Panduan Karier Analisis Data Olahraga: Cara Memulai dari Nol di Indonesia

Beberapa tahun yang lalu, seorang mahasiswa Ilmu Komputer National Taiwan University (NTU) bertanya kepada saya: "Saya sangat ingin berkecimpung di bidang analisis data olahraga, tetapi sepertinya tidak ada pekerjaan seperti itu di Taiwan?"

Jawaban saya adalah: Ada, tetapi tidak banyak, dan pintu masuknya tidak seperti yang Anda bayangkan.

Artikel ini ingin mengupas tuntas wujud asli dari jalur karier ini—termasuk bagian-bagian yang tidak akan ditulis dalam deskripsi lowongan pekerjaan.

Sebenarnya Apa yang Dilakukan Bidang Ini?

Mari kita hilangkan satu kesalahpahaman terlebih dahulu: Seorang analis olahraga bukanlah seseorang yang duduk di depan komputer menjalankan model, lalu menyerahkan grafik yang indah dan pekerjaannya selesai.

Pekerjaan praktisnya secara garis besar dibagi menjadi tiga bagian:

Persiapan Pra-Pertandingan: Menganalisis kecenderungan lawan berikutnya. Ke mana arah bola mati mereka? Ke sisi mana pemain tertentu biasanya melakukan cut-in? Hal-hal ini harus disiapkan sebelum rapat staf pelatih, dan harus diringkas menjadi tiga hingga lima poin yang dapat dieksekusi—bukan laporan setebal 30 halaman.

Dukungan Selama Pertandingan: Melihat data secara real-time, mencatat peristiwa penting, dan memberi pelatih secarik kertas saat istirahat babak pertama. Tekanan waktunya sangat ekstrem.

Pasca-Pertandingan dan Jangka Panjang: Evaluasi, pelacakan perkembangan pemain, dan penilaian perekrutan (rekrutmen). Perekrutan adalah area di mana analis memiliki dampak paling besar di luar negeri—menggunakan data untuk menemukan pemain yang diremehkan adalah sumber keunggulan kompetitif bagi banyak tim.

Dari ketiga bagian ini, komunikasi mengambil porsi yang jauh lebih besar daripada yang dibayangkan kebanyakan orang. Sekeren apapun model Anda, jika pelatih tidak dapat memahaminya atau tidak mempercayainya, model itu tidak ada artinya.

Keterampilan Apa yang Dibutuhkan?

Dasar-dasar di sisi teknis:

• Python: pandas untuk memproses data, matplotlib atau plotly untuk visualisasi
• SQL: Sebagian besar data tersimpan di dalam database
• Dasar-dasar Statistik: Mengetahui apa itu ukuran sampel yang tidak memadai dan apa itu regression to the mean (regresi ke rata-rata). Ukuran sampel data olahraga seringkali sangat kecil hingga membuat putus asa; dengan empat puluh pertandingan dalam semusim, kesimpulan apa yang dapat Anda tarik sebenarnya memiliki batasan yang ketat.
• Kemampuan Visualisasi: Menggambarkan informasi spasial (peta panas lapangan, jaringan umpan) adalah keterampilan dasar dalam bidang ini.

Di sisi domain:

• Benar-benar memahami olahraga tersebut. Tidak ada jalan pintas untuk ini, Anda harus menonton banyak pertandingan.
• Mengetahui asumsi di balik berbagai indikator. Mengapa xG (Expected Goals) dihitung seperti itu, dan dalam situasi apa metrik tersebut akan menjadi bias/distorsi.

Hal yang paling diremehkan:

• Menerjemahkan analisis ke dalam bahasa manusia. "xG-nya overperform 0,4" tidak ada yang mau mendengarnya. "Gol yang dicetaknya musim ini empat lebih banyak daripada yang biasanya dicetak pemain rata-rata dalam peluang yang sama, dan ini biasanya tidak akan bertahan sepanjang musim" adalah cara agar orang-orang mendengarkan.

Cara Berlatih: Mulai dari Data Gratis

Kabar baiknya adalah materi tingkat pemula untuk bidang ini bersifat gratis.

StatsBomb secara rutin merilis kumpulan data event lengkap dari beberapa pertandingan untuk keperluan penelitian, dengan tingkat detail hingga posisi penjaga gawang saat tembakan dilepaskan. Nilai dari data ini adalah bahwa data tersebut berstandar tingkat industri—analisis yang Anda buat darinya menggunakan spesifikasi yang sama dengan yang ada di tangan analis tim profesional.

Alur latihan yang disarankan:

1. Ulangi analisis orang lain terlebih dahulu. Cari artikel analisis publik, dan gunakan data yang sama untuk membuat grafik yang sama. Langkah ini akan memaksa Anda untuk memahami struktur data.
2. Ajukan pertanyaan Anda sendiri. Pilih tim yang Anda kenal, ajukan pertanyaan spesifik (misalnya: "Apakah posisi pressing mereka maju ke depan setelah mengganti pelatih?"), dan selesaikan dari awal sampai akhir.
3. Tuliskan menjadi artikel untuk pembaca non-teknis. Langkah ini adalah yang paling melelahkan, sekaligus yang paling berharga. Anda akan menyadari bahwa Anda sebenarnya belum memikirkannya dengan matang.

Setelah menyelesaikan ketiga siklus ini, portofolio Anda akan lebih kuat daripada kebanyakan pelamar kerja.

Kondisi Nyata Pasar Taiwan

Sekarang mari kita bahas beberapa kenyataan yang kurang menyenangkan.

