Pembelajaran mesin dan taruhan: apa itu dan cara kerjanya, tanpa basa-basi

• Model belajar dari pertandingan lama dan mengembalikan probabilitas, bukan kepastian.
• Yang berbahaya adalah overfitting: benar semua di masa lalu dan gagal saat live.
• Untuk tahu apakah ia berguna, lihat kalibrasi, Brier, dan ROI, dan selalu validasi menurut waktu.

Apa itu pembelajaran mesin, dengan bahasa sehari-hari?

Ia adalah program yang belajar dengan melihat contoh.

Alih-alih memberinya aturan, kamu menunjukkan ribuan pertandingan yang sudah dimainkan.

Setiap pertandingan membawa data masukan dan hasil akhir.

Program mencari data mana yang biasanya berpasangan dengan hasil mana.

Lalu ia memakai pola itu untuk memperkirakan pertandingan yang belum dimainkan.

Bayangkan seorang anak yang belajar membedakan anjing dan kucing.

Tidak ada yang menjelaskan anatominya.

Ia melihat banyak foto dan mulai menyadari apa yang berulang.

Pada pertandingan sama saja, hanya saja dengan angka.

Artikel ini adalah versi sederhana dan non-teknis.

Kalau kamu ingin gambaran tentang cara kerja sebuah algoritma utuh, baca cara kerja algoritma taruhan.

Di sini kami fokus pada cara ia belajar dan cara ia tertipu.

Data apa yang kamu berikan dan apa yang dikembalikan?

Data masukan disebut variabel.

Bisa berupa gol terbaru, kandang atau tandang, hari istirahat, odds penutup, atau cedera.

Keluarannya biasanya probabilitas untuk setiap hasil yang mungkin.

Model tidak memutuskan apakah kamu bertaruh.

Ia hanya memperkirakan.

Keputusan datang dari membandingkan probabilitasnya dengan probabilitas dari odds.

Ini dijelaskan di artikel probabilitas implisit dan dihitung oleh kalkulator nilai harapan.

Pelatihan, validasi, dan pengujian: tiga blok data

Model yang serius tidak pernah diukur dengan data yang dipakainya belajar.

Karena itu data dipisah menjadi tiga blok.

Masing-masing punya tugas berbeda.

1. Pelatihan: pertandingan yang dipakai model untuk belajar. Ini bahan belajarnya.
2. Validasi: pertandingan yang kamu pakai untuk menyetel dan membandingkan versi. Ini ujian latihan.
3. Pengujian: pertandingan yang tidak disentuh siapa pun sampai akhir. Ini ujian sungguhan dan hanya dipakai sekali.

Kalau kamu memakai blok pengujian berkali-kali, ia berhenti menjadi pengujian.

Akhirnya kamu menyetel model agar cocok dengan ujian itu.

Ini jebakan yang umum dan sangat sulit disadari.

Apa itu overfitting dan mengapa ia merusak begitu banyak model?

Overfitting terjadi ketika model menghafal, bukan belajar.

Ia mempelajari bahkan faktor kebetulan dari pertandingan lama.

Gol dari pantulan, penalti yang meragukan, hujan deras.

Hal-hal itu tidak berulang, tetapi model mengira berulang.

Ini seperti murid yang menghafal jawaban ujian tahun-tahun sebelumnya.

Kalau soalnya berubah, ia tidak tahu apa-apa.

Ia mendapat sepuluh di latihan dan empat di ujian sungguhan.

Contoh: model yang tampak sempurna

Semua angka di tabel ini adalah contoh rekaan untuk menjelaskan idenya.

Bayangkan 20 pertandingan untuk berlatih dan 20 pertandingan baru untuk menguji.

Model dengan terlalu banyak aturan menyesuaikan diri dengan setiap detail kelompok pertama.

100% pada kelompok pertama tidak berarti apa-apa.

Model sudah mengetahui jawabannya.

55% pada kelompok kedua adalah angka yang jujur.

Dan dengan hanya 20 pertandingan, angka itu pun belum kokoh.

Mengapa model yang banyak benar bisa rugi saat live?

Ada empat alasan yang sering muncul.

Biasanya muncul bersamaan.

• Overfitting: ia menghafal masa lalu dan tidak mempelajari polanya.
• Kebocoran data: tanpa sengaja, model melihat informasi yang di dunia nyata tidak akan dimilikinya sebelum pertandingan.
• Pasar yang berubah: odds dikoreksi dan nilai kemarin menghilang.
• Sampel kecil: rentetan bagus dalam 50 pertandingan bisa murni keberuntungan.

Alasan terakhir adalah yang paling diremehkan.

Kalau kamu ingin melihat berapa taruhan yang dibutuhkan untuk memercayai sebuah hasil, baca berapa taruhan yang dibutuhkan untuk tahu kamu menang.

