Ini bukan final biasa. Messi akan menjadi manusia kedua sepanjang sejarah — setelah Cafu — yang bermain di tiga final Piala Dunia (2014, 2022, 2026). Kalau menang, Argentina jadi tim pertama yang mempertahankan gelar sejak Brasil 1958–1962, dan Messi menutup karier Piala Dunianya dengan dua bintang beruntun. The last dance, kata orang-orang. Di seberangnya berdiri Spanyol dengan bintang belianya Lamine Yamal — yang bahkan pada saat bayi sempat dimandikan oleh Messi.

Nah, sambil menunggu kick-off, muncul pertanyaan iseng di kepala saya:

Kalau kita kesampingkan dulu semua drama dan romantisme itu — kalau kita cuma boleh melihat datanya saja — sebenarnya siapa sih yang lebih layak diunggulkan?

Kebetulan saya punya data statistik seluruh 102 pertandingan Piala Dunia 2026 (204 baris data, karena tiap pertandingan tercatat dari dua sudut pandang tim, dengan 150-an kolom statistik per baris). Jadi mari kita bedah pelan-pelan: mulai dari statistik rata-rata kedua finalis, tren 2 laga terakhir mereka, sampai iseng-iseng berhadiah membuat model machine learning untuk memprediksi siapa yang berpeluang menang.

Yuk kita mulai!

Ronde 1: Statistik Rata-Rata Sepanjang Turnamen

Kedua tim sama-sama sudah melakoni 7 pertandingan menuju final dengan rekor nyaris sempurna (Argentina menang 7 kali, Spanyol menang 6 kali dan sekali imbang). Berikut statistik rata-rata per pertandingannya:

Cukup menarik ya. Kalau dilihat sekilas, kedua tim ini seperti saudara kembar:

1. Sama-sama tim penguasa bola (possession 55% vs 58%).
2. Akurasi umpannya identik sampai satu desimal: 90,6% vs 90,5%. Entah kenapa bisa sekompak ini.
3. Kreasi peluangnya nyaris sama persis: xG 2,20 vs 2,14 per laga.
4. Intensitas fisiknya pun setara: jarak tempuh tim ~115 km per laga, top speed ~33–34 km/jam.
5. Keduanya juga bukan tim serangan balik — porsi fase counterattack sama-sama cuma 0,9%.

Tapi begitu kita bedah cara mereka mencapai angka-angka itu, ceritanya jadi bertolak belakang:

Dari DNA gaya bermain di atas, terlihat jelas perbedaannya:

• Spanyol mendominasi teritorial. Porsi pressing tinggi dan blok tingginya hampir 2 kali lipat Argentina. Mereka merebut bola 3,7 detik lebih cepat, lebih rajin menembus garis pertahanan lawan (164 vs 133 line-break sukses per laga), dan hasilnya: cuma kebobolan 1 gol sepanjang turnamen.
• Argentina pragmatis dan klinis. Mereka rela turun ke blok rendah hampir 2 kali lebih sering, membiarkan lawan menembak lebih banyak, tapi konversinya gila-gilaan: +0,51 gol di atas xG per laga (Spanyol justru minus 0,28). Tim ini tidak butuh banyak peluang untuk menghukum lawan.

Singkatnya: kontrol teritorial Spanyol vs efisiensi Argentina.

Ronde 2: Zoom In ke 2 Pertandingan Terakhir

Statistik turnamen itu campuran antara laga lawan tim medioker di fase grup dan laga hidup-mati di fase gugur. Supaya lebih relevan dengan final, saya hitung ulang rata-ratanya hanya dari 2 laga terakhir (perempat final dan semifinal):

• Argentina: vs Swiss 3–1, vs Inggris 2–1
• Spanyol: vs Belgia 2–1, vs Prancis 2–0

Nah, di sinilah muncul perbedaan yang menurut saya paling mencolok:

1. Kualitas vs volume peluang bergerak berlawanan arah. Tembakan Argentina justru naik (18,5 per laga) tapi xG-nya anjlok ke 1,73 — artinya xG per tembakan turun dari 0,14 ke 0,09. Mereka makin sering menembak dari posisi sulit karena lawan-lawan besar bertahan rapat. Spanyol kebalikannya: tembakannya berkurang (13,5 per laga) tapi xG per tembakannya naik ke 0,16 — makin sedikit menembak, makin berkualitas peluangnya.
2. Spanyol menaikkan intensitas, Argentina makin dalam. Tekanan defensif Spanyol naik dari 234 ke 257 per laga (pelanggarannya pun ikut naik, dari 9 ke 14 per laga — makin “menggigit”), sementara Argentina justru turun ke 214 dan porsi blok rendahnya naik ke 27%. Porsi pressing tinggi Argentina tinggal 3,6% — hampir sepertiga milik Spanyol (9,6%).
3. Spanyol berani melepas bola. Possession mereka turun dari 58% ke 54% — bahkan saat melawan Prancis di semifinal cuma 46%, satu-satunya laga mereka di bawah 50%. Ini sinyal menarik: Spanyol ternyata bisa (dan mau) menang tanpa mendominasi bola.
4. Keduanya sama-sama makin tertekan saat build-up. Akurasi umpan dalam tekanan Argentina turun dari 80% ke 75%, Spanyol dari 78% ke 75%. Level lawan di fase gugur memang beda kelas.

Argentina tetap lolos berkat senjata andalannya: finishing. Dengan xG hanya 1,73 mereka tetap mencetak 2,5 gol per laga. Pertanyaannya: sampai kapan ketajaman di atas ekspektasi ini bisa dipertahankan?

Intermezzo: Misi Terakhir Messi dan Bisik-Bisik Kontroversi

Sebelum masuk ke bagian machine learning, izinkan saya menaruh dua sisi cerita yang tidak akan pernah muncul di dalam file CSV mana pun.

Sisi pertama: piala dunia terakhir sang kapten

Untuk Argentina, final ini bukan sekadar pertandingan — ini misi pamungkas. Seluruh skuad tahu mereka sedang mengawal babak penutup karier Piala Dunia kaptennya. Dan Messi sendiri seperti menolak pensiun dengan tenang: saat Argentina tertinggal dari Inggris di semifinal, dialah yang membuat dua assist untuk membalikkan keadaan menjadi 2–1 (ESPN, NBC).

Kalau kawan-kawan perhatikan, narasi ini justru nyambung dengan data yang kita bedah di Ronde 2: Argentina bukan tim yang mendominasi lawan-lawan besarnya — xG mereka turun, bloknya makin dalam, peluangnya makin sulit. Tapi mereka selalu punya satu hal yang tidak bisa dimodelkan: momen individu yang memutuskan pertandingan. Tim ini seperti sedang berjalan dengan bahan bakar campuran antara pragmatisme Scaloni dan keajaiban seorang pria berusia 39 tahun yang tahu ini tarian terakhirnya (beIN Sports).

Sisi kedua: perjalanan yang tidak bersih dari kontroversi

Tapi mari jujur: perjalanan Argentina ke final juga diiringi bisik-bisik yang cukup nyaring. Hampir setiap laga mereka berujung perdebatan keputusan wasit, sampai-sampai media sosial ramai dengan tudingan “konspirasi” dan bahkan Forbes menulis soal tuduhan FIFA menganakemaskan Argentina. Beberapa episodenya:

1. Laga vs Algeria (fase grup). Messi dinilai melakukan pelanggaran keras — pul sepatunya mendarat di tulang kering dan tendon Achilles kapten Algeria Aïssa Mandi — tapi wasit Szymon Marciniak bahkan tidak mengeluarkan kartu kuning (Al Jazeera).
2. Laga vs Mesir (16 besar). Ini yang paling panas. Mesir sudah unggul 2–0 hingga menit ke-79 sebelum Argentina membalikkan skor jadi 3–2, dan di tengah jalan ada gol Mesir yang dianulir VAR karena pelanggaran terhadap Lisandro Martínez saat build-up. Buntutnya luar biasa: FIFA memulangkan tim wasit Prancis yang memimpin laga itu dari sisa turnamen (Yahoo Sports).
3. Laga vs Swiss (perempat final). Penalti untuk Argentina membuat pelatih Swiss Murat Yakin meradang dan merasa timnya diperlakukan tidak adil (RBC, NBC DFW).
4. Bahkan wasit finalnya pun jadi sorotan. Slavko Vinčić dari Slovenia yang ditunjuk memimpin final punya catatan masa lalu yang ramai dibicarakan — ia pernah sempat ditahan dalam sebuah penggerebekan polisi di Bosnia tahun 2020, meski dilepas dalam hitungan jam dan tidak pernah didakwa apa pun (beIN Sports).

Saya pribadi tidak mau ikut-ikutan menuduh — keputusan wasit yang kontroversial adalah bagian dari sepakbola sejak zaman dulu, dan confirmation bias membuat kita gampang melihat pola yang sebenarnya tidak ada. Tapi sebagai penikmat data, saya mencatat satu hal: comeback 3–2 dari ketinggalan 2–0, penalti yang diperdebatkan, kemenangan-kemenangan dengan margin tipis — semua itu konsisten dengan cerita data kita bahwa Argentina menang bukan karena dominasi, melainkan karena hidup di margin-margin tipis. Dan di margin setipis itu, satu keputusan wasit memang bisa mengubah segalanya. Itulah kenapa laga vs Mesir dkk jadi bahan gorengan yang empuk.

Oke, cukup gosipnya. Kembali ke data. 😄

Ronde 3: Tanya Mesin — Model Prediksi Menang/Tidak Menang

Analisa deskriptif sudah, sekarang bagian yang paling seru. Saya latih beberapa model machine learning untuk mengklasifikasikan: dari statistik permainannya saja, apakah suatu tim akan menang atau tidak menang?

Beberapa catatan metodologi (biar afdol):

• Data latih: seluruh 204 baris (102 pertandingan) Piala Dunia 2026, dengan 128 fitur statistik.
• Kolom yang “membocorkan” hasil — gol dicetak, gol kebobolan, assist, clean sheet, dan kawan-kawannya — saya buang. Kalau tidak, modelnya jadi trivial: tahu jumlah gol ya tahu hasilnya, akurasi 100% tapi tidak ada maknanya.
• Validasi: stratified 5-fold cross validation yang diulang 5 kali (total 25 fold), dan fold-nya dikelompokkan per pertandingan. Ini penting: dua baris dari pertandingan yang sama adalah bayangan cermin satu sama lain, jadi tidak boleh ada yang nyasar terpisah antara data latih dan data uji.

Hasil perbandingan 9 modelnya:

Pemenangnya: Gradient Boosting dengan akurasi 80,1% dan AUC 0,879. Artinya, tanpa tahu skornya sama sekali, model ini bisa menebak menang/tidak menang dengan benar 8 dari 10 pertandingan hanya dari pola statistik permainan. Not bad!

Ronde 4: Jadi… Siapa yang Menang?

Sekarang klimaksnya. Saya suapkan profil rata-rata 2 pertandingan terakhir masing-masing finalis ke model terbaik tadi, lalu saya normalisasi probabilitasnya jadi head-to-head:

Hasilnya: Spanyol 51,2% vs Argentina 48,8%.

Dan ini bukan kebetulan satu model saja — ketiga model teratas (Gradient Boosting, Hist. Gradient Boosting, SVM) semuanya kompak memberi probabilitas menang lebih tinggi untuk profil permainan Spanyol. Masuk akal juga kalau dipikir-pikir: model belajar dari pola “profil seperti apa yang biasanya berujung kemenangan”, dan profil Spanyol — pressing tinggi, cepat merebut bola, peluang berkualitas, pertahanan nyaris steril — memang profil tim pemenang di data turnamen ini.

Tapi lihat juga angkanya: 51,2 : 48,8. Ini tipis. Sangat tipis. Selisihnya jauh di dalam rentang ketidakpastian model yang akurasinya “cuma” 80%. Kalau mau jujur, data bilang: ini final yang nyaris 50:50, dengan Spanyol unggul setipis kulit ari.

Dan ada satu variabel yang tidak pernah masuk ke dalam 128 fitur model saya: seorang nomor 10 yang sedang memainkan laga Piala Dunia terakhirnya. Model tidak tahu apa itu perpisahan. Model tidak tahu bahwa sepanjang turnamen ini, setiap kali Argentina terdesak, selalu ada satu orang yang menolak kalah. Selisih 2,4 poin persentase? Sepanjang kariernya, Messi sudah terlalu sering menertawakan margin yang jauh lebih lebar dari itu.

Epilog (dan Disclaimer Penting!)

Rangkuman versi singkatnya:

1. Argentina dan Spanyol adalah dua tim penguasa bola dengan kualitas kreasi peluang yang nyaris identik (xG ~2,2 per laga).
2. Bedanya ada di cara: Spanyol menang lewat dominasi teritorial dan pressing, Argentina menang lewat kesabaran blok rendah dan finishing yang klinis.
3. Menjelang final, Spanyol makin intens dan makin efisien; Argentina makin pragmatis dan makin bergantung pada ketajaman penyelesaian akhirnya.
4. Model terbaik (Gradient Boosting, akurasi 80,1%, AUC 0,879) mengunggulkan Spanyol tipis: 51,2% vs 48,8%.
5. Di luar data: ini Piala Dunia terakhir Messi — misi mempertahankan gelar sekaligus perpisahan — dan perjalanan Argentina ke final diwarnai kontroversi keputusan wasit yang membuat laga ini makin panas sebelum dimulai.

Nah, sebelum kita semua terburu-buru menjadikan angka di atas sebagai pegangan: ingat, ini hanyalah data. Model hanya belajar dari kebiasaan yang terekam di 102 pertandingan sebelumnya. Sementara pertandingan final adalah panggung yang sangat mungkin keluar dari kebiasaan data: satu momen magis, satu kartu merah, satu blunder kiper, cedera menit ke-10, adu penalti, atau sekadar keberuntungan yang memihak — semuanya bisa membalikkan prediksi mana pun. Selisih 2,4 poin persentase itu jauh lebih kecil daripada ruang kejutan yang bisa terjadi di lapangan.

Lagipula, kalau bola bisa diprediksi sempurna oleh model, buat apa kita begadang menontonnya? Apalagi final yang satu ini: di satu sisi ada mesin sepakbola paling rapi di dunia bernama Spanyol, di sisi lain ada seorang pria berusia 39 tahun yang menolak menutup kariernya tanpa satu bab terakhir yang sempurna. Data boleh bilang 51,2 : 48,8 — tapi cerita, seperti biasa, punya rencananya sendiri. 😄

Selamat menonton final, semoga tim jagoan kalian menang!

Bayangkan kamu adalah Lionel Messi. Umurmu 39 tahun. Ini (hampir pasti) Piala Dunia terakhirmu. Timmu sedang tertinggal dari Mesir di babak 16 besar. Lalu wasit menunjuk titik putih. Seisi stadion Atlanta menahan napas. Kamu maju, mengambil ancang-ancang… gagal.

Malam itu, sang megabintang menolak jalan pintas. Untungnya bagi Argentina, mereka tetap menang 3-2 lewat comeback dramatis.

Tapi bukan itu yang membuat handphone saya ramai semalam.

Malam itu saya sedang asyik membaca berita-berita update Piala Dunia di internet. Dari satu portal pindah ke portal lain, dari hasil pertandingan sampai klasemen, ujung-ujungnya saya nyasar ke media sosial. Dan di sanalah saya menemukan timeline yang banjir dengan satu tema: dugaan kecurangan wasit. “Gol Mesir dianulir, lalu Argentina diberikan penalti. Halooo?” Ada juga yang lebih berani: “FIFA sudah tulis skripnya. Messi harus juara di Piala Dunia terakhirnya.”

Wah wah wah. Seru nih…

Nah, sebagai orang yang sehari-harinya bergelut dengan data, saya punya penyakit: kalau ada klaim yang ramai, tangan saya gatal ingin membuka datanya. Maka pagi ini saya lakukan dua hal:

1. Membuka data statistik pertandingan dari situs FIFA: apa yang sebenarnya tercatat di lapangan?
2. Menarik 200 post Instagram dengan hashtag #ArgentinavsMesir menggunakan socialx.id/studio, lalu mengolahnya dengan text analysis: sebenarnya netizen sedang membicarakan apa saja?

Satu disclaimer sebelum mulai: tulisan ini murni pemaparan data. Saya tidak akan menghakimi wasitnya benar atau salah. Vonisnya saya serahkan ke pembaca sekalian.

Cekidot!

Ronde 1: Apa yang Tercatat di Lapangan?

