stabil tanpa kejelasan peran dan sistem.
4. Brian Brobbey (harga? - Sunderland) – Fisik vs. Finishing
Analisis xG-adj: Brobbey adalah pemain fisik yang suka menyerang umpan rendah. Namun, ada peringatan dari penggemar Ajax tentang finishing dan kemampuan headingnya yang buruk meski fisiknya bagus. Ini contoh bagus untuk memisahkan "kemampuan mendapat peluang" (xG) dan "kemampuan mengubah peluang" (finishing/G-xG). Brobbey mungkin bisa mendapat peluang berulang (xG stabil) karena profil fisiknya, tetapi jika finishingnya buruk, maka G-xG dan output golnya akan tetap rendah. Verdict: Perlu dipantau. Jika bisa meningkatkan finishing, kombinasi peluang stabil + peningkatan efisiensi bisa jadi senjata rahasia.
Implikasi untuk Taruhan (Betting)
Kerangka berpikir xG-adj juga berguna untuk taruhan. Misalnya, jika pasar (odds) untuk "total gol musim seorang striker" terlalu tinggi karena ia overperform musim lalu (seperti Chris Wood), tetapi analisis Anda menunjukkan profil peluangnya tidak stabil (xG-adj rendah), maka bertaruh pada "Under" untuk pasar tersebut bisa bernilai. Sebaliknya, untuk striker yang underperform tetapi punya profil peluang stabil (seperti Watkins musim lalu), pasar mungkin meremehkan potensi kembalinya ke mean. Ingat: Ini hanya satu alat. Selalu pertimbangkan faktor cedera, taktik pelatih baru, dan kekuatan tim.
Kesimpulan: Melampaui Angka, Mencari Pola yang Bertahan
xG-adj bukanlah bola kristal ajaib yang bisa memprediksi masa depan dengan sempurna. Ia adalah sebuah lensa analitis yang lebih tajam yang memaksa kita untuk melihat di balik angka agregat dan menanyakan: "Apakah sumber peluang ini akan tetap mengalir?"
Konsep ini masih dalam tahap awal. Tools publik seperti Understat belum menyediakannya. Namun, sebagai pencinta sepak bola berbasis data, kita sudah bisa mengadopsi mentalitasnya: carilah stabilitas dan keberulangan. Dalam dunia scouting dan FPL yang kompetitif, keunggulan seringkali datang dari mengidentifikasi pemain yang nilainya belum sepenuhnya tercermin dalam statistik tradisional atau harga pasar.
Sebagai penutup, mari kita kembali ke prinsip inti: AI dan analitik data seperti xG-adj bukan untuk menggantikan intuisi sepak bola, tetapi untuk memperkaya dan mendemokratisasikan pemahaman kita tentang permainan ini. Dengan memahami batasan xG dan terus mencari penyesuaian yang lebih baik — baik melalui entropi, model Bayesian, atau koreksi bias — kita selangkah lebih dekat untuk memisahkan sinyal dari noise, dan skill dari keberuntungan.
Pertanyaan untuk Anda: Menurut Anda, striker mana di Liga Premier 2026 yang memiliki "kemampuan mencetak gol berkelanjutan" yang paling diremehkan oleh pasar atau komunitas fantasy? Bagikan analisis Anda, dan jangan lupa untuk menjelajahi prediksi dan analisis pemain mendalam lainnya di AI Football News untuk menyempurnakan strategi Anda.