Apa itu validasi temporal dan mengapa tidak boleh mengintip masa depan?

Dalam taruhan, urutan waktu penting.

Model tidak boleh belajar dari pertandingan yang dimainkan setelah pertandingan yang ingin diprediksinya.

Terdengar jelas, tetapi ini kesalahan paling umum saat menyusun pengujian.

Kalau kamu mengacak pertandingan, model bisa berlatih dengan laga bulan Maret dan diuji dengan laga bulan Februari.

Itu mengintip masa depan.

Hasilnya tampak lebih bagus daripada yang akan terjadi di dunia nyata.

1. Urutkan pertandingan menurut tanggal

   Dari yang paling lama ke yang paling baru.

   Jangan pernah mengacaknya.

2. Berlatih dengan masa lalu

   Misalnya, dengan delapan bulan pertama.

   Model hanya melihat pertandingan itu.

3. Uji dengan periode berikutnya

   Bulan setelah titik potong.

   Model memperkirakan pertandingan yang belum dilihatnya.

4. Geser jendelanya dan ulangi

   Tambahkan bulan itu ke data pelatihan dan uji bulan berikutnya.

   Dengan begitu kamu mensimulasikan cara pemakaian di dunia nyata.

Mengapa data yang bersih begitu penting?

Model belajar dari apa yang kamu berikan.

Kalau kamu memberi data kotor, ia mempelajari hal-hal kotor.

Pepatah dalam bahasa Inggris berbunyi “garbage in, garbage out”.

Pekerjaan yang paling tidak mencolok, tetapi paling penting, adalah membersihkan.

• Nama tim yang ditulis dengan dua cara berbeda untuk klub yang sama.
• Hasil yang salah dimasukkan atau pertandingan yang ditunda tetapi tercatat sudah dimainkan.
• Odds yang diambil pada jam berbeda dan dicampur seolah-olah sama.
• Cedera yang baru diketahui setelah pertandingan dan dicatat sebagai sebelum pertandingan.

Kesalahan kecil di ribuan baris menular ke semuanya.

Karena itu model yang baik menyimpan setiap data dengan tanggal dan sumbernya.

Tanpa tanggal, tidak bisa diketahui apa yang sudah diketahui sebelum pertandingan.

Metrik apa yang benar-benar penting?

Yang paling populer adalah akurasi, yaitu persentase tebakan benar.

Ia juga yang paling menyesatkan dalam taruhan.

Ia tidak melihat berapa besar pembayaran setiap tebakan benar.

Kalibrasi: apakah 70% benar-benar 70%?

Sebuah model terkalibrasi kalau persentasenya terpenuhi.

Dari 100 pertandingan yang ia sebut 70%, seharusnya ia benar sekitar 70.

Kalau ia benar 55, berarti ia terlalu percaya diri.

Kepercayaan diri berlebih itulah yang membuat uang hilang.

Brier: skor kesalahan

Ia dihitung dengan kuadrat selisih antara yang kamu katakan dan yang terjadi.

Kalau kamu bilang 80% dan itu terjadi, kesalahannya 0,2 kuadrat.

Kalau tidak terjadi, kesalahannya 0,8 kuadrat.

Lalu dirata-ratakan di semua pertandingan.

Ini sebuah contoh yang diverifikasi dengan kode.

Sebuah model menyebut 80% pada 5 pertandingan dan benar 4.

Brier-nya 0,16.

Yang menyebut 50% untuk semuanya, tanpa tahu apa-apa, mendapat 0,25.

Makin kecil makin baik, jadi yang pertama menang.

Perhatikan baris terakhir.

Yang menyebut 100% benar sebanyak yang sama, tetapi mendapat nilai lebih buruk.

Brier menghukum kepercayaan diri yang tidak beralasan.

ROI melawan akurasi: model yang sama, dua vonis

Contoh lain, juga sudah diverifikasi.

Kamu bertaruh 10 kali pada odds 1,30 dan menang 7.

Kamu bertaruh 10 kali lagi pada odds 2,50 dan menang 5.

Memilih berdasarkan akurasi akan mengarahkanmu ke kelompok pertama, tetapi lihat hitungannya.

Untuk odds 1,30, titik impasnya adalah benar 76,9% dari waktu.

Benar 70% membuatmu berada di bawahnya.

Untuk odds 2,50, cukup 40%.

Karena itu, tanpa odds, akurasi tidak berkata apa-apa.

Bagaimana Gambeta memakainya, dengan bahasa yang jujur?

Gambeta tidak memakai obrolan AI untuk memutuskan pick.

Dasarnya adalah model statistik yang memperkirakan probabilitas dengan data pertandingan.

Sesudahnya diterapkan veto dan kalibrasi.