Laga digelar 7 Juli 2026 di Atlanta Stadium. Biar adil, kita lihat dulu modal kedua tim menuju babak ini:

Dan inilah potret 90 menit itu dalam satu gambar:

Perbandingan statistik utama. Panjang bar menunjukkan porsi tiap tim.

Coba lihat baris demi barisnya. Ini bukan pertandingan yang imbang:

• Tembakan 19 vs 5. Hampir empat kali lipat.
• xG 2,63 vs 0,76. Buat yang belum familiar, expected goals mengukur “nilai” seluruh peluang sebuah tim. Peluang-peluang Argentina malam itu setara 2-3 gol, dan mereka benar-benar mencetak 3. Nah yang menarik: peluang Mesir cuma senilai 0,76 gol, tapi mereka bisa mencetak 2. Dari kacamata xG, tim yang panen melebihi “jatahnya” malam itu justru Mesir.
• Penguasaan bola 57% vs 34%, umpan sukses 558 vs 316, threat 75 vs 25.

Satu detail lagi yang jarang dibahas: keempat gol plus satu gol lainnya di laga ini, semuanya dari permainan terbuka. Tidak ada satu pun gol dari titik putih — karena satu-satunya penalti di laga ini, ya itu tadi gagal dieksekusi Messi.

Ronde 2: Jejak Sang Pengadil di Angka

Sekarang bagian yang ditunggu-tunggu. Klaim netizen sejatinya bukan soal jumlah tembakan, melainkan soal keputusan wasit. Maka kita panggil statistik yang relevan: pelanggaran, kartu, dan penalti.

Jumlah pelanggaran dan kartu kuning kedua tim.

Lengkapnya begini:

Dua fakta yang bisa kita dapatkan:

1. Jumlah pelanggaran kedua tim berimbang: 13 berbanding 11, bahkan Argentina yang lebih banyak melanggar. Tapi distribusi kartunya timpang: Mesir mengoleksi 4 kartu kuning, Argentina bersih tanpa kartu.
2. Argentina memperoleh satu hadiah penalti (di data FIFA tercatat Penalties = 1 — eksekusi ulangan dihitung sebagai satu kejadian penalti). Dua kali percobaan Messi, dua-duanya gagal. Artinya: keputusan penalti itu, seberapa pun ramainya diperdebatkan, tidak menyumbang satu gol pun ke papan skor.

Simpan dua fakta itu dulu. Sekarang kita pindah dari lapangan ke linimasa.

Ronde 3: Membedah 200 Posts Instagram

Dari 200 posts ber-_hashtag_ #ArgentinavsMesir yang saya tarik via socialx.id/studio, saya jalankan tiga analisis: sentiment analysis, wordcloud, dan text network analysis.

Satu hal yang perlu saya tekankan, analisa-analisa ini hanya berdasarkan hashtag tersebut. Saya sangat yakin lebih banyak netizen yang berkomentar dan melakukan analisa di sosial medanya. Tapi sayangnya saya tidak bisa (baca: mau) untuk mengambil keseluruhan data tersebut.

Jadi ini bisa dikatakan sebagai analisa terbatas yang bisa jadi ada biasnya.

Sentimen: Tiga Kubu di Satu Hashtag

Hasil analisis sentimen 200 post #ArgentinavsMesir.

Menarik ya. Kalau kamu hanya membaca timeline yang riuh, kesannya seluruh dunia sedang marah. Datanya bilang lain: post bernada positif justru kelompok terbesar (42%), disusul negatif (34%). Percakapannya terbelah, tidak ada satu nada yang mendominasi mutlak. Sepertiga yang bernada negatif itu nyata dan besar — tapi dia bukan mayoritas.

Wordcloud: Satu Laga, Dua Cerita

Wordcloud dari 200 post #ArgentinavsMesir.

Singkirkan dulu kata-kata generik (mesir, argentina, piala, dunia, messi). Sisanya membentuk dua cerita yang berjalan paralel:

1. Cerita drama di lapangan: tertinggal, comeback, membalikkan, dramatis, kemenangan, gol. Persis alur laganya — Argentina sempat tertinggal sebelum membalikkan keadaan.
2. Cerita di meja wasit: wasit, penalti, var, dianulir, keputusan, pelanggaran, kontroversi, sampai nama sang pengadil: Letexier. Kata dianulir muncul menonjol — konsisten dengan ramainya pembahasan gol Mesir yang dibatalkan lewat VAR.

Dua ronde penalti Messi yang gagal itu juga meninggalkan jejak di sini: kata penalti termasuk yang paling besar di luar nama kedua tim.

Text Network: Memetakan Kubu-Kubu Percakapan

Wordcloud hanya bilang kata apa yang sering muncul. Pertanyaan yang lebih menarik: kata-kata itu bergerombol jadi topik apa? Untuk itu saya buat text network analysis-nya:

Network kata dari 200 post. Satu warna = satu *cluster* topik.

Algoritma menemukan empat clusters percakapan:

Ini bagian favorit saya. Perhatikan posisi cluster kuning (wasit) dan hijau (kemenangan): keduanya berada di sisi network yang berjauhan, dengan sedikit sekali garis yang menghubungkan langsung. Artinya? Dua topik ini dibicarakan oleh gerombolan akun yang berbeda. Yang sedang membedah keputusan Letexier hampir tidak menyinggung indahnya comeback; yang sedang merayakan gol nyaris tidak mampir ke urusan VAR. Satu pertandingan, dua realita, masing-masing dengan penontonnya sendiri.

Dua detail lain yang terbaca dari network:

• Di cluster kuning, ikut nimbrung nama-nama pemain Mesir: Mostafa, Hassan. Percakapan soal wasit lekat dengan insiden yang melibatkan pemain Mesir.
• Cluster biru menunjukkan sebagian netizen sudah move on: mereka sibuk menghitung peluang Messi di perempat final. Hehe.

Epilog

Apakah semua ini berarti wasitnya adil? Atau sebaliknya? Seperti janji saya di awal: itu bukan wilayah tulisan ini. Angka-angkanya sudah saya hidangkan apa adanya, silakan kamu timbang sendiri. Lagipula post instagram yang saya ambil hanyalah sebagian kecil dari banyaknya komen netizen.

Sampai jumpa di tulisan berikutnya!

Kemudian saya jadi penasaran kenapa tim yang dijagokan seperti Belanda dan Jerman punya nasib yang sama.

Tiga negara yang dijagokan dan semuanya sudah pulang sebelum perempat final.

Jerman dan Belanda tersingkir di babak 32 besar. Brasil bertahan satu babak lebih lama, lalu tumbang di 16 besar. Buat penikmat sepakbola, ini rasanya aneh. Buat penikmat data seperti saya, ini justru menarik: ada apa dengan angka-angkanya?

Jadi sambil nyeduh kopi pagi ini, saya buka lagi dataset Piala Dunia 2026 yang sudah saya scrape dari situs FIFA — dataset yang sama dengan yang saya pakai di tulisan-tulisan sebelumnya dan di platform prediksi pildun.ikanx101.com. Pertanyaan saya sederhana:

Apa yang berubah dari permainan mereka di fase grup dibandingkan laga terakhir saat mereka gugur?

Cara Bacanya Dulu, Biar Adil

Sebelum masuk ke angka, ada satu “jebakan”” yang harus kita perhatikan terlebih dahulu.

Laga terakhir Jerman dan Belanda berlangsung sampai extra time — masing-masing 137 dan 135 menit. Kalau kita bandingkan angka mentahnya begitu saja, sudah jelas jumlah operan mereka kelihatan naik. Wajar karena waktu bermainnya lebih lama. Ini sama saja seperti mengatakan bahwa warung A lebih laris dari warung B, padahal warung A buka 24 jam dan warung B cuma buka setengah hari.

Makanya semua metrik volume (tembakan, operan, sprint, dll) saya normalisasi jadi per 90 menit. Metrik yang sifatnya rasio (penguasaan bola, akurasi umpan) aman, bisa langsung dibandingkan.

Lalu supaya semua metrik bisa duduk di satu grafik yang sama — expected goals (xG) itu skalanya 0-4, sementara jumlah operan bisa 500-an — saya pakai indeks: rata-rata fase grup = 100. Titik merah di kanan 100 artinya naik dibanding fase grup, di kiri 100 artinya turun.

Oke, sekarang kita bedah satu-satu. Cekidot.

Jerman: Dominasi yang Steril

Jerman gugur di tangan Paraguay setelah imbang 1-1. Dan kalau kamu cuma lihat statistik penguasaan bola, kamu bakal mengira Jerman menang besar.

Lihat bagian atas grafiknya. Penguasaan bola mereka justru naik dari rata-rata 53% di fase grup menjadi 65%. Kontrol di sepertiga akhir lapangan melonjak dari 61 ke 84. Jerman ada di mana-mana, megang bola terus, main di daerah lawan terus.

Tapi sekarang lihat bagian bawah grafiknya. Gol per 90 menit: dari 3,0 tinggal 0,7. xG per 90 menit: dari 2,18 tinggal 0,82 — anjlok 62%. Tembakan tepat sasaran turun 40%.

Lho, kok bisa? Pegang bola makin lama, tapi peluangnya makin sedikit?

Jawabannya ada di satu baris paling atas: umpan silang naik 107%, sepak pojok naik 98%. Paraguay parkir bus rapat-rapat, Jerman kehabisan ide membongkar lewat tengah, dan akhirnya jalan yang harus dilalui adalah dengan cara membuat crossing terus-menerus. Empat puluh menit main, mentok, crossing lagi. Mirip orang yang lupa password: dicoba-coba terus kombinasi yang sama, berharap kali ini beda hasilnya.

Ini pola klasik yang saya sebut dominasi steril: menguasai segalanya kecuali satu hal yang paling penting — gawang lawan.

Satu sinyal lagi yang tidak kalah penting: intensitas pressing mereka anjlok 51% dan jumlah sprint per 90 menit turun dari 440-an ke 309. Mesin diesel Jerman yang terkenal itu ternyata sudah kehabisan solar.

Pola kekalahan Jerman: dominasi steril. Bola dikuasai, wilayah dikuasai, tapi produksi peluang mati. Ditambah tangki fisik yang mulai kering.

Belanda: Runtuh dalam Semalam

Kasus Belanda ini yang paling dramatis. Kalau Jerman itu melandai pelan-pelan, Belanda tiba-tiba hilang.

Hampir semua titik merah ada di kiri garis 100. Penguasaan bola dari 56% jadi 31%. Pitch control dari 59 jadi 17 — artinya lapangan itu 83%-nya “milik” Maroko. Akurasi umpan dari 90% jadi 78%. xG per 90 menit dari 1,41 jadi 0,22. Selama 135 menit, Belanda praktis nggak menciptakan apa-apa.

Dua metrik yang justru naik pun bukan kabar baik: pressing defensif naik 25% (karena bolanya nggak pernah di kaki mereka, jadi kerjaannya ngejar terus) dan waktu yang dibutuhkan untuk merebut bola kembali memburuk dari 14 detik jadi 24 detik.

Ngejar iya, dapat enggak.

Dari tim yang mendikte, jadi tim yang didikte. Dalam satu pertandingan.

Tapi sebenarnya, ada satu petunjuk yang sudah kelihatan sejak laga pembuka dan ini bagian favorit saya. Di laga pertama lawan Jepang, Belanda mencetak 2 gol dari xG cuma 0,57. Sepanjang fase grup mereka mencetak 3 gol per 90 menit dari xG yang cuma 1,4. Artinya apa? Hasil fase grup Belanda itu lebih bagus daripada kualitas permainannya. Penyelesaian akhir mereka lagi panas-panasnya, jauh di atas ekspektasi statistik.

Ini kayak nilai ujian yang bagus karena hoki saat menebak pilihan ganda. Begitu soalnya ganti jadi esai — lawan sekelas Maroko yang disiplin — nggak ada fondasi yang bisa menyelamatkan.

Pola kekalahan Belanda: kolaps total. Fase grup yang menipu (gol jauh di atas xG), lalu runtuh di semua lini saat keberuntungan finishing-nya habis.

Brasil: Tumpul di Ujung

Nah, Brasil ini ceritanya beda lagi. Dan buat saya, paling menyesakkan.

Coba lihat baris paling atas: xG per 90 menit Brasil di laga terakhir justru naik 34% dibanding rata-rata fase grup (1,81 → 2,42). Dari ketiga raksasa ini, cuma Brasil yang kreativitas peluangnya tidak mati di laga pamungkas.

Masalahnya ada di ujung. Dari xG sebesar 2,69 sepanjang laga (termasuk dua penalti — dan satu di antaranya gagal), yang jadi gol cuma satu. Tembakan tepat sasaran turun 31%. Sementara di seberang sana, Norwegia mencetak 2 gol dari xG cuma 0,44. Dua tembakan berbahaya, dua gol.

Haalaand memang benar-benar beliau.

Bayangin kamu ikut tender: kamu bawa sepuluh proposal bagus, lawanmu bawa satu proposal doang — tapi yang satu itu yang menang. Sakitnya di situ.

Penguasaan bola Brasil juga terjun dari 49% ke 35%. Norwegia dengan senang hati pegang bola, dan Brasil yang biasanya sabar membangun serangan, kali ini bermain lebih terburu-buru. Klasik banget: tim besar kalah bukan oleh tim yang lebih dominan, tapi oleh tim yang lebih klinis.

Pola kekalahan Brasil: gagal eksekusi. Peluang tercipta lebih banyak dari biasanya, tapi konversinya tumpul — lalu dihukum oleh lawan yang cuma butuh dua peluang.

Tiga Kurva yang Bercerita

Sekarang pertanyaan lanjutannya: apakah kekalahan ini bisa “dibaca” dari tren laga-laga sebelumnya? Saya plot xG per 90 menit mereka di tiap laga, dari laga pembuka sampai laga terakhir.

Tiga kurva, tiga cerita yang benar-benar berbeda:

Jerman melandai perlahan. xG per 90 menit mereka turun konsisten: 3,74 → 2,14 → 0,66 → 0,82. Pesta gol 7-1 atas Curaçao di laga pembuka itu ternyata menutupi masalah yang membesar tiap laga lawan menguat. Kekalahan 1-2 dari Ekuador di laga ketiga sebenarnya sudah jadi alarm — cuma mungkin tidak ada yang mau dengar. Kalau kamu pemain saham, kurva Jerman ini downtrend yang jelas: gugurnya mereka bukan kejutan, tapi kelanjutan dari tren yang ada.

Belanda runtuh seketika. Tidak ada tren penurunan sama sekali. Laga ketiga lawan Tunisia justru performa terbaik mereka: penguasaan 65%, akurasi umpan 93%. Lalu menjadi 0,22 saat melawan Maroko. Kurva Belanda itu kayak baterai HP jaman sekarang: dari 60% langsung mati total tanpa peringatan.

Brasil menanjak lalu patah. Ini yang paling ironis. Kurva Brasil justru uptrend: 0,86 → 1,26 → 3,31 di fase grup, lalu laga 32 besar lawan Jepang adalah puncak kontrol mereka. Mereka gugur justru saat sedang membaik — dengan xG 2,42, tertinggi kedua sepanjang turnamen mereka. Brasil tidak dikalahkan oleh penurunan performa; mereka dikalahkan oleh matematika sepakbola yang kejam: xG itu ekspektasi, bukan jaminan adanya gol.

Jadi, Pelajarannya Apa?

Kalau dirangkum dalam satu tabel sederhana:

Tiga tim besar, tiga penyakit yang berbeda. Jerman sakit menahun yang kelihatan gejalanya, Belanda serangan jantung mendadak, Brasil sehat walafiat tapi kalah di meja operasi.

Dan ini yang bikin fase gugur Piala Dunia itu kejam sekaligus indah: di fase grup, kamu boleh salah satu laga dan masih bisa memperbaikinya. Di fase gugur, satu malam yang buruk — atau satu lawan yang klinis — cukup untuk memulangkanmu, sebagus apapun sejarah dan datamu.

Buat yang penasaran tim jagoannya masih punya harapan atau enggak, prediksi laga-laga berikutnya tetap saya update di pildun.ikanx101.com. Kita lihat, raksasa mana lagi yang pulang duluan. Hehe.

Sampai jumpa di tulisan berikutnya!

Waktu itu saya cuma bisa diam sebentar di ruang rawat, mencerna kata-kata dokter sambil sesekali melirik anak saya yang masih terbaring dengan infus di tangannya, tidak sepenuhnya sadar apa yang baru saja “ditemukan” dalam tubuhnya.