Lowongan pekerjaan sangat sedikit. Skala olahraga profesional di Taiwan terbatas; tidak banyak klub di CPBL, P.League, atau T1 yang memiliki analis data purnawaktu, dan kebanyakan dari mereka merangkap pekerjaan lain. Laboratorium ilmu keolahragaan di universitas dan perguruan tinggi memiliki permintaan, tetapi sebagian besar berbentuk proyek penelitian, bukan posisi tetap.

Struktur gaji yang kurang ideal. Keterampilan yang sama jika digunakan di industri keuangan atau teknologi biasanya akan menghasilkan gaji yang jauh lebih tinggi daripada industri olahraga. Ini adalah fenomena umum global, bukan hanya di Taiwan—banyak orang bertahan hidup mengandalkan gairah (passion).

Pintu masuknya seringkali bukan "melamar sebagai analis". Saya telah melihat jalur yang lebih sukses, dan kebanyakan dari mereka seperti ini: pertama-tama melakukan hal lain di tim (magang, administrasi, staf pendamping), kemudian secara proaktif membuat analisis dan menunjukkannya kepada pelatih untuk membuktikan nilainya, dan barulah posisi itu perlahan-lahan terbentuk. Bidang ini sangat bergantung pada "Anda membuat sesuatu terlebih dahulu".

Lalu di mana letak peluangnya? Saya pikir ada tiga arah yang layak untuk dilihat:

Pertama, rintisan (startup) teknologi olahraga. Perusahaan seperti analisis video, perangkat yang dapat dikenakan (wearables), dan kedokteran olahraga membutuhkan orang yang memahami olahraga sekaligus data, dan struktur gajinya lebih sehat daripada klub olahraga.

Kedua, perjudian/taruhan dan media. Kedua sektor ini adalah pembeli data olahraga terbesar di skala internasional. Skala bisnis perusahaan seperti Sportradar dan Stats Perform jauh lebih besar daripada tim tunggal mana pun. Orang Taiwan dapat berpartisipasi dalam proyek internasional dari jarak jauh, dan jalur ini jauh lebih realistis daripada mencari pekerjaan di klub olahraga di dalam negeri.

Ketiga, jadikan sebagai keahlian kedua. Pekerjaan utama Anda adalah teknik atau analisis data, dan gunakan waktu luang Anda untuk melakukan analisis olahraga, mengelola konten, dan berpartisipasi dalam komunitas. Jalur ini memiliki pendapatan yang stabil, dan siapa tahu, suatu hari nanti kesempatan akan menghampiri Anda.

Tiga Saran bagi Mereka yang Ingin Memasuki Industri Ini

Satu, pilih satu cabang olahraga dan pelajari secara mendalam, jangan menyentuh semuanya. Ekosistem data sepak bola adalah yang paling matang, diikuti oleh bola basket, dan bisbol memiliki tradisi yang sangat mendalam di Amerika Serikat. Untuk kasus Taiwan, komunitas dan ketersediaan data bisbol relatif baik.

Dua, publikasikan karya Anda. Budaya komunitas di bidang ini sangat terbuka, dan pekerjaan pertama banyak orang berasal dari analisis yang mereka terbitkan secara online dan dilihat oleh orang lain. Yang kurang di Taiwan bukan bakatnya, melainkan kesempatan untuk dilihat.

Tiga, belajarlah untuk berbicara dengan pelatih. Saya mengatakan kalimat ini untuk ketiga kalinya karena ini benar-benar yang paling penting. Keterampilan teknis dapat dipelajari, tetapi sangat sedikit orang yang bersedia berjongkok di pinggir lapangan mendengarkan keluhan pelatih dan memahami masalah apa yang sebenarnya ingin mereka selesaikan.

Kesimpulan dan Komentar TheAI學院

Analisis data olahraga masih merupakan lingkaran kecil di Taiwan, sangat kecil sehingga jika Anda mengerjakannya dengan serius selama dua tahun, orang-orang di dalam lingkaran tersebut akan mengenali Anda. Ini adalah batasan sekaligus peluang.

Komentar: Bidang ini tidak kekurangan orang yang bisa menjalankan model, yang kurang adalah orang yang dapat menerjemahkan angka ke dalam bahasa yang dapat dipahami oleh pelatih dan benar-benar memahami olahraga tersebut. Keterampilan adalah tiket masuk, pemahaman adalah parit pertahanan (moat).

Saran konkret untuk pembaca di Taiwan: Unduh kumpulan data publik bulan ini, buat satu grafik, lalu tulis menjadi artikel yang bahkan dapat dipahami oleh bibi Anda. Anda tidak perlu menunggu keterampilan Anda menjadi sempurna; membuat hal pertama jauh lebih penting daripada apa pun. Buat tiga karya dalam tiga bulan, dan Anda akan memiliki portofolio.

Bacaan lanjutan: Alur Analisis Video Pertandingan AI untuk Tim Akar Rumput, Mengelola Beban Latihan dengan AI. Keterampilan data dapat dimulai dari Panduan Analisis Data AI, dan untuk alat-alatnya, kunjungi Perpustakaan Templat Prompt untuk mencari perintah analisis yang sudah jadi.

Sumber Data

• Situs Resmi dan Data Publik StatsBomb
• Situs Resmi Stats Perform

(Artikel ini disusun berdasarkan informasi publik dan wawancara industri. Lowongan pekerjaan dan kondisi gaji berfluktuasi seiring dengan pasar dan hanya sebagai referensi.)