KAPAN VAR SEHARUSNYA MEMBATALKAN KEPUTUSAN WASIT?
Pada 26 Juni 2026, di babak terakhir fase grup Piala Dunia, Iran menghadapi Mesir di Seattle. Para penulis berada di stadion. Pada menit ke-93, Shoja Khalilzadeh mencetak gol yang tampaknya menjadi gol kemenangan, dan tim wasit di lapangan menyatakan gol itu tidak offside. Setelah beberapa menit berdeliberasi, asisten wasit video (VAR) membatalkan keputusan itu: menurut rekonstruksi 3D-nya, sebagian kecil kaki sang pencetak gol berada dalam posisi offside. Pertandingan berakhir imbang. Menurut The Athletic, Iran masih memiliki peluang 92% untuk melaju ke babak