Yang menarik — dan agak membingungkan buat saya sebagai orang tua — anak bungsu saya ikut dites minggu itu juga, hasilnya negatif. Saya sendiri sebenarnya sudah pernah skrining ke dokter paru Oktober tahun lalu, hasilnya normal. Istri saya bahkan punya riwayat TB tahun 2013, tapi sudah dinyatakan sembuh total setelah menjalani pengobatan lengkap. Jadi dari empat orang di rumah, cuma anak sulung saya yang positif saat ini. Padahal kami tinggal serumah, makan bareng, beraktivitas bersama-sama. Kenapa hanya dia yang kena?

Sebagai orang yang kerjaannya sehari-hari berkutat dengan data, refleks pertama saya begitu pulang ke rumah bukan cuma browsing soal pengobatan, tapi juga: “Sebenarnya seberapa besar sih masalah TB ini di Indonesia? Apakah kasus saya ini “kebetulan saja””, atau ada pola yang lebih besar di baliknya?”

Saya minta bantuan AI agent saya untuk menelusuri data yang ada dan berikut ini hasilnya:

Indonesia dan Gunung Es TB

Coba tebak, negara mana yang punya beban kasus TB terbesar kedua di dunia setelah India?

Jawabannya: Indonesia. Bukan prestasi yang membanggakan tentu saja. Berdasarkan Global TB Report 2024_, diperkirakan ada 1.090.000 kasus TB baru setiap tahun di negara kita, dengan 125.000 kematian. Kalau dihitung-hitung, itu setara dengan 14 orang meninggal karena TB setiap jam, atau dua orang setiap lima menit.

Angka yang bikin saya berhenti sejenak: dari estimasi satu juta kasus per tahun itu, hingga Agustus 2025 pemerintah baru berhasil mencatat sekitar 509 ribu kasus — atau 47% dari target. Artinya lebih dari separuh kasus TB di Indonesia diperkirakan belum terdeteksi sama sekali. Mereka batuk-batuk di rumah, mungkin dikira flu biasa atau “cuma kecapean,” sambil terus menularkan ke orang-orang di sekitarnya tanpa disadari.

Ini persis seperti fenomena gunung es yang biasa saya temui waktu bahas wabah campak dulu: angka yang kelihatan di permukaan cuma sebagian kecil dari masalah yang sesungguhnya.

Anak vs Dewasa: Bukan Cuma Soal Skala

Nah, ini bagian yang paling personal buat saya. Pada 2024, dari sekitar 885 ribu kasus TB yang berhasil ditemukan, komposisinya seperti ini:

• 496 ribu kasus pada laki-laki dewasa.
• 359 ribu kasus pada perempuan dewasa.
• 135 ribu kasus pada anak usia 0-14 tahun.

Sekilas, proporsi anak “cuma” sekitar 15% dari total. Tapi ada satu detail yang membuat saya tertampar: Direktur Pencegahan dan Pengendalian Penyakit Menular Kemenkes sempat menyebut bahwa penemuan kasus TB anak naik lebih dari 2,5 kali lipat dibanding tahun 2021.

Sebagai orang yang kerjaan sehari-harinya membaca tren data survey dan sales, angka kenaikan 2,5x ini langsung memancing pertanyaan lanjutan di kepala saya: apakah ini benar-benar penularan yang meningkat, atau justru karena deteksinya yang membaik?

Ini penting dibedakan. Sama seperti kasus yang pernah saya bahas soal loyalist survey turun 27% tapi sales cuma turun 15% — angka yang naik atau turun itu bisa jadi bukan cerminan realita, tapi cerminan dari seberapa bagus kita mengukurnya. Kalau tahun 2021 alat deteksi dan awareness-nya masih rendah (apalagi masa pandemi, ketika banyak layanan kesehatan non-COVID terganggu), lalu tahun-tahun berikutnya program skrining diperkuat, ya wajar kalau angka yang “ketahuan” melonjak — padahal jumlah anak yang benar-benar sakit belum tentu ikut melonjak setajam itu.

Bias semacam ini di dunia statistik biasa disebut ascertainment bias — kita mengira sesuatu bertambah parah, padahal kita cuma jadi lebih jago menemukannya.

Tapi ini bukan berarti kita boleh santai. Justru sebaliknya: kalau logikanya benar bahwa banyak kasus anak baru terungkap belakangan ini, itu artinya sebelumnya ada banyak anak yang sakit TB dan luput dari radar sistem kesehatan kita. Entah berapa lama mereka menahan gejala, entah komplikasi apa yang sudah terjadi sebelum akhirnya terdiagnosis.

Kenapa Cuma Anak Saya yang Positif?

Ini pertanyaan yang paling personal, dan jujur saja jawabannya tidak sesederhana “yang lain kebal.” TB itu penyakit yang penularannya sangat bergantung pada durasi dan intensitas paparan, kondisi imun masing-masing individu, dan faktor risiko tambahan seperti usia dan status gizi.

Yang bikin saya makin penasaran, sebenarnya riwayat TB bukan hal baru di keluarga kami. Istri saya pernah kena TB tahun 2013 dan sudah dinyatakan sembuh total. Saya sendiri baru saja menjalani skrining ke dokter paru Oktober tahun lalu — penyebabnya karena batuk yang tak kunjung henti - dan hasilnya normal. Artinya, kalau bicara soal “siapa yang paling mungkin jadi sumber penularan,” riwayat itu sudah lama beres, sudah diobati tuntas satu dekade lalu.

Ini yang membuat saya berpikir dua arah. Pertama, kemungkinan anak saya tertular dari sumber di luar rumah — sekolah, tempat bermain, atau kontak lain yang kami sendiri belum tahu. Kedua, ada juga kemungkinan bahwa infeksi laten bisa “menunggu” cukup lama sebelum aktif, meski di kasus istri saya prosesnya sudah dianggap tuntas secara medis.

Yang jelas, dari data yang saya baca, kelompok yang secara risiko lebih rentan terinfeksi justru termasuk bayi dan anak-anak yang punya kontak erat dengan penderita TB — bukan berarti orang dewasa di sekitarnya otomatis aman selamanya. Kemenkes sendiri menyebut kelompok berisiko tinggi meliputi orang yang kontak serumah/erat dengan pasien TB, ODHIV, perokok, penderita diabetes, bayi, anak-anak, dan lansia.

Anak-anak, terutama balita, memang secara imunologis lebih rentan berkembang dari infeksi laten menjadi TB aktif dibanding orang dewasa yang sistem imunnya sudah lebih matang. Jadi kemungkinan besar: siapa pun sumber paparannya, tubuh anak sulung saya yang paling “kalah” duluan melawan bakterinya — sementara saya, istri, dan anak bungsu, entah karena imun yang lebih siap atau memang belum terpapar cukup intens, masih bertahan di sisi yang aman.

Ini juga menjelaskan kenapa satu temuan data lain terasa relevan buat keluarga saya: cakupan Terapi Pencegahan TB (TPT) untuk kontak serumah penderita TB di Indonesia baru sekitar 8% dari target 72%. Bayangkan itu sebagai funnel — dari seluruh kontak serumah yang seharusnya diskrining dan diberi obat pencegahan, cuma segelintir yang benar-benar tersentuh program ini. Ini funnel paling bocor yang pernah saya lihat, mengalahkan funnel konversi marketing paling buruk sekalipun.

Untungnya di kasus keluarga saya, saya, istri, dan anak bungsu sempat dites juga meski hasilnya negatif — artinya kami cukup beruntung berada di bagian kecil yang justru tertangkap sistem skrining ini, alih-alih luput begitu saja seperti mayoritas kontak serumah lain di luar sana.

Epilog

Setelah menggali semua data ini, ada beberapa hal yang mengubah cara saya memandang situasi keluarga saya sendiri:

Pertama, kasus anak saya bukan anomali. Dia satu dari 135 ribu anak Indonesia yang terdeteksi TB tahun lalu — dan kemungkinan besar ada ribuan lagi yang senasib tapi belum terdiagnosis.

Kedua, fakta bahwa hanya dia yang positif di antara kami sekeluarga bukan berarti ada yang salah dengan sistem imunnya secara khusus. Ini lebih mencerminkan bagaimana TB bekerja: siapa yang kalah duluan dalam “perlombaan” antara bakteri dan imun tubuh, bukan soal siapa yang paling lemah secara permanen.

Ketiga — dan ini yang paling mengganggu saya — gap antara target dan realisasi program TPT (baru 8% dari target 72%) bukan sekadar angka di laporan Kemenkes. Itu artinya ada banyak keluarga lain di luar sana yang tidak seberuntung kami, yang bahkan tidak sempat diskrining sama sekali padahal tinggal serumah dengan penderita TB.

Saya masih dalam proses pengobatan anak saya sekarang — enam bulan ke depan dengan disiplin minum obat setiap hari. Tapi setidaknya, menggali data ini membuat saya merasa sedikit lebih siap secara mental: bahwa kami bukan sendirian dalam menghadapi ini, dan bahwa angka besar di laporan pemerintah itu, pada akhirnya, terdiri dari cerita-cerita kecil seperti yang sedang keluarga saya jalani sekarang.

Dari 48 tim yang bertanding, beberapa sudah pasti melaju ke babak berikutnya. Tapi yang menarik perhatian saya bukan sekadar tim yang lolos — tapi tiga tim yang lolos dengan sempurna: Argentina, Perancis, dan Meksiko.

Tiga tim. Tiga kemenangan beruntun. Nol kekalahan, nol imbang. Tapi semakin saya dalami angkanya, semakin jelas: jalan mereka menuju kesempurnaan itu benar-benar berbeda. Nggak ada yang sama.

Lho, kok bisa?

France, Sang Juggernaut

Pertandingan pertama France vs Senegal. Dalam 5 menit pertama, mereka sudah melepaskan 3 tembakan. Seperti orang yang lagi shopping di supermarket: ambil aja semua, nanti dipilih di rumah.

Sepanjang fase grup, skuad Les Bleus melepaskan 48 tembakan. Rata-rata 16 per pertandingan. Threat index mereka mencapai angka 178, artinya setiap serangan yang mereka bangun benar-benar berbahaya. Produktivitas ini yang membuat mereka menjadi tim paling subur dengan 10 gol (3.3 per laga).

Tapi ada satu hal yang membuat saya cukup kaget: akurasi crossing mereka cuma 13.6%. Dari 44 umpan silang, hanya sekitar 6 yang akurat. Artinya, mereka spam crossing, ya mirip-mirip spam filter di era awal Gmail, banyak yang masuk, sedikit yang tepat sasaran.

Di sisi lain, mereka paling disiplin. Hanya 20 pelanggaran selama 3 pertandingan. Angka ini paling sedikit dibanding Argentina (31) dan Meksiko (28). Mereka juga yang paling banyak sprint (1.327). Kerja keras, nggak banyak ngomong, tapi kadang boros.

Bayangin France seperti petinju heavyweight yang terus maju, terus memukul. Kadang pukulannya meleset, kadang kena badan, tapi terus maju. Kalau lawannya tahan, mereka bingung.

Gaya main: Volume. Tembak, crossing, dribel. Satu meleset, coba lagi.

Argentina, Sang Maestro Efisiensi

Sekarang lihat Argentina. Mereka adalah kebalikan dari France.

Sepanjang fase grup, mereka cuma melepaskan 35 tembakan, jauh di bawah France. Tapi lihat ini: konversi gol mereka 22.9%. Tertinggi di antara ketiganya. Artinya, setiap 4 kali menembak, 1 masuk. Efisien banget kan?.

Passing mereka luar biasa bagus. 1.966 operan dengan akurasi 90.9%. Angka ini tertinggi di turnamen. Penguasaan bola rata-rata 53.5%, dan saat melawan Jordan, mereka menguasai bola hingga 68%. Bola seperti lengket di kaki mereka.

Tapi yang paling bikin saya terkesima: Argentina hanya kebobolan 3 tembakan tepat sasaran sepanjang 3 pertandingan. Tiga. Bayangin, dalam 270 menit sepakbola, lawan hanya punya 3 kesempatan emas. Sisanya mentok di lini pertahanan atau meleset.

Hal lain yang perlu dicatat: Argentina mencatatkan 8 offside, paling banyak di antara ketiga tim ini. Ini sedikit jadi catatan, karena menunjukkan striker mereka kadang terlalu cepat bergerak, mendahului operan.

Mereka juga fleksibel. Bisa main low-block kalau perlu (27.5% fase bertahan) dan efisien di final third (10.1%). Mereka bisa ngatur tempo permainan: cepat kalau perlu, pelan kalau lagi unggul.

Bayangkan Argentina seperti pemain catur: dia nunggu pemain lawan salah langkah, baru dia hajar. Efisien dan bisa ngatur ritme. Meski catatan 8 offsides jadi pengingat bahwa striker mereka kadang terlalu bersemangat.

Gaya main: Efisiensi & Kontrol. Bola, tempo, dan peluang — semuanya diatur.

Meksiko, Tembok Rumah Sendiri

Nah, Meksiko ini beda cerita.

Sebagai tuan rumah, tekanan pasti besar. Tapi mereka memilih pendekatan paling aman: jangan kebobolan dulu dan mereka berhasil: 0 conceded. Clean sheet penuh. Ini pencapaian yang tidak bisa diremehkan.

Tapi ofensifnya? Hmmm. Paling sedikit operan (1.373), akurasi passing paling rendah (87%), dan jumlah tembakan (35) sama dengan Argentina tapi dengan konversi gol lebih rendah (17.1%). Mereka lebih sering main direct — long ball 4.4%, tertinggi di antara ketiganya. Mereka juga tercatat 4 kali offside (sama dengan France), yang menunjukkan serangan langsung mereka tidak selalu terkoordinasi rapi.

Set piece jadi senjata utama mereka (6.1%) dan mereka lari paling jauh: 339 km. Lebih dari Argentina atau France. Artinya, mereka kerja keras nutup ruang dan bertahan.

Yang menarik: press mereka rendah. Hanya 0.2% untuk LowPress. Mereka lebih nyaman jaga shape dan menunggu lawan salah.

Bayangin Meksiko seperti bunker di game perang: nggak ada yang bisa tembus, tapi firepower-nya juga terbatas.

Gaya main: Pertahanan. Set-piece, direct ball, nol kebobolan. Tapi kreativitas ofensif terbatas.

Jadi, Siapa yang Paling Siap ke Fase Berikutnya?

Pertanyaan ini yang bikin saya penasaran. Fase grup dibandingkan fase gugur itu dua dunia yang berbeda. Di grup, setiap negara bisa main aman tapi di fase gugur, satu gol bisa jadi akhir perjalanan.

France; dominan banget lawan tim yang terbuka. Tapi crossing cuma akurat 13.6%. Kalau ketemu tim yang rapat dan disiplin di kotak penalti, mereka bisa frustrasi. Ingat, di babak gugur, lawan nggak akan kasih ruang sebanyak Senegal atau Irak.

Argentina; bisa mengatur tempo, bisa main bertahan, dan tidak gampang panik. Hanya kebobolan 1 gol, lebih sedikit dari France (2), meski Meksiko masih lebih ketat dengan 0 kebobolan. Mereka kayak veteran yang udah liat segalanya. Tapi harus hati-hati: kalau lawan baca pola penguasaan mereka, bisa kena counter.

Meksiko; clean sheet itu impresif. Tapi bayangkan kalau mereka tertinggal lebih dulu. Apakah mereka punya senjata cukup buat balik? Datanya bilang: mungkin tidak. Mereka terlalu bergantung pada set piece dan transisi. Begitu bola harus dipegang dan membangun serangan, mereka kesulitan.

France paling subur, Argentina paling efisien, Argentina dan Meksiko sama-sama paling sedikit tembakan (35).

Apa Kesamaan Ketiganya?

Meskipun beda, ada hal-hal yang menyatukan ketiganya:

Pertama, passing akurat minimal 87%. Mereka tidak buang-buang bola. Mungkin ini fondasi paling dasar: kalau Anda tidak bisa pegang bola maka Anda tidak bisa apa-apa.

Kedua, build-up tenang. Fase BuildUpUnopposed semuanya di kisaran 38-45%. Lawan cenderung kasih mereka ruang membangun serangan.

Ketiga, counter press aktif. Saat kehilangan bola, mereka langsung bereaksi. Tidak ada pemain yang diam aja. Rata-rata counter press 8-10% untuk Argentina dan France, sedikit di bawahnya untuk Meksiko (7.8%).