• Model: memperkirakan probabilitas setiap hasil.
• Veto: aturan yang membuang pick kalau ada yang tidak cocok, seperti pemain penting absen atau kurang data.
• Kalibrasi: menyesuaikan persentase agar tidak terlalu optimistis.
• Pencatatan: setiap pick dipublikasikan sebelum pertandingan dan diselesaikan dengan sumber publik.

Kami tidak menceritakan parameter internalnya, karena itu bagian dari pekerjaan.

Yang kami tampilkan adalah hasil dari semua yang dipublikasikan.

Idenya agar kamu tidak perlu percaya pada kami: kamu bisa memeriksanya.

Satu data nyata, dengan sumber dan tanggal

Kami menghitung ini dengan berkas publik riwayat Gambeta, diperbarui pada 28 Oktober 2026.

Ada 1.539 pick yang selesai sebagai menang atau kalah, sejak 21 Maret 2026.

Yang menang 856, yaitu 55,6%.

Odds rata-ratanya 1,83.

Dengan satu unit tetap pada setiap pick, hasilnya praktis nol.

ROI-nya −0,02%, yang dibaca sebagai imbang secara teknis.

Ini bukan angka untuk dipamerkan, dan karena itu kami menampilkannya.

Ini pengukuran dengan taruhan tetap, bukan stake sesungguhnya dari setiap pick.

Rincian setiap hasil ada di riwayat.

Analisis harian dan koreksinya ada di Jornal de Apuestas.

Bagaimana mengenali orang yang menjual model “pasti menang”?

Ada tanda bahaya yang cukup jelas.

Kalau kamu melihat beberapa sekaligus, menjauhlah.

• Hanya menampilkan akurasi dan tidak pernah ROI atau odds.
• Berbicara tentang tebakan benar “di masa lalu” tetapi tidak punya pick yang dipublikasikan sebelum pertandingan.
• Menjanjikan keuntungan atau berkata “pasti” dan “tanpa risiko”.
• Tidak menjelaskan bagaimana ia mengukur atau dengan data apa.

Kalau kamu ingin mendalami ini, lihat cara membuat dan melatih AI-mu sendiri untuk taruhan.

Di sana kamu akan melihat dengan datamu sendiri betapa sulitnya tidak menipu diri.

Dan untuk membandingkan alat, ada artikel tentang AI terbaik untuk taruhan olahraga.

Apa yang dibaca selanjutnya?

Kalau kamu masih ragu berapa banyak pertandingan yang dibutuhkan, lanjutkan dengan ukuran sampel.

Kalau kamu ingin gambaran lengkapnya, kembali ke pilar tentang AI untuk bertaruh.

Dan kalau kamu akan memasang uang, tinjau dulu bertaruh dengan bertanggung jawab.

Artikel ini bersifat edukatif dan bukan rekomendasi taruhan.

Bermain hanya untuk usia 18 tahun ke atas.

Bertaruhlah hanya dengan uang yang siap kamu relakan hilang.

Pertanyaan yang sering diajukan

Apa itu pembelajaran mesin yang diterapkan pada taruhan?

Ia memakai program yang belajar pola dari pertandingan lama untuk memperkirakan probabilitas pertandingan mendatang.

Ia tidak memberi kepastian, ia memberi angka.

Nilainya muncul saat probabilitas itu dibandingkan dengan odds.

Apakah model yang banyak benar di masa lalu itu berguna?

Belum tentu.

Kalau ia hampir selalu benar pada data yang sudah dilihatnya, bisa jadi ia hanya menghafal.

Yang penting adalah kinerjanya pada pertandingan yang belum pernah dilihat, diurutkan menurut waktu.

Apa itu overfitting?

Itu terjadi ketika model menghafal pertandingan lama di luar kepala, termasuk faktor kebetulannya.

Di masa lalu ia tampak sempurna.

Pada pertandingan baru kinerjanya jauh lebih buruk, karena kebetulan tidak berulang.

Mana yang lebih baik diukur, akurasi atau ROI?

ROI, bersama kalibrasi.

Akurasi mengabaikan odds.

Sebuah model bisa benar 70% dengan odds rendah dan tetap rugi.

Apakah saya perlu bisa memprogram untuk memakainya?

Tidak untuk memahami cara kerjanya atau menilai apakah sebuah model serius.

Untuk membuat sendiri, kamu perlu belajar sedikit kode dan statistik.

Banyak pembaca mulai dengan spreadsheet.

Apakah Gambeta memakai pembelajaran mesin?

Gambeta menggabungkan model statistik dengan veto dan kalibrasi sesudahnya.

Setiap pick dicatat sebelum pertandingan.

Kamu bisa memeriksa hasil semuanya di riwayat publik.