Keempat, intensitas fisik tinggi. Ketiganya punya data >1.000 sprints. Artinya tidak ada yang malas.

Kelima, mereka sama-sama solid bertahan. Argentina kebobolan 1 gol, France 2, Meksiko 0. Bukan kebetulan.

France paling sering berada di final third, Argentina paling banyak waktu di fase bertahan. Dua kutub yang berbeda.

Epilog

Tiga tim. Tiga cara berbeda. Tapi satu hasil yang sama: sempurna di fase grup. Data bilang, tidak ada satu resep tunggal buat menang. Hal yang terpenting: know yourself.

France tahu mereka kuat di volume. Argentina tahu mereka kuat kontrol pertandingan. Meksiko tahu mereka kuat bertahan. Masing-masing main sesuai kekuatan sendiri.

Tapi ini baru fase grup. Begitu memasuki babak gugur, semuanya berubah. Pertandingan lebih taktis. Satu momen bisa mengakhiri perjalanan.

Siapa menurut kamu yang bakal melaju paling jauh?

Tapi ini baru pertandingan-pertandingan awal saja. Bisa jadi akan ada pergeseran sepanjang turnamen ini berlangsung. InsyaAllah, saya akan update terus di blog ini dan di platform pildun.ikanx101.com.

Satu hal yang menarik adalah: Ekuador bermain cukup baik. Mereka nyerang, punya peluang, tembakan ke gawang lumayan banyak. Tapi skor akhir? Nol.

Sementara di pertandingan lain, Jepang menang besar. Padahal kalau lihat jalannya pertandingan, mereka tidak terkesan mendominasi.

Lho, kok bisa?

Kenalan Dulu dengan xG

Dalam dunia analitik sepakbola modern, ada satu metrik yang saya anggap paling jujur: Expected Goals, atau disingkat xG.

Bayangkan Anda sedang memasak. Anda punya semua bahan, resepnya sudah benar, suhu ovennya pas. Secara teori, kue Anda harusnya keluar sempurna.

Tapi kadang kuenya gosong. Kadang malah lebih enak dari ekspektasi.

xG bekerja dengan logika yang sama. Setiap kali ada tembakan dalam pertandingan, model xG menghitung: “dari situasi seperti ini, seberapa besar kemungkinan berbuah gol?”

• Kalau tembakan dari jarak dekat tanpa penjaga = xG tinggi (~0.7–0.9).
• Kalau tembakan dari luar kotak dengan sudut sempit = xG rendah (~0.03–0.05).

FIFA menghitung xG berdasarkan tujuh faktor utama:

1. Lokasi tembakan — seberapa dekat dan seberapa lurus sudutnya ke gawang
2. Bagian tubuh — kaki dominan, kaki lemah, atau kepala punya probabilitas berbeda
3. Jenis assist — dari cross, through-ball, bola mati, atau rebound
4. Situasi permainan — open play vs tendangan bebas langsung vs penalti
5. Tekanan bek — apakah ada bek yang langsung menekan saat tembakan?
6. Posisi kiper — apakah kiper sudah siap?
7. Fase serangan — counterattack biasanya punya xG lebih tinggi karena pertahanan lawan belum tersusun rapi

Model ini dilatih dari jutaan data tembakan historis di pertandingan sepakbola top level dunia. Jadi angkanya bukan tebak-tebakan — ia adalah rata-rata dari ribuan situasi serupa yang pernah terjadi sebelumnya.

Penalti = ~0.76 xG. Artinya dari 100 penalti, rata-rata 76 berbuah gol. Tembakan jarak jauh dengan sudut sempit = ~0.03 xG. Kalau masuk, itu lebih karena keberuntungan dari pada kualitas.

Intinya sederhana: xG mencerminkan kualitas peluang, bukan kualitas nasib.

Data yang Kita Punya

Grup Stage Piala Dunia 2026 masih berlangsung dari 11 hingga saat ini. Total ada 48 tim bermain di 39 pertandingan dengan format yang lebih besar dari edisi sebelumnya.

Kalau kita total semua angkanya:

• Total gol yang tercetak: 117
• Total xG seluruh pertandingan: 97.81

Secara agregat, turnamen ini overperform sekitar 20 gol dari ekspektasi. Artinya, secara keseluruhan, para penyerang di Piala Dunia 2026 cukup klinis.

Tapi di balik rata-rata itu, ada cerita-cerita ekstrem yang menarik.

Titik-titik hijau di atas garis putus-putus adalah tim yang mencetak lebih banyak gol dari yang seharusnya. Titik merah di bawah adalah tim yang harusnya lebih banyak mencetak gol — tapi tidak.

Tim yang “Beruntung”: Melampaui Ekspektasi

Dari 48 tim, ada 22 tim yang mencetak lebih banyak gol dari xG mereka (selisih > 0.5). Tapi beberapa tim ini jauh melampaui ekspektasi.

Jepang: +4.30 dari xG

Ini yang paling ekstrem.

Jepang mencetak 6 gol dari total xG hanya 1.70. Artinya secara kualitas peluang, model memprediksi mereka harusnya hanya mencetak sekitar 1–2 gol. Tapi yang terjadi? Enam.

Kalau dianalogikan: bayangkan Anda punya bahan-bahan untuk membuat satu loyang kue, tapi entah bagaimana Anda berhasil menghasilkan enam.

Apakah Jepang bermain luar biasa? Bisa jadi. Tapi angka +4.3 itu luar biasa besarnya bahkan untuk standar tim elit sekalipun. Secara statistik, ini sulit dipertahankan di babak berikutnya.

Belanda: +4.12 dari xG

Tujuh gol dari xG 2.88. Belanda tampak sangat on fire di fase grup — tapi sama seperti Jepang, ada pertanyaan besar: apakah ini level permainan mereka yang sebenarnya, atau keberuntungan sedang berpihak?

Jerman: +2.36 dari xG — tapi dengan catatan berbeda

Ini ceritanya sedikit berbeda. Jerman mencetak 9 gol dari xG 6.64. Mereka memang overperform, tapi xG-nya sendiri sudah sangat tinggi. Artinya: Jerman bukan hanya beruntung — mereka memang menciptakan banyak peluang berkualitas dan klinis di depan gawang.

Artinya: Ada dua jenis overperformer. Yang pertama adalah tim yang “beruntung” — peluangnya biasa saja tapi entah mengapa masuk. Yang kedua adalah tim yang memang dominan dan efisien. Jerman ada di kategori kedua. Jepang dan Belanda lebih ke kategori pertama.

Tim yang “Sial”: Peluang Banyak, Gol Nihil

Dari sisi lain, ada 10 tim yang jauh di bawah ekspektasi mereka.

Ekuador: -4.12 dari xG

Kembali ke cerita awal saya.

Ekuador menciptakan peluang-peluang senilai total 4.12 xG. Dalam bahasa sederhana: model memprediksi mereka harusnya mencetak sekitar 4 gol. Gol yang betul-betul tercetak? Nol.

Ini seperti seorang karyawan yang sudah kerja keras, hadir tepat waktu, menyelesaikan semua tugasnya — tapi tidak mendapat pengakuan apapun. Pekerjaannya nyata, hasilnya tidak tercermin.

Sayangnya, Ekuador tidak bisa memperbaiki ini lagi di fase gugur.

Turki: -3.79 dari xG

Cerita yang hampir sama. xG 3.79, gol aktual: nol. Bayangkan frustrasi para pemain dan suporternya.

Spanyol: -1.46 dari xG

Ini yang paling mengkhawatirkan dari sudut pandang “prediksi ke depan.”

Spanyol memang sudah lolos dari grup. Dan mereka bukan tim yang kekurangan peluang — xG 5.46 adalah salah satu tertinggi di turnamen. Tapi hanya 4 gol yang tercetak.

Artinya: lini depan Spanyol belum tajam. Peluangnya ada, kreativitasnya ada, tapi finishing-nya belum klik. Jika ini tidak diperbaiki, mereka bisa bermasalah di babak gugur ketika setiap peluang jauh lebih berharga.

Seberapa Akurat xG dalam Memprediksi Hasil?

Pertanyaan yang wajar muncul: kalau xG hanya model, seberapa bisa kita percaya?

Dari 39 pertandingan di grup stage ini (dengan mengabaikan hasil seri), tim yang memiliki xG lebih tinggi dalam satu pertandingan ternyata menang di 88.5% kasus.

Itu angka yang cukup tinggi.

Tapi 11.5% sisanya — itulah yang membuat sepakbola tetap menarik. Itulah Ekuador yang punya xG tinggi tapi kalah. Itulah Jepang yang punya xG rendah tapi menang besar.

Korelasi bukan kausalitas — xG yang tinggi tidak menyebabkan kemenangan. Ia hanya mencerminkan dominasi permainan. Tim yang bermain lebih baik, menciptakan peluang lebih berkualitas, biasanya menang. Tapi “biasanya” bukan “selalu.”

Jadi, Apa yang Bisa Kita Simpulkan?

Ada tiga hal yang menurut saya penting dari data grup stage ini:

1. Jangan terlalu percaya pada tim yang overperform besar.

Jepang (+4.3) dan Belanda (+4.12) tampak dominan di fase grup. Tapi kalau kualitas peluang mereka tidak meningkat di babak gugur, ada risiko besar bahwa gol-gol yang selama ini “beruntung” masuk tidak akan terus datang.

2. Jangan remehkan tim yang underperform.

Spanyol dan Belgia seharusnya lebih berbahaya dari apa yang terlihat di papan skor. Jika mereka memperbaiki finishing, mereka bisa menjadi kejutan besar.

3. xG adalah peta, bukan kenyataan.

Peta yang bagus membantu kita navigasi. Tapi peta tidak bisa memprediksi bahwa ada jalan baru yang baru dibangun, atau bahwa ada kecelakaan di tengah jalan. xG memberi kita gambaran seharusnya — tapi sepakbola selalu punya cara untuk mengejutkan kita.

Epilog

Data bicara. Tapi sepakbola tetap dimainkan di lapangan, bukan di spreadsheet.

Tapi ini baru pertandingan-pertandingan awal saja. Bisa jadi akan ada pergeseran sepanjang turnamen ini berlangsung. InsyaAllah, saya akan update terus di blog ini dan di platform pildun.ikanx101.com.

Dua pekan yang lalu, saat mengisi podcast bersama senior saya Kang Aristo Labare, kami sempat berdiskusi tentang prediksi pemenang piala dunia 2026. Kami sepakat bahwa untuk mendapatkan model prediksi yang tepat, kita harus menunggu setidaknya hingga semua timnas bermain dua kali. Model yang dibangun harus berdasarkan data statistik pertandingan di event piala dunia-nya. Bukan saat kualifikasi kemarin.

Alasannya sederhana: atmosfer pertandingan di event piala dunia berbeda dengan saat kualifikasi.

Maka dari itu, dari kemarin saya membuat algoritma scraper dari situs resmi FIFA untuk mendapatkan data statistik pertandingan. Kemudian saya membuat satu platform di halaman pildun.ikanx101.com untuk kemudian pada saatnya mempublikasikan model dan hasil prediksi secara berkala. Tentunya hasil prediksi bisa jadi akan berubah-ubah setiap kali setelah pertandingan berlangsung. Rekan-rekan bisa segera meluncur ke situs tersebut!

Sembari menunggu mathcday selanjutnya, dari semua data yang sudah saya kumpulkan hingga 19 Juni 2026 pukul 20.30 WIB, analisa sementara apa yang sudah bisa kita lakukan? Cekidot

Apa Kunci Kemenangan Timnas Sampai Saat Ini?

Kalau kita bertanya kepada pelatih sepakbola mana pun, jawabannya hampir pasti sama: “Pressing lebih keras, kuasai bola, dan banyak-banyakin tembakan.”

Tapi data dari 28 pertandingan pertama Piala Dunia 2026 bercerita sedikit berbeda.

Ada satu temuan yang cukup mengejutkan ketika saya iseng-iseng ngulik statistiknya: tim yang paling banyak melakukan pressing defensif justru cenderung kalah. Korelasi negatif. Bukan positif.

Lho, kok bisa?

Sebelum kita bahas anomali itu, mari kita lihat dulu gambaran besarnya dari sekian puluh data statistik yang tercatat sampai saat ini, mana yang paling berpengaruh terhadap kemenangan?

Data yang Dipakai

FIFA merilis statistik pertandingan yang sangat lengkap untuk Piala Dunia 2026. Dari dataset ini, saya mengambil 56 baris data — masing-masing mewakili performa satu tim di satu pertandingan (28 pertandingan × 2 tim).

Dari 155 kolom data statistik yang tersedia, saya memilih 21 variabel yang paling relevan: mulai dari expected goals (xG), akurasi tembakan, penguasaan bola, akurasi umpan, intensitas pressing, hingga statistik fisik seperti total jarak tempuh dan sprint.

Metodenya sederhana: hitung koefisien korelasi Spearman antara tiap statistik dengan hasil pertandingan (menang = 1, tidak menang = 0). Semakin mendekati +1, semakin kuat hubungannya dengan kemenangan. Semakin mendekati -1, semakin sering statistik itu muncul justru saat tim kalah.

Mungkin rekan-rekan statistikawan kurang setuju dengan pendekatan saya ini tapi menurut saya ini adalah salah satu pendekatan yang paling praktis yang bisa saya lakukan sebelum saya tidur malam ini. Hehe

Hasilnya? Ini yang Paling Menentukan

Grafik di atas merangkum semuanya sekaligus. Tapi izinkan saya highlight beberapa yang paling menarik.

1. Expected Goals (xG) — Juara Pertama dengan r = +0.52

xG adalah metrik yang mengukur “seberapa bagus kualitas peluang yang kamu ciptakan” — bukan sekadar berapa gol yang dicetak. Angka korelasi +0.52 menjadikannya prediktor terkuat dari semua variabel yang dianalisa.

Artinya: tim yang berhasil menciptakan peluang berkualitas tinggi — posisi tembak yang dekat, sudut yang pas, tanpa tekanan penjaga — itulah yang cenderung menang.

Bisa jadi ini berasal bukan dari tim yang paling banyak menyerang. Bukan tim yang paling lama menguasai bola. Tapi tim yang berhasil masuk ke posisi berbahaya.

2. Tembakan ke Arah Gawang — r = +0.45

Satu tingkat di bawah xG, ada jumlah tembakan yang tepat sasaran ke arah gawang. Ini sejalan dengan xG: kualitas peluang yang baik biasanya berakhir dengan tembakan yang terarah.

Yang menarik, total tembakan (semua tembakan, termasuk yang meleset jauh) hanya punya korelasi +0.20 — jauh lebih rendah. Ini konfirmasi bahwa kualitas lebih penting dari kuantitas. Tembak banyak-banyak tidak ada gunanya kalau semua melenceng ke tribun penonton.

3. Akurasi Tembakan — r = +0.35

Masih soal efisiensi serangan. Tim yang menang di Piala Dunia 2026 rata-rata punya akurasi tembakan 42%, sementara tim yang tidak menang hanya 29.9%. Selisih 12 poin persentase — cukup signifikan.

4. Penguasaan Bola — r = +0.25 (Lebih Rendah dari Dugaan)

Ini salah satu yang sering jadi perdebatan di forum bola. Penguasaan bola memang berkorelasi positif dengan kemenangan, tapi nilainya +0.25 — lebih lemah dibanding xG, tembakan ke gawang, bahkan akurasi umpan.

Jadi ya, ball possession itu penting — tapi bukan segalanya. Kalau bolanya dikuasai terus tapi tidak pernah masuk ke area berbahaya, percuma juga.

Dan Sekarang, Anomali yang Menarik Itu…

Kalau kamu lihat grafik di atas, ada dua batang merah yang mencolok di zona negatif: intensitas pressing dan total tekanan defensif.

Korelasi keduanya dengan kemenangan adalah -0.28 dan -0.28. Negatif. Artinya, semakin banyak tim melakukan pressing, semakin besar kemungkinan mereka kalah.

Tunggu dulu — ini bukan berarti pressing itu buruk atau kontraproduktif.

Ini adalah kasus klasik korelasi yang tidak sama dengan kausalitas.

Bayangkan skenario ini: tim A tertinggal 0-1 di menit ke-60. Apa yang mereka lakukan? Mereka mulai pressing lebih agresif, mengerahkan lebih banyak pemain ke depan, mencoba merebut bola dan mencetak gol balasan. Akibatnya, statistik pressing mereka melonjak tinggi — bukan karena mereka tim yang suka pressing, tapi karena mereka sedang dalam kondisi terjepit.

Yang tercatat di data adalah: tim yang banyak pressing = tim yang kalah. Padahal hubungan sebab-akibatnya justru terbalik: karena kalah, mereka jadi pressing.

Seberapa Beda Tim Menang vs Tim Kalah?

Supaya lebih konkret, berikut perbandingan rata-rata antara tim yang menang dengan tim yang tidak menang pada tiga statistik teratas:

Angka yang paling mencolok: xG tim menang hampir dua kali lipat dibanding tim yang kalah. 1.92 vs 0.94. Ini bukan kebetulan — ini cerminan dari kualitas permainan yang secara konsisten berhasil menciptakan peluang berbahaya.

Jadi, Apa Resep Menang Sampai Saat Ini

Kalau harus dirangkum dari data:

1. Ciptakan peluang berkualitas, bukan sekadar banyak menyerang.

xG tinggi artinya kamu berhasil masuk ke posisi tembak yang benar-benar berbahaya. Itu tidak datang dari sekedar banyak bergerak ke depan — tapi dari kombinasi pergerakan cerdas, umpan-umpan tajam, dan penyelesaian yang tepat.

2. Kalau tembak, arahkan ke gawang.

Kedengarannya sepele, tapi selisih akurasi tembakan 12 poin persentase antara tim menang dan kalah itu nyata. Tim yang menang lebih clinical — tidak buang-buang momentum dengan tembakan yang melenceng.

3. Jaga akurasi umpan.

Selisihnya memang hanya 4 poin, tapi di level Piala Dunia, kehilangan bola di area berbahaya bisa langsung jadi gol buat lawan. Bermain rapi adalah fondasi dari segalanya.

4. Penguasaan bola itu perlu, tapi harus dikonversi.

Bola dikuasai terus-terusan tapi tidak masuk ke area berbahaya? Percuma. Possession hanya bermakna kalau berujung pada peluang nyata.

5. Pressing agresif bukan solusi — lebih sering jadi gejala ketertinggalan.

Kalau tim kamu baru mulai pressing keras-keras, mungkin itu sinyal bahwa kamu sedang dalam masalah.

Epilog

Data tidak selalu bicara hal yang mengejutkan, kadang ia hanya mengkonfirmasi apa yang sudah kita rasakan intuitif. Tapi di sini, ada satu pelajaran yang cukup penting: bukan tim yang paling sibuk yang menang, melainkan tim yang paling efisien.

xG, tembakan terarah, akurasi umpan — semuanya bermuara pada satu kata: efisiensi. Menciptakan peluang yang benar-benar berbahaya, menyelesaikannya dengan baik, dan tidak sembarangan kehilangan bola.

Analisa ini masih berbasis data fase grup. Begitu babak gugur dimulai, dinamikanya bisa berubah — pertandingan semakin taktis, tim semakin konservatif, dan satu momen bisa menentukan segalanya. Menarik untuk dilihat apakah temuan ini masih berlaku di babak-babak selanjutnya.

Tapi ini baru pertandingan-pertandingan awal saja. Bisa jadi akan ada pergeseran sepanjang turnamen ini berlangsung. InsyaAllah, saya akan update terus di blog ini dan di platform pildun.ikanx101.com.

Kembali ke beberapa pekan belakangan dimana nilai tukar rupiah terhadap dollar Amerika sedang turun-turunnya, saya kembali bertanya.

Kenapa para ekonom tidak menggunakan cara yang dulu Presiden Habibie lakukan?

Oleh karena penasaran, saya coba minta bantuan AI agent saya untuk mendiskusikan masalah ini. Saya mulai dari sebuah pertanyaan sederhana:

“Benarkah BJ Habibie menggunakan prinsip termodinamika untuk menstabilkan ekonomi Indonesia saat krisis 1998?”

Saya coba memverifikasi kabar burung tersebut dan akhirnya melakukan penelusuran terkait prinsip fisika apa saja yang bisa dipakai dalam ekonomi.

Catatan:

Artikel ini ditulis dari hasil diskusi saya dengan AI agent asisten pribadi saya. Data dan fakta telah diverifikasi dari berbagai sumber termasuk Habibie Center, Kompas, Detik, arXiv, dan jurnal-jurnal ekonofisika. Tulisan ini adalah opini pribadi berdasarkan data yang tersedia saat artikel ditulis.

Bagian 1: Termodinamika atau Aerodinamika?

Pertama-tama, berdasarkan penelusuran saya dari berbagai sumber. Mulai dari Kompas, Detik, situs Habibie Center, hingga tulisan-tulisan akademik. Setelah beberapa menit, hasilnya jelas.

Klaim bahwa BJ Habibie menggunakan prinsip termodinamika adalah tidak akurat.

Lho, terus yang benar apa?

Yang benar adalah: Habibie menggunakan pendekatan aeronautika dan aerodinamika. Sebagai seorang insinyur pesawat terbang (aeronautical engineer) lulusan Jerman, ia memandang ekonomi Indonesia yang sedang krisis seperti sebuah pesawat yang mengalami stall — kondisi di mana pesawat kehilangan daya angkat dan siap jatuh.

Kesalahan penyebutan “termodinamika” kemungkinan besar terjadi karena keduanya sama-sama cabang fisika dan punya akhiran “dinamika” yang mirip. Cerita dari mulut ke mulut rentan mengalami distorsi seperti ini. Saya sendiri mengaku sempat percaya dengan klaim tersebut selama bertahun-tahun tanpa pernah memverifikasinya.

Tapi mari kita bedah lebih dalam: apa saja sih sebenarnya analogi aerodinamika yang dipakai Habibie?

Bagian 2: Empat Analogi Aerodinamika ala Habibie

Saya membaca dari beberapa sumber, termasuk wawancara Umar Juoro dari Habibie Center dan artikel di Kompas. Ternyata Habibie benar-benar memiliki kerangka berpikir yang konsisten dengan latar belakangnya sebagai ahli pesawat terbang.

Stall — Kehilangan Daya Angkat

Bayangkan pesawat yang sedang terbang. Ketika sudut serang sayap terlalu besar dan kecepatan di bawah minimum, pesawat kehilangan lift alias daya angkat. Hasilnya? Pesawat jatuh. Ini yang disebut stall.

Habibie melihat Indonesia 1998 persis seperti itu. Rupiah jatuh bebas dari Rp 2.400 menjadi Rp 16.800 per dolar Amerika. Ekonomi minus 13,13%. Inflasi 77,6%. Semua indikator menunjukkan bahwa “pesawat” sedang jatuh.

Umar Juoro, ekonom yang dekat dengan Habibie, pernah mengutip perkataan beliau: “Bayangkan pesawat sudah stall, mau jatuh. Saya bisa stabilkan lagi sehingga cruising, descending, dan bisa soft landing.”

Keseimbangan Gravitasi dan Lift

Ini inti dari pendekatan aerodinamika yang dimaksud. Dalam penerbangan, ada empat gaya yang harus seimbang: gaya angkat (lift) melawan gravitasi, dan gaya dorong (thrust) melawan hambatan (drag). Kalau satu saja tidak seimbang, pesawat tidak bisa terbang dengan stabil.

Habibie menerjemahkannya ke dalam kebijakan ekonomi dengan satu kata kunci: keseimbangan. Ia mengambil kebijakan fiskal dan moneter secara berimbang. Tidak terlalu agresif di satu sisi dan melupakan sisi lain. Ini yang membedakan pendekatannya dari teknokrat lain yang mungkin hanya fokus pada satu variabel saja.

Turbulensi — Guncangan Pasar

Setiap pilot tahu bahwa turbulensi adalah bagian dari penerbangan. Tidak perlu panik. Yang diperlukan adalah kendali yang tenang dan sabar.

Sama halnya dengan pasar. Nilai tukar yang berfluktuasi, capital outflow, dan panic selling adalah turbulensi yang wajar dalam krisis. Habibie tidak panik. Ia juga tidak ikut terbawa arus. Ia tetap tenang menjalankan kebijakannya, termasuk ketika IMF dan dunia internasional menekan.

Soft Landing — Pemulihan Bertahap

Pilot profesional tidak akan langsung menarik kemudi ke atas setelah pesawat keluar dari stall. Itu akan membuat pesawat stall lagi. Prosedurnya adalah: stabilkan dulu, lalu turunkan secara perlahan ke landasan (descending), dan baru mendarat dengan mulus (soft landing).

Habibie menerapkan filosofi yang sama. Ia tidak memaksakan pertumbuhan cepat. Ia fokus pada stabilisasi dulu — restrukturisasi perbankan, pemisahan Bank Indonesia dari pemerintah, pembentukan BPPN, dan jaminan 100% simpanan nasabah. Setelah kepercayaan pulih, baru ekonomi bisa tumbuh lagi.

Hasilnya? Dalam waktu 17 bulan masa jabatannya, rupiah menguat dari Rp 16.800 menjadi Rp 6.500 per dolar AS. Pertumbuhan ekonomi dari -13,13% (1998) menjadi +0,79% (1999). Sebuah soft landing yang cukup impresif untuk seorang presiden yang diragukan kemampuannya di bidang ekonomi.

Catatan penting: Saya perlu meluruskan — pendekatan aerodinamika ini adalah kerangka berpikir yang digunakan Habibie, bukan satu-satunya penyebab pemulihan. Dalam prakteknya, pemulihan 1998-1999 terjadi karena kombinasi berbagai kebijakan konvensional yang juga diterapkan teknokrat lain: kebijakan moneter dan fiskal yang ketat, restrukturisasi perbankan lewat BPPN, pemisahan BI dari pemerintah, jaminan 100% simpanan nasabah, serta dukungan IMF dan komunitas internasional. Sulit memisahkan mana efek dari analogi aerodinamika dan mana efek dari kebijakan standar yang lazim pada masa krisis. Tapi yang menarik, kerangka berpikir Habibie — dengan penekanan pada keseimbangan dan stabilitas — konsisten dengan pilihan-pilihan kebijakannya, dan itu yang membuat pendekatannya unik untuk dicatat.

Bagian 3: Apa Saja Prinsip Fisika Lain yang Bisa Diaplikasikan ke Ekonomi?

Setelah puas dengan penelusuran soal Habibie, saya mulai iseng bertanya ke AI saya: apakah ada prinsip fisika lain yang juga bisa dipakai untuk memahami ekonomi?

Jawabannya mengejutkan saya. Ternyata banyak sekali, dan beberapa bahkan sudah menjadi bagian dari toolkit standar di dunia keuangan dan ekonomi. Yang paling terkenal adalah Gerak Brownian yang menjadi dasar model Black-Scholes untuk penetapan harga opsi saham — sebuah terobosan yang meraih Nobel Ekonomi tahun 1997. Saya sendiri pernah mempelajarinya saat mengambil mata kuliah Matematika Keuangan saat S1 dulu - dan saya bari ingat ini adalah prinsip Fisika.

Saat kuliah magister 2023 lalu, saya seorang rekan saya yang berasal dari Fisika juga membuat tesis tentang model termodinamika yang diaplikasikan ke makro ekonomi Indonesia. Tapi saya tertarik pada lima prinsip yang menurut saya paling menarik dan relevan untuk dibahas di tulisan ini.

Hukum Entropi (Termodinamika II) dan Ekonomi Ekologis

Bayangkan Anda membeli sebongkah batu bara. Batu bara itu mengandung energi kimia yang sangat terkonsentrasi — fisikawan menyebutnya low entropy. Lalu Anda membakarnya untuk menghasilkan listrik. Listriknya dipakai untuk menyalakan lampu dan mesin pabrik.

Pertanyaannya: ke mana perginya energi batu bara itu?

Jawabannya: sebagian menjadi listrik (berguna), tapi sebagian besar menjadi panas buangan, CO2, abu, dan polutan yang menyebar ke atmosfer. Fisikawan menyebut bentuk energi yang sudah terdispersi ini sebagai high entropy.

Dan menurut Hukum Kedua Termodinamika, proses ini ireversibel. Anda tidak akan pernah bisa mengumpulkan kembali CO2 yang sudah menyebar di atmosfer menjadi batu bara lagi. Energinya sudah terdegradasi, selamanya.

Nicholas Georgescu-Roegen, seorang ekonom matematikawan asal Rumania, menuangkan ide ini dalam bukunya The Entropy Law and the Economic Process (1971). Ia berargumen bahwa model ekonomi neoklasik yang menganggap proses ekonomi sebagai sirkuler dan dapat didaur ulang sepenuhnya adalah keliru secara fisika.

Contoh konkret.

Ambil kasus bijih besi. Bijih besi dengan konsentrasi 60% adalah low entropy karena mudah diolah. Setelah dilebur menjadi baja, lalu dibuat mobil, lalu 15 tahun kemudian menjadi rongsokan — baja itu tercampur plastik, karet, cat, dan tembaga. Untuk memurnikannya kembali menjadi baja murni, Anda butuh energi lebih besar dari energi yang tersisa di dalam baja rongsok itu. Ini bukan soal teknologi; ini soal hukum fisika yang tidak bisa dilanggar.

Implikasinya terhadap ekonomi sangat dalam.

Pertumbuhan ekonomi tak-terbatas di planet yang terbatas adalah mustahil secara fisika. Model “tumbuh 5-7% per tahun selamanya” adalah ilusi. Sumber daya alam suatu saat akan habis atau mencapai titik di mana energi yang dibutuhkan untuk mengekstraksinya lebih besar dari energi yang didapat — ini disebut Energy Return on Investment (EROI) yang menurun.

Inilah dasar argumen paling kuat untuk green economy, circular economy, dan bahkan degrowth. Bukan karena tren atau karena keren, tapi karena fisika tidak bisa dibohongi.

Tiga Hukum Newton dalam Makroekonomi

Saya harus mengakui sejak awal: bagian ini adalah yang paling stretch dari seluruh artikel. Tiga Hukum Newton bukanlah model formal dalam ekonofisika seperti Gerak Brownian atau mekanika statistik. Ini lebih sebagai kerangka berpikir intuitif — cara saya meminjam konsep fisika untuk merenungkan dinamika ekonomi.

Hukum Pertama Newton — Kelembaman (Inersia).

Benda akan tetap diam atau bergerak lurus beraturan kecuali ada gaya luar yang bekerja padanya.

Dalam ekonomi: ekonomi punya inersia. Begitu berada di jalur pertumbuhan (atau resesi), sulit untuk mengubah arah secara tiba-tiba.

Lihat kasus Indonesia 1998. Meski Habibie segera mengambil kebijakan drastis di minggu-minggu pertamanya, butuh hampir satu tahun bagi ekonomi untuk benar-benar melambatkan penurunannya dan mulai stabil. Ekonomi tidak seperti mobil yang bisa langsung berbelok 90 derajat saat setir diputar. Ada time lag antara kebijakan dan efeknya — biasanya 6 sampai 18 bulan. Inilah kenapa kebijakan counter-cyclical sering terlambat: karena saat gejalanya terlihat, inersia sudah berjalan ke arah yang berlawanan.

Hukum Kedua Newton — F = m × a.

Gaya sama dengan massa dikali percepatan.

Dalam ekonomi: dampak kebijakan tergantung pada struktur ekonomi yang dikenai.

Ambil contoh stimulus fiskal. Pemerintah Amerika Serikat menggelontorkan American Rescue Plan senilai 1,9 triliun dolar pada 2021. Gaya (F) sangat besar. Tapi massa (m) ekonomi AS juga sangat besar — sekitar 23 triliun dolar. Maka percepatan (a) yang dihasilkan hanya sekitar 5-6% pertumbuhan GDP.

Bandingkan dengan negara kecil seperti Timor Leste. Stimulus seratus juta dolar di negara dengan ekonomi kecil akan menghasilkan percepatan yang sangat besar — bisa mencapai double digit growth. Bukan karena kebijakannya lebih baik, tapi karena massanya lebih kecil. Tentu saja penjelasan yang lebih tepat secara ekonomi adalah diminishing returns dan skala ekonomi — pasar besar seperti AS sudah memiliki tingkat pengembalian investasi yang lebih rendah per unit stimulus dibanding negara kecil yang masih “lapar” — tapi analogi massa Newton memberikan intuisi yang sama dengan cara yang lebih visual.

Hukum Ketiga Newton — Aksi-Reaksi.

Setiap aksi ada reaksi yang sama besar dan berlawanan arah.

Dalam ekonomi: setiap kebijakan akan memicu respons — baik dari pasar, pelaku ekonomi, maupun negara lain.

Contoh paling gamblang adalah perang dagang AS-China 2018-2019. Ketika Amerika Serikat menaikkan tarif impor barang-barang China (aksi), China membalas dengan menaikkan tarif impor barang-barang AS (reaksi). Keduanya sama-sama rugi — eksportir AS kehilangan akses pasar China, konsumen AS membayar lebih mahal untuk barang impor. Ini aksi-reaksi yang nyaris literal.

Contoh lain: currency war. Ketika satu negara mendevaluasi mata uangnya untuk mendorong ekspor, negara tetangga merespons dengan devaluasi juga. Aksi diperlambat, reaksi menyusul. Hasilnya? Semua negara sama-sama rugi karena efek kompetitifnya saling meniadakan.

Tentu saja, tidak semua reaksi ekonomi bersifat “sama besar dan berlawanan arah” secara simultan seperti dalam fisika. Kadang reaksinya tertunda, asimetris, atau tidak terduga. Tapi poinnya bukan soal ketepatan matematis — ini kerangka berpikir, bukan model. Poinnya adalah kesadaran bahwa tidak ada kebijakan yang terjadi dalam ruang hampa. Seperti dalam fisika, setiap aksi akan menemui konsekuensi.

Hukum Pascal dan Propagasi Krisis

Hukum Pascal adalah prinsip favorit saya dalam artikel ini karena memberikan penjelasan yang sangat elegan tentang bagaimana krisis keuangan global bisa menyebar begitu cepat.

Bunyi Hukum Pascal: Tekanan yang diberikan pada fluida dalam ruang tertutup diteruskan ke segala arah dengan sama besar.

Artinya, kalau kita menekan satu titik di fluida (misalnya air dalam pipa tertutup) tekanan itu langsung terasa di semua titik dalam fluida tersebut. Tidak peduli seberapa jauh titik itu dari sumber tekanan.

Sekarang, ganti air dengan uang.

Sistem keuangan global modern adalah fluida dalam ruang tertutup. Bank, institusi keuangan, dana pensiun, dan investor di seluruh dunia saling terhubung melalui pinjaman antar bank, derivatif, credit default swaps, dan investasi silang. Tidak ada sekat yang berarti.

Ketika satu titik gagal (katakanlah Lehman Brothers pada 15 September 2008) tekanannya langsung diteruskan ke seluruh sistem. Mari kita lihat kronologinya.

Langkah 1. Lehman Brothers default dengan utang 619 miliar dolar. Tekanan dimulai di titik A.

Langkah 2. Pasar uang AS macet. AIG, perusahaan asuransi raksasa, butuh bailout 182 miliar dolar karena menjamin obligasi Lehman.

Langkah 3. Tekanan merambat ke Eropa. Dexia dan Royal Bank of Scotland kolaps. Bank-bank di Eropa ternyata punya eksposur besar ke pasar subprime AS.

Langkah 4. Investor global panik dan menjual saham di mana pun. Indeks di seluruh dunia turun 30-50%.

Langkah 5. Negara berkembang seperti Indonesia — yang sama sekali tidak punya masalah subprime mortgage — tetap kena imbasnya. IHSG turun 50%. Ekspor drop. Aliran modal asing keluar besar-besaran.

Yang membuat Hukum Pascal menakutkan adalah frasa sama besar. Artinya, negara yang tidak punya masalah sama sekali bisa terkena dampak seberat negara yang menjadi sumber krisis. Ini bukan soal salah atau benar. Ini soal fisika fluida.

Tentu saja analogi ini tidak sempurna. Dalam sistem keuangan, tidak semua tekanan diteruskan sama besar — ada yang namanya redaman alami atau firewall. Bank sentral bisa menyuntik likuiditas untuk menahan rambatan krisis. Pasar modal punya circuit breaker yang menghentikan perdagangan saat volatilitas ekstrem. Negara bisa menerapkan kontrol modal seperti yang dilakukan Malaysia pada 1998. Jadi, Pascal dalam fluida ideal (incompressible, tanpa hambatan) memang meneruskan tekanan sama besar ke segala arah — tapi sistem keuangan punya redaman, kebocoran, dan sekat yang tidak dimiliki fluida ideal. Meski begitu, esensinya tetap relevan: dalam dunia yang saling terhubung, tidak ada krisis yang benar-benar terlokalisasi. Tekanan di satu titik tetap akan merambat — yang diperdebatkan hanyalah seberapa cepat dan seberapa besar redamannya.

Implikasinya.

Pertama, pentingnya sekat atau firewall. Malaysia di bawah Mahathir pada 1998 menerapkan kontrol modal — ini seperti memasang katup di pipa Pascal untuk mencegah tekanan dari luar masuk.

Kedua, konsep Too Big to Fail. Kalau satu titik terlalu besar tekanannya, seluruh sistem terancam. Makanya pemerintah rela merogoh kocek triliunan untuk bailout.

Ketiga, bank stress test. Regulator harus rutin menguji apakah satu kebocoran di bank A bisa menekan seluruh sistem seperti Pascal.

Mekanika Statistik dan Distribusi Kekayaan

Saya pernah menuliskan artikel yang mirip prinsipnya dengan prinsip fisika ini. Ternyata distribusi uang di masyarakat bisa dijelaskan dengan prinsip yang sama seperti distribusi energi partikel gas dalam fisika.

Konsep dasarnya sederhana.

Dalam fisika statistik, bayangkan sebuah wadah tertutup berisi jutaan partikel gas yang saling bertumbukan secara acak. Setelah cukup lama, energi partikel-partikel ini akan terdistribusi mengikuti pola tertentu yang disebut distribusi Boltzmann-Gibbs. Bentuknya eksponensial: sebagian besar partikel punya energi di sekitar rata-rata, dan semakin tinggi energinya, semakin sedikit jumlah partikel yang memilikinya.

Sekarang, bayangkan masyarakat sebagai wadah dan uang sebagai energi. Manusia saling bertransaksi — jual beli, gajian, belanja — seperti partikel yang saling bertumbukan. Setelah cukup banyak transaksi acak, distribusi uang akan mengikuti pola yang mirip dengan distribusi Boltzmann-Gibbs.

Tapi data menunjukkan sesuatu yang lebih kompleks.

Ketika fisikawan seperti Victor Yakovenko dan Adrian Drăgulescu meneliti data pendapatan riil di Amerika Serikat pada awal tahun 2000-an, mereka menemukan bahwa distribusi pendapatan sebenarnya terdiri dari dua rezim yang berbeda.

Rezim pertama mencakup sekitar 90-95% populasi — kelas bawah dan menengah. Distribusinya persis seperti Boltzmann-Gibbs: eksponensial, rapi, bisa diprediksi. Ini masuk akal karena sebagian besar orang menerima gaji yang tidak jauh berbeda dari rata-rata (di sekitar UMR), dan transaksi mereka relatif acak dan setara.

Tapi rezim kedua — 5-10% terkaya — mengikuti pola yang berbeda. Mereka mengikuti distribusi Pareto atau power law. Bentuknya ekor panjang (long tail) yang tidak pernah benar-benar mencapai nol. Artinya, selalu ada orang yang kekayaannya ribuan kali lipat dari rata-rata.

Temuan ini mirip dengan tulisan saya sebelumnya terkait distribusi kekayaan menggunakan simulasi agent-based modelling.

Kenapa bisa begitu?

Jawabannya ada pada sifat modal. Orang kaya tidak bertransaksi secara acak seperti partikel gas. Mereka punya akses ke modal, informasi, jaringan, dan instrumen investasi yang tidak dimiliki orang biasa. Mereka bisa membeli aset yang menghasilkan lebih banyak aset. Dan yang paling penting: return on capital hampir selalu lebih besar dari return on labor. Modal menghasilkan lebih cepat daripada gaji.

Inilah yang disebut ekonom Prancis Thomas Piketty sebagai r > g — tingkat pengembalian modal (r) lebih besar dari pertumbuhan ekonomi (g). Selama r > g, konsentrasi kekayaan akan terus membesar. Ini bukan soal moral; ini soal matematika dan fisika.

Apa artinya untuk kebijakan?

Distribusi Boltzmann-Gibbs pada 90% populasi menunjukkan bahwa mekanisme pasar yang relatif bebas dan acak sebenarnya menghasilkan distribusi yang cukup adil untuk sebagian besar orang. Tapi distribusi Pareto pada 10% terkaya menunjukkan bahwa tanpa intervensi, konsentrasi kekayaan cenderung memburuk dengan sendirinya.

Pajak progresif bisa meredistribusi tanpa distorsi besar pada kelompok pertama. Tapi untuk kelompok kedua, dibutuhkan instrumen yang lebih kuat — seperti pajak kekayaan, pajak warisan, atau kebijakan struktural yang mengubah akses terhadap modal.

Teori Perkolasi dan Penyebaran Krisis Keuangan

Ini adalah satu lagi konsep fisika yang memberikan penjelasan intuitif untuk fenomena yang kita saksikan langsung pada 2008 dan berulang pada 2020.

Teori perkolasi pada awalnya dikembangkan untuk memahami bagaimana cairan merembes melalui media berpori seperti batu, pasir, atau spons. Bayangkan batu karang yang punya pori-pori kecil. Kalau pori-porinya sedikit dan tidak saling terhubung, air tidak akan bisa merembes jauh. Tapi kalau pori-porinya cukup banyak dan saling terhubung, air bisa mengalir dari satu sisi batu ke sisi lainnya.

Para fisikawan menemukan bahwa ada ambang kritis — disebut percolation threshold — di mana sistem tiba-tiba berubah dari tidak tembus air menjadi sangat tembus air. Di bawah ambang itu, cluster-cluster kecil terbentuk tapi tidak saling terhubung. Tepat di atas ambang itu, terbentuk cluster raksasa yang menghubungkan seluruh sistem.

Dalam keuangan.

Bayangkan grid yang setiap titiknya adalah bank, perusahaan, atau negara. Koneksi antar titik adalah pinjaman, investasi, derivatif, dan credit default swaps. Pada tingkat interkoneksi yang rendah (di bawah ambang), kalau satu bank gagal, cluster kecil terbentuk tapi tidak menjalar ke seluruh sistem.

Tapi ketika interkoneksi sudah melampaui ambang kritis — dan ini terjadi secara alami seiring globalisasi dan integrasi keuangan — satu kegagalan bisa memicu cluster raksasa yang menjangkiti seluruh sistem. Inilah yang disebut systemic risk.

Mari kita lihat 2008 dalam kerangka perkolasi.

Fase pra-krisis (2000-2006). Globalisasi keuangan meningkat pesat. Bank-bank di seluruh dunia saling menjual mortgage-backed securities (MBS). Koneksi antarbank semakin padat. Kita mendekati ambang kritis, tapi belum ada yang sadar.

Fase 2006-2007. Beberapa kredit subprime mulai gagal. Cluster kecil mulai terbentuk. Tapi masih terlokalisasi — bank A gagal, bank B di negara lain tidak terpengaruh.

Maret 2008. Bear Stearns kolaps dan diakuisisi JP Morgan dengan bantuan Federal Reserve. Cluster membesar. Tapi masih belum raksasa.

September 2008. Lehman Brothers default. Ini adalah titik di mana ambang kritis terlampaui. Dalam hitungan hari, cluster raksasa terbentuk. AIG, Merrill Lynch, Washington Mutual, bank-bank di Eropa — semuanya terseret. Tidak ada yang tersisa kering. Seluruh sistem keuangan global “basah”.

Pelajaran untuk regulator.

Yang menarik, teori perkolasi memberikan kerangka berpikir yang jelas tentang trade-off fundamental dalam keuangan.

Di satu sisi, interkoneksi itu baik. Bank yang saling meminjamkan dan meminjam menciptakan likuiditas dan efisiensi. Integrasi keuangan memungkinkan modal mengalir ke tempat yang paling produktif. Ini argumen klasik pendukung globalisasi.

Tapi di sisi lain, setiap tambahan koneksi meningkatkan network density — mendekatkan sistem ke ambang kritis — dan meningkatkan risiko sistemik. Semakin terhubung suatu sistem, semakin besar potensi cluster raksasa terbentuk saat satu titik gagal.

Ini adalah ironi yang belum punya jawaban mudah. Regulator modern — seperti Federal Reserve, Bank of England, atau Otoritas Jasa Keuangan — sekarang secara rutin mengukur network density sistem keuangan dan menjalankan stress test untuk mengidentifikasi titik-titik yang jika gagal bisa melampaui ambang kritis. Tapi pada akhirnya, tidak ada yang tahu persis di mana ambang itu berada sampai kita melewatinya.

Epilog: Fisika Memberi Bahasa, Bukan Jawaban

Perjalanan dari klaim soal Habibie dan termodinamika telah membawa saya ke tempat yang tak terduga. Dimulai dari verifikasi fakta yang sederhana, saya berakhir dengan eksplorasi lima cabang fisika yang berbeda dan bagaimana semuanya bisa menjelaskan fenomena ekonomi dari sudut pandang yang unik.

Ada satu benang merah yang bisa saya tarik dari semua ini. Fisika tidak memberikan jawaban pasti tentang apa yang harus dilakukan dalam ekonomi. Tapi fisika memberikan bahasa dan kerangka berpikir yang sangat kuat untuk memahami sistem kompleks.

Bahwa ekonomi bukanlah mesin linier yang rapi dengan hubungan sebab-akibat yang sederhana. Ekonomi adalah sistem yang memiliki inersia, yang bisa mengalami transisi fase tiba-tiba, yang tunduk pada hukum kekekalan dan degradasi, dan yang distribusinya mengikuti hukum-hukum statistik yang mirip dengan partikel gas.

Habibie memilih pendekatan aerodinamika karena itu bahasa yang paling ia kuasai. Ilmuwan lain mungkin memilih entropi, perkolasi, atau mekanika statistik. Semua fisika, hanya lensa yang berbeda.

Yang penting, kita sadar bahwa dunia tidak sesederhana yang terlihat di spreadsheet.

if you find this article helpful, support this blog by clicking the ads.

Sebagaimana pernah saya ceritakan beberapa tahun lalu, saya ditunjuk sebagai bendahara mushalla di komplek. Walau jika saya pikirkan kembali tadi siang, sepertinya legitimasi saya sebagai bendahara kurang kuat karena ada prosedur yang tidak saya lalui. Namun bukan ini inti cerita di tulisan ini. Saya akan share satu point of view analisa data sederhana yang saya hadapi dalam kasus real di kehidupan sosial masyarakat. Begini ceritanya:

Pada 31 Mei 2026 lalu, saya (sebagai satu-satunya pengurus yang tersisa - karena sesuatu hal) mengundang panitia dan jamaah mushalla di komplek untuk berkumpul setelah shalat Isya. Agendanya simpel, yakni: penyampaian laporan keuangan dan distribusi daging qurban lalu diakhiri ngobrol santai sambil santap makan malam. Dari 66 orang jamaah yang ada di Whatsapp group, hanya 14 orang jamaah yang mendaftar untuk hadir dan nyatanya hanya 11 orang jamaah yang hadir.

Rasionya sangat kecil mengingat sudah menjadi kebiasaan bahwa jamaah yang aktif sebenarnya lu lagi, lu lagi.

Dalam kesempatan itu, ada ide untuk mengambil imam eksternal pada waktu Maghrib, Isya, dan Shubuh agar memudahkan jamaah shalat berjamaah. Kondisi saat ini, waktu adzan dan iqamah punya jeda yang panjang karena saling menunggu jamaah yang berkenan menjadi imam. Oleh karena itu, beberapa orang yang hadir pada rapat tersebut melanjutkan inisiatif tersebut untuk mencari imam eksternal.

Jamaah tinggal datang saat mendengar adzan dan shalat jamaah secara khusyuk. Tidak perlu deg-degan akan ditunjuk sebagai imam saat datang ke mushalla. hehe.

Singkat cerita, pada Ahad kemarin (7 Juni 2026), saya (lagi sebagai satu-satunya pengurus yang tersisa) memberikan informasi kepada jamaah bahwa akan ada imam dari eksternal yang akan hadir di mushalla.

Seperti halnya kebijakan pemerintah, tentu ada jamaah yang pro dan kontra. Suatu hal yang wajar dan bisa didiskusikan (seharusnya).

Lalu pada Senin paginya, saya coba memberikan tanggapan atas saran dan masukan yang diberikan beberapa jamaah:

Terima kasih atas saran dan masukan bapak-bapak semua.

Hal ini sudah dibahas bersama pada rapat pembubaran panitia qurban dan jamaah tanggal 31 Mei 2026 yang lalu.

Tujuan dari inisiatif ini adalah agar adzan dan shalat berjamaah bisa tepat waktu dan tidak perlu lagi saling menunggu siapa yang bersedia menjadi imam.

Tentunya tanggapan saya tersebut kembali ditanggapi oleh beberapa jamaah. Diantara semua tanggapan yang ada, saya melihat dua pernyataan yang cukup menggugah jiwa saya sebagai market researcher. Apa itu?

1. “Rapat yang diadakan tidak mewakili jamaah secara keseluruhan.”
2. “Jamaah yang mana?”

Saya coba pelan-pelan meresapi kedua kalimat ini.

Jangan-jangan apa yang kami usahakan ini (baca: mengambil imam eksternal ini) salah.

Jangan-jangan 11 orang jamaah yang hadir (termasuk saya sendiri) tidak bisa dikategorikan sebagai “jamaah”. hehe

Oke, mari kita telaah lagi.

Tentu jika menggunakan prinsip perhitungan jumlah sampling, 11 dari 66 orang sudah jelas tidak mewakili keseluruhan jamaah. TAPI perlu diperhatikan bahwa dari 66 orang member yang ada memang tidak semuanya merupakan member aktif. Bahkan hanya sebagian kecil saja yang rutin shalat di mushalla komplek saya (beberapa jamaah memilih untuk shalat di masjid di luar komplek). Seperti yang saya utarakan sebelumnya: lu lagi, lu lagi.

Jika saya mengambil metode non random sampling seperti judgmental sampling atau convenience sampling lalu menggunakan metode riset kualitatif (dianalogikan semacam FGD), tentu saya bisa membela diri dan mengklaim bahwa 11 orang ini sudah cukup untuk penggalian informasi. Sudah cukup concern terkait imam eksternal bisa ditindaklanjuti menjadi aksi nyata.

Tapi jika direnungi kembali, hal ini tidak mungkin dan tidak bisa saya jadikan pembenaran.

Kenapa? Karena saya masih belum bisa menjelaskan secara robust masalah keterwakilan dan pertanyaan “jamaah yang mana…?”

Oleh karena itu, untuk bisa menanggapi dan menjawab dua kalimat ini diputukan untuk melakukan survey ulang secara tertutup.

Survey Ulang

Ada tiga pertanyaan inti yang ditanyakan pada polling ini, yakni:

1. Opsi apa yang Anda pilih terkait sistem Imam shalat jamaah di mushalla? (single choice)
   • Opsi 1: Imam eksternal setiap hari
   • Opsi 2: Imam dari internal warga setiap hari
   • Opsi 3: Imam eksternal untuk weekdays dan imam dari internal untuk weekend
   • Opsi 4: Imam eksternal untuk weekend dan imam dari internal untuk weekdays
2. Jika kelak imam yang dipilih berasal dari internal jamaah, apakah Anda bersedia menjadi imam shalat jamaah?
   • Ya
   • Tidak
3. Kapan waktu yang Anda komit datang untuk membahas kepengurusan dan lainnya? (multiple choice)
   • Sabtu ba’da Isya
   • Ahad ba’da Shubuh

Quesioner dibuat sesimpel mungkin karena memang kondisinya saya sedang menepi sebentar saat menyetir. Walau demikian, saya rasa ketiga pertanyaan ini cukup bisa menjawab masalah yang dihadapi.

Penyebaran Quesioner

Oke, quesioner sudah jadi. Tugas berikutnya adalah menyebarkannya kepada semua jamaah di grup Whatsapp. Ternyata ada penambahan jumlah jamaah, sehingga sekarang ada 67 orang jamaah. Semua jamaah diminta mengisi survey ini secara mandiri.

Namun masalahnya adalah berapa banyak jamaah yang harus mengisi agar bisa dikatakan bahwa survey ini sudah mewakili jamaah?. Hal ini sangat penting, apalagi pertanyaan “jamaah yang mana…?” menjadi hal yang perlu dijawab secara baik dan benar.

Oke, untuk menentukan berapa banyaknya sampling minimal, ada berbagai macam cara yang bisa dilakukan. Kalau mau mudah, saya biasa menggunakan sample size calculator dari Raosoft yang sudah sering saya gunakan. Saya juga sudah pernah membahas tentang bagaimana cara menggunakannya di tulisan saya beberapa tahun silam.

Tapi rumus penentuan banyaknya sampling kan bukan cuma satu saja!

Betul! Ada berbagai macam cara. Saya spill empat cara termudah:

Cara 1: Minimal 30 Orang

Ini adalah aturan praktis paling sederhana: ambil saja minimal 30 orang, selesai. Logikanya mirip mencicipi masakan: kamu tidak perlu menghabiskan satu panci penuh untuk tahu apakah sup itu asin atau tidak, cukup beberapa sendok. Angka 30 lahir dari ilmu statistik yang bilang bahwa di atas jumlah itu, data mulai berperilaku “normal” dan bisa dipercaya. Untuk N = 67, sampelnya cukup 30 orang. Kelemahannya: angka ini tidak peduli seberapa besar atau kecil populasimu — 30 dari 100 orang tentu terasa berbeda dengan 30 dari 1.000.000 orang.

Cara 2: 50% + 1 Orang

Metode ini bilang: ambil lebih dari separuh populasi agar hasilmu benar-benar mewakili. Analoginya seperti voting — supaya suara dianggap sah dan mencerminkan mayoritas, minimal harus ada lebih dari 50% yang bicara. Untuk N = 67, hitungannya: 67 ÷ 2 = 33,5 → dibulatkan ke atas jadi 35 orang. Cara ini paling aman untuk populasi kecil karena kamu mengambil porsi yang sangat besar. Tapi untuk populasi jutaan orang, cara ini tidak praktis — kamu harus survei setengah negeri.

Cara 3: Formula Slovin

Cara ini lebih cerdas karena kamu bisa menentukan sendiri seberapa besar “toleransi kesalahan” yang kamu mau (disebut margin of error, dilambangkan e). Rumusnya:

Semakin kecil toleransi kesalahanmu, semakin banyak sampel yang dibutuhkan — seperti mengukur panjang meja: kalau kamu mau akurat sampai milimeter, kamu butuh penggaris yang lebih teliti dibanding kalau cukup akurat sampai sentimeter. Untuk N = 67 dengan e = 10%, hasilnya: 67 ÷ (1 + 67 × 0,01) = 67 ÷ 1,67 = 41 orang. Kelemahannya: formula ini punya asumsi tersembunyi yang tidak selalu dijelaskan, sehingga kadang dipakai sembarangan.

Cara 4: Formula Cochran

Ini cara paling lengkap karena memperhitungkan tingkat kepercayaan, proporsi, dan margin of error sekaligus. Rumus dasarnya untuk populasi besar:

Lalu dikoreksi untuk populasi kecil:

Bayangkan kamu sedang membuat jaring untuk menangkap ikan — formula ini menghitung ukuran jaring yang tepat berdasarkan seberapa banyak ikan yang ada, seberapa sering ikan berenang ke arahmu, dan seberapa kecil lubang jaringnya. Untuk N = 67 dengan asumsi standar (Z = 1,96, p = 0,5, e = 5%), hasilnya: 58 orang. Kelemahannya: paling rumit dihitung dan membutuhkan asumsi awal tentang proporsi yang kadang belum diketahui.

Tabel Perbandingan

Kesimpulan praktis: Tidak ada satu cara yang selalu terbaik. Untuk populasi kecil dan situasi informal, Cara 1 atau 2 sudah cukup. Untuk penelitian yang butuh akurasi terukur, gunakan Slovin (Cara 3) atau Cochran (Cara 4).

Untuk kasus survey jamaah mushalla ini, saya sih prefer lebih banyak jamaah yang isi, hasilnya lebih representatif.

Hasil Survey

Perolehan Responden

Oke, per tanggal 9 Juni pukul 13.49 WIB sudah terkumpul 45 orang jamaah yang mengisi surveynya. Apakah 45 orang sudah cukup mewakili? Begini cara jawabnya.

Dengan asumsi confidence level sebesar 80%:

Karena populasinya kecil dan terbatas, kita pakai formula dengan koreksi populasi terbatas (Finite Population Correction):

Keterangan:

Langkah perhitungan:

1. p(1−p) ÷ n = 0,25 ÷ 45 = 0,005556
2. Koreksi populasi terbatas: (67−45) ÷ (67−1) = 22 ÷ 66 = 0,3333
3. 0,005556 × 0,3333 = 0,001852
4. √0,001852 = 0,04303
5. e = 1,282 × 0,04303 = 0,05516

Hasil: Margin of Error = ±5,52%

Apa artinya?

Confidence level 80% berarti jika kita mengulang survei ini 10 kali dengan cara yang sama, 8 dari 10 kali hasilnya akan masuk dalam rentang ±5,52% tersebut dan 2 kali sisanya bisa meleset lebih jauh.

Dengan 45 jamaah dari 67 orang, kita sudah cukup yakin (80%) bahwa hasilnya tidak akan meleset lebih dari ±5,52% dari kondisi sebenarnya di populasi.

Dari paparan ini, semoga saja para jamaah sepakat bahwa hasil survey ini bisa dibilang mewakili.

Tabulasi Data

Berikut adalah tabulasi data hasil survey.

Pertanyaan pertama.

Opsi imam shalat Jamaah Maghrib, Isya, dan Shubuh:

Pertanyaan ini adalah single choice di mana jamaah hanya bisa memilih satu jawaban saja.

Pertanyaan kedua.

Jika diputuskan Imam berasal dari warga internal CCR, apakah Anda bersedia menjadi Imam di (salah satu atau beberapa waktu shalat) Maghrib, Isya, dan Shubuh?

Pertanyaan ini adalah single choice di mana jamaah hanya bisa memilih satu jawaban saja.

Pertanyaan ketiga.

Jika Mushalla As Salaam hendak mengundang rapat terkait pembahasan kepengurusan dan lainnya, pilih waktu yang Anda komitmen untuk datang:

Pertanyaan ini adalah mutiple choice di mana jamaah hanya bisa memilih lebih dari satu jawaban. Wajar karena bisa jadi jamaah tersebut bisa di dua waktu yang ditetapkan.

Sekarang saya coba tanya kepada pembaca:

Setelah melihat grafik-grafik di atas, apa kesimpulan yang bisa diambil?

Kalau kata saya sih jangan buru-buru ambil keputusan. Akan lebih seru kalau kita coba analisa lebih lanjut.

Analisa Lebih Lanjut

Jamaah yang Bersedia Menjadi Imam

Pada survey ini, tercatat ada 13 orang yang bersedia menjadi Imam. Alhamdulillah, berarti bisa jadi mushalla tidak kekurangan imam dan bisa langsung menggunakan tenaga dari internal.

TAPI sayangnya informasi ini tidak bisa dipakai langsung untuk mengambil keputusan. Kenapa?

Pertama 5 dari 13 orang yang bersedia ini termasuk ke dalam jamaah yang hadir saat pembubaran panitia. Jadi mereka sudah teruji. hehe

Kedua 2 dari 13 orang yang bersedia termasuk ke dalam orang yang aktif di mushalla dan memang sudah sering menjadi imam. Jadi mereka juga sudah teruji.

Ketiga 2 dari 13 orang bisa dikategorikan sebagai jamaah yang tidak rutin datang ke mushalla karena domisilinya tidak tetap di komplek saya. Namun demikian, kedua orang ini berarti bersedia menjadi imam saat berada di komplek.

Keempat 4 dari 13 orang sisanya bahkan saya tidak mengenalnya (wajar karena saya yang relatif warga baru).

Jadi kalau mau dikoreksi, tabulasi yang sebenarnya adalah hanya ada 7+2 orang yang bersedia menjadi imam shalat berjamaah dan cukup reliabel untuk dimintakan tolong.

Kenapa filterisasi ini penting? Sebagai market researcher saya terbiasa untuk menghindari noise sebisa mungkin.

Namun saya tetap berhusnudzon, semoga saja 6 orang lainnya ini tetap mau dan bersedia menjadi imam. Barangkali selama ini mereka belum mendapat kesempatan saja untuk menjadi imam. Alhamdulillah saya sangat senang mendengarnya.

Opsi Imam vs Kesediaan Menjadi Imam

Ada satu pertanyaan yang selalu menggema di kepala saya sejak awal membuat quesioner:

Apakah jamaah yang memilih opsi Imam dari kalangan internal baik saat weekend dan weekdays mau menjadi imam?

Ternyata jawabannya tidak selalu seperti itu.

Saya coba untuk membuat crosstabulasi-nya sebagai berikut:

Keterangan singkatan: HK = Hari Kerja | AP = Akhir Pekan

Sebagian besar jamaah yang bersedia menjadi imam berasal dari opsi mixed di pertanyaan pertama. Bagaimana jika saya lakukan filterisasi sebagaimana bagian sebelumnya? Apakah ada perubahan?

Keterangan singkatan: HK = Hari Kerja | AP = Akhir Pekan

Polanya sedikit berubah menjadi mirip-mirip apapun pilihan opsi imamnya.

“Jamaah yang Mana?”

Ini mungkin analisa yang paling rumit menurut saya. Rumit karena saya harus bertanya lagi lebih dalam. Berkontemplasi…

Saya harus bisa membedakan mana fakta dan mana opini pribadi saya. Maka saya akan lakukan dengan sangat hati-hati.

Berasal dari prinsip bahwa target responden pada setiap penelitian adalah benar-benar semua orang dengan karakteristik yang dituju dalam penelitian, maka saya bisa saja melakukan filter atau pemilihan responden.

Jika target saya adalah jamaah existing yang sudah sering ke mushalla, maka saya perlu menghapus semua noise yang ada. Konsekuensinya apa? Bisa jadi jumlah responden menjadi drop. Masih ingat kejadian undangan pembubaran panitia? Bisa jadi n respondennya menjadi setengah dari yang ada sekarang. Lalu bisa jadi semua temuan yang ada berubah.

Dibantu oleh beberapa jamaah, kami memverifikasi ada 20 orang yang dikategorikan sebagai target responden dan ini hasil tabulasinya:

Jika target saya adalah semua jamaah yang ada di komplek saya, dengan tujuan agar semua jamaah berpartisipasi dan jadi ingin lebih sering ke mushalla, maka saya tidak perlu melakukan filter apa-apa dan menerima semua fakta yang ada di survey ini.

Justru saya dan beberapa orang jamaah senang sekali jika semua warga muslim yang ada di komplek menjadi aktif meramaikan dan memakmurkan mushalla.

TAPI ada satu plot twist yang terjadi. Masih ingat dengan dua pernyataan penggugah jiwa di atas?

Saya tidak menemukan jamaah yang bertanya: “jamaah yang mana?” di dalam survey.

Hal ini justru membuat saya jadi deg-degan. Kenapa? Jangan-jangan survey ini tidak menargetkan jamaah yang dituju dalam penelitian. hehe

Lantas pertanyaan yang mungkin valid untuk ditanyakan balik adalah: “Apakah Anda jamaah? Apakah saya juga jamaah? Lalu siapakah jamaah yang dimaksud? Apakah arti jamaah? Jamaah, oh jamaah…”

Mungkin hanya Ustadz Maulana yang bisa menjawabnya. hehe

Lanjut analisa selanjutnya saja ya.

Uji Proporsi

Oke, sekarang saya asumsikan saja bahwa 45 orang yang mengisi adalah benar-benar jamaah. Ini adalah analisa yang paling saya sukai dari tulisan ini.

Apa Itu Uji Proporsi?

Uji proporsi adalah cara statistik untuk menjawab pertanyaan: “Apakah perbedaan yang kita lihat itu nyata, atau hanya kebetulan?” Misalnya, dari 45 jamaah, 15 orang memilih opsi A dan 12 orang memilih opsi B. Secara angka sudah berbeda — tapi apakah perbedaan itu cukup besar untuk dianggap bermakna, atau bisa saja terjadi secara kebetulan karena jumlah sampelnya terbatas?

Uji ini menghasilkan nilai p-value: semakin kecil nilainya, semakin kuat bukti bahwa perbedaannya memang nyata. Ambang batas yang umum digunakan adalah p < 0,05 — jika p-value di bawah angka itu, perbedaannya dianggap signifikan.

Apa Itu Uji Proporsi Berpasangan?

Karena ada 5 opsi jawaban, kita tidak cukup hanya membandingkan satu pasang saja. Uji proporsi berpasangan (pairwise) membandingkan setiap pasang kombinasi satu per satu — menghasilkan 10 perbandingan dari 5 opsi yang ada. Hasilnya disajikan dalam tabel matriks: setiap sel menunjukkan apakah dua opsi tersebut berbeda secara signifikan atau tidak.

Hasil Uji

Kesimpulan praktisnya: Tidak ada satu opsi yang secara statistik “menang” di antara tiga pilihan utama.

Artinya keputusan terbaik memang perlu mempertimbangkan faktor di luar angka survey. Musyawarah dan ngobrol dengan cara yang santun mungkin akan lebih bisa mendapatkan hasil yang terbaik.

Waktu Rapat

Oleh karena musyawarah adalah jalan ninja terbaik saat ini, mari kita lihat detail tabulasinya. Perlu saya ingatkan kembali bahwa pertanyaan waktu rapat bersifat multiple choice sehingga orang bisa memilih lebih dari satu.

Dari grafik sebelumnya kita bisa lihat bahwa opsi Ahad Ba’da Shubuh adalah opsi yang paling banyak dipilih. Tapi apakah ada irisan antara opsi tersebut dengan opsi lainnya? Upset diagram berikut akan memperlihatkan faktanya:

Ternyata hanya ada 1 orang jamaah saja yang bisa di kedua waktu. Sementara dua opsi tertinggi dijawab secara exclusive.

hmm, menarik… Semoga saja jika rapat diadakan pada Ahad Ba’da Shubuh, warga yang yang memilih opsi lain bisa tetap datang.

Epilog

Saya cuma berharap, paparan di atas bisa menanggapi dan menjawab dua pernyataan penggugah jiwa secara sederhana dan santun. Saya juga tidak ingin terjebak ke dalam perdebatan sengit antar opsi. Semangat yang harus dibangun adalah semangat kebersamaan dengan niat yang tulus dan ikhlas. Maka dari itu, apapun hasil surveynya bagi saya pribadi tidak akan saya jadikan pembenaran atas inisiatif yang pernah diambil oleh sebagian jamaah.

Justru saya pribadi malah ingin menarik diri dari segala keriuhan yang terjadi. Saya takut niat saya sudah jauh melenceng dari yang semestinya.

Maka dari itu tidak ada bagian kesimpulan pada tulisan ini. Saya akan biarkan menjadi open agar menjadi renungan bersama:

Untuk apa mushalla didirikan?

Wassalam.

Klaim ini terdengar masuk akal. Mourinho adalah salah satu pelatih yang sukses di Premier League. Kata-katanya punya bobot (namanya juga the Special One). Tapi sebagai seseorang yang terbiasa bekerja dengan data, saya punya satu kebiasaan buruk: saya susah menerima sesuatu begitu saja tanpa melihat buktinya.

Jadi saya coba verifikasi, berikut adalah penelusuran saya…

Mourinho dan “100 Gol”: Mitos yang Tidak Terbukti

Setelah menelusuri berbagai sumber, termasuk transkrip konferensi pers pertama Mourinho di Chelsea pada 2 Juni 2004, arsip media berbahasa Inggris, Portugis, hingga Spanyol, tidak ada satu pun catatan yang mengkonfirmasi bahwa Mourinho pernah mengucapkan klaim tersebut.

Ternyata saya halu… hehe

Namun ada satu hal yang lebih menarik lagi, jika kita melihat tim Chelsea paling ikonik yang pernah ia latih yaitu musim 2004-05, timnya justru menang liga dengan filosofi yang berlawanan dari klaim itu.

Chelsea menang liga bukan karena produktif mencetak gol, tapi karena hampir tidak bisa ditembus. Tujuh puluh dua gol adalah angka yang biasa-biasa saja untuk sebuah tim juara.

TAPI Mencetak 72 gol tapi hanya kebobolan 15 kali dalam 38 pertandingan itu yang luar biasa.

Klaim “100 gol” kemungkinan besar adalah mitos yang salah dinisbatkan kepada Mourinho. Sebuah konsep yang mungkin beredar di komunitas sepakbola lalu melekat pada namanya tanpa sumber yang jelas.

Lalu, Siapa yang Pernah Juara dengan 100+ Gol?

Meski klaim Mourinho tidak terbukti, pertanyaan berikutnya tetap menarik: apakah ada klub yang benar-benar juara Premier League dengan torehan 100 gol atau lebih?

Jawabannya: ada, tapi tidak banyak.

Dari seluruh sejarah Premier League sejak musim 1992-93 hingga musim 2025-26, hanya tiga kali sebuah tim juara dengan mencetak 100 gol atau lebih dalam satu musim.

Manchester City musim 2017-18 memegang rekor tertinggi dengan 106 gol sekaligus 100 poin dalam satu musim, yang hingga kini belum pernah diulang oleh siapapun. Sementara itu, ada dua tim yang mencetak 100+ gol tapi tidak berhasil juara: Liverpool dengan 101 gol di musim 2013-14 (kalah tipis 2 poin dari City) dan Manchester City sendiri dengan 102 gol di musim 2019-20 (kalah telak 18 poin dari Liverpool).

Artinya, 100 gol bukan jaminan juara dan bukan syarat mutlak untuk juara.

Lalu muncul pertanyaan yang lebih fundamental: kalau bukan soal 100 gol, apa sebenarnya yang menjadi DNA para juara Premier League?

Memotret Semua Juara dalam Satu Kanvas

Sebelum masuk ke analisis yang lebih dalam, saya merasa perlu melihat gambaran besarnya terlebih dahulu. Berikut adalah visualisasi gol yang dicetak oleh setiap juara Premier League dari musim 1992-93 hingga 2025-26.

Dari grafik ini terlihat jelas bahwa sebagian besar juara mencetak gol di kisaran 70 hingga 99 gol per musim. Garis kuning putus-putus di angka 100 menunjukkan betapa jarangnya sebuah tim juara melampaui ambang tersebut.

Dan kemudian ada Arsenal musim 2003-04 dengan label “Invincibles” di sana. Mereka juara tanpa terkalahkan satu kali pun sepanjang musim, dengan torehan 73 gol. Salah satu tim terbaik dalam sejarah sepakbola Inggris meraih gelar dengan angka yang sebenarnya “biasa saja”.

Kalau Bukan Gol, Lalu Apa?

Pertanyaan inilah yang kemudian mendorong saya untuk melakukan analisis yang lebih serius. Saya mengumpulkan data standings lengkap semua tim dari 34 musim Premier League melalui Wikipedia, lalu menghitung di mana posisi ranking para juara untuk setiap metrik statistik.

Hasilnya cukup mencerahkan.

Ada satu metrik yang sudah obvious, yakni jumlah kemenangan. Seluruh 34 juara Premier League sepanjang sejarah, tanpa terkecuali, adalah tim dengan kemenangan terbanyak di musim itu. Tidak ada satu pun pengecualian.

“Tentu saja ini obvious karena poin adalah produk dari kemenangan. Tapi yang menarik adalah seberapa konsistennya: dari 34 musim, tidak ada satu pun juara yang menang lebih sedikit dari tim lain lalu ‘menebusnya’ dengan seri.”

Sementara untuk metrik lainnya:

Pola yang muncul sangat konsisten: juara selalu masuk top 3 di tiga metrik pertama. Tapi untuk gol kebobolan, 55% juara ternyata bukan tim dengan pertahanan terkokoh di musim itu. Ini berarti juara tidak harus punya pertahanan terbaik, tapi juara hampir pasti menyerang dengan sangat baik.

Grafik timeline di atas memperlihatkan bagaimana garis kemenangan (kuning) hampir tidak pernah turun dari posisi teratas, sementara garis gol kebobolan (biru) bergerak jauh lebih liar ke bawah.

Menggali Lebih Dalam: Faktor yang Tidak Terpikirkan

Setelah menemukan bahwa kemenangan adalah faktor paling absolut, saya penasaran dengan hal-hal lain yang mungkin tersembunyi di balik data. Kali ini saya menyingkirkan faktor menang dan gol dari analisis, dan fokus pada sesuatu yang lebih tidak terduga.

Soal kekalahan, hasilnya sangat kuat: 79% juara adalah tim dengan kekalahan tersedikit di liga, dan 97% masuk top 3. Hampir sama absolutnya dengan faktor kemenangan.

Soal hasil seri justru berbeda cerita. Hanya 30% juara yang merupakan tim paling jarang seri. Ini angka yang kecil, tapi ada pola menarik di baliknya.

Juara tidak harus paling jarang seri, tapi mereka secara konsisten mengonversi pertandingan yang biasanya berakhir imbang menjadi kemenangan. Itu bedanya.

Kejutan Terbesar: Kekuatan Bermain Tandang

Ini yang paling mengejutkan dari seluruh analisis. Saya tidak menyangka bahwa performa tandang akan menjadi salah satu pembeda paling kuat antara juara dan bukan juara.

Lihat angka ini:

Rata-rata tim Premier League hanya menang 28,7% saat bermain di kandang lawan. Para juara? Hampir 60%. Selisihnya lebih dari dua kali lipat. Lalu ketika saya cek ranking poin tandang para juara, hasilnya juga sangat jelas:

Sebanyak 73% juara adalah tim dengan poin tandang terbanyak di liga, dan 97% masuk top 3. Ini hampir setara dengan kekuatan faktor kemenangan.

Analoginya begini: semua tim bisa tampil baik di depan pendukung sendiri. Tapi hanya tim terbaik yang bisa datang ke kandang lawan, dengan penonton yang memusuhi, dengan tekanan dan atmosfer yang berbeda, dan tetap pulang dengan poin.

Tentang Poin Gap dan Dominasi

Selain itu, saya juga menganalisis seberapa jauh para juara memimpin dari runner-up setiap musimnya.

Rata-rata juara unggul 7 poin dari runner-up. Tapi rentangnya sangat lebar:

• Mulai dari 0 poin (musim 2011-12 antara Manchester City dan Manchester United, selesai lewat selisih gol).
• Hingga 19 poin (musim 2017-18, Guardiola’s City yang benar-benar mendominasi).

Faktor yang Sering Diabaikan

Setelah membahas statistik pertandingan, saya ingin melihat dua hal lain yang jarang masuk dalam percakapan tentang gelar juara: apakah juara selalu punya top scorer liga, dan apakah juara selalu punya kiper clean sheet terbanyak?

Hasilnya cukup mengejutkan untuk yang pertama.

Hanya 17% dari musim yang ada, juara Premier League memiliki top scorer liga di klubnya. Delapan puluh tiga persen sisanya meraih gelar juara tanpa perlu mengandalkan pencetak gol terbanyak di liga.

Untuk clean sheet, angkanya sedikit lebih tinggi: 42% juara memiliki kiper dengan clean sheet terbanyak. Tapi ini tetap berarti lebih dari separuh juara tidak punya penjaga gawang terbaik versi statistik.

Kemudian soal poin total, pertanyaannya: seberapa banyak poin yang dibutuhkan untuk juara?

Distribusi ini memberikan gambaran yang realistis: tidak ada formula ajaib, tapi ada ambang batas yang cukup konsisten di kisaran 80-an hingga 90-an poin.

Arsenal 2025-26: Juara yang Berbeda dari Rata-rata

Musim ini Arsenal akhirnya memecah penantian 22 tahun. Sejak terakhir kali juara sebagai “The Invincibles” di 2003-04, The Gunners kembali mengangkat trofi Premier League pada musim 2025-26 dengan catatan 26 menang, 7 seri, 5 kalah dan total 85 poin.

Satu hal yang menarik perhatian saya adalah bagaimana profil Arsenal sebagai juara ini berbeda dari rata-rata juara historis.

Secara statistik kuantitatif, Arsenal musim ini berada di bawah rata-rata historis di hampir semua metrik.

Menariknya, jika dibandingkan dengan juara Arsenal sebelumnya (“The Invincibles” pada 2003-04), profilnya terlihat sangat kontras.

Dua tim yang sama-sama bernama Arsenal, sama-sama meraih 26 kemenangan, tapi dengan “DNA” yang berbeda. Arsenal 2003-04 adalah benteng yang tak tertembus, tak sekali pun kalah. Arsenal 2025-26 lebih manusiawi dalam hal angka, tapi menemukan cara berbeda untuk menjadi tangguh.

Di atas kertas, Arsenal 2025-26 bukan juara yang paling impresif secara statistik. 85 poin, misalnya, masuk di 53% terbawah dari semua juara historis Premier League. Gol dicetak dan selisih gol juga di bawah rata-rata.

Tapi inilah yang membuat musim ini istimewa. Yang membedakan Arsenal bukan angka-angka di atas, melainkan sesuatu yang lebih sulit diukur.

David Raya memenangkan Golden Glove dengan 19 clean sheet dan meraihnya untuk ketiga kali berturut-turut, menyamai rekor David Seaman. Arsenal menjadi tim pertama dalam sejarah Premier League yang menjalani satu musim penuh tanpa satu pun kartu merah. Yang juga luar biasa, sepanjang 38 pertandingan tidak ada satu pun wasit yang mengacungkan jari ke titik putih melawan Arsenal, artinya tidak ada pelanggaran di kotak penalti sendiri yang berbuah hukuman penalti bagi lawan. Ini bukan soal Raya yang sibuk menggagalkan tendangan penalti, melainkan soal kedisiplinan taktis seluruh tim yang begitu ketat sehingga situasi itu bahkan tidak pernah terjadi. Sebuah pencapaian yang juga belum pernah dicatat oleh siapapun dalam sejarah Premier League. Kemudian dengan 19 gol dari tendangan sudut, Arsenal memecahkan rekor liga yang sebelumnya berdiri di angka 16.

Arsenal 2025-26 adalah contoh tim yang menang bukan dengan cara yang paling spektakuler, tapi dengan cara yang paling disiplin.

Kisah Arsenal ini bukan anomali. Ia justru memperjelas sesuatu yang sudah tersembunyi di balik data selama 34 musim. Tidak ada satu pun profil tunggal seorang juara. Ada yang menang dengan gol banjir seperti City 2017-18. Ada yang menang dengan pertahanan besi seperti Chelsea 2004-05. Ada yang menang tanpa kekalahan seperti Arsenal 2003-04. Dan kini ada yang menang dengan disiplin tak terlihat seperti Arsenal 2025-26. Yang menyatukan mereka bukan caranya, tapi hasilnya: menang lebih banyak, kalah lebih sedikit, dan tampil luar biasa di tempat yang paling susah untuk tampil baik.

Apa yang Benar-benar Membuat Juara Premier League?

Setelah menelusuri data dari 34 musim Premier League, dari verifikasi klaim Mourinho hingga debut Arsenal sebagai juara musim ini, pola yang muncul cukup konsisten.

Para juara Premier League hampir selalu merupakan tim yang paling banyak menang dan paling sedikit kalah. Mereka hampir selalu masuk top 3 dalam hal selisih gol dan gol dicetak. Dan yang paling mengejutkan, mereka hampir selalu menjadi tim terkuat saat bermain di kandang lawan, sebuah indikator ketangguhan mental dan kualitas skuad yang jauh lebih jujur dibandingkan statistik kandang.

Sementara itu, hal-hal yang sering diasosiasikan dengan kehebatan tim, seperti memiliki top scorer liga atau punya pertahanan paling rapat, ternyata bukan prasyarat mutlak.

Arsenal musim 2025-26 membuktikan poin ini dengan sempurna. Mereka juara bukan karena paling produktif, bukan karena paling dominan, tapi karena paling konsisten dalam hal-hal yang tidak terlihat di highlight reel: tidak melanggar, tidak kebobolan penalti, menjaga clean sheet, dan menang di tempat-tempat yang paling susah untuk menang.

Kalau boleh saya simpulkan dalam satu kalimat: menjadi juara Premier League bukan soal menjadi yang paling mencolok di atas kertas, tapi soal menjadi yang paling susah untuk dikalahkan di lapangan manapun.

Kalau menurut Anda, kira-kira musim depan apakah ada tim yang bisa mematahkan pola ini? Atau mungkin Anda punya metrik lain yang lebih akurat untuk memprediksi juara? Silakan cek data dan skrip-nya, siapa tahu Anda menemukan sesuatu yang saya lewatkan.

Data bersumber dari Wikipedia (standings semua tim, semua musim Premier League 1992-2026), Arsenal.com, dan Premier League official. Seluruh analisis dan visualisasi dibuat menggunakan R dan ggplot2. Data dan skrip tersedia untuk direplikasi.

if you find this article helpful, support this blog by clicking the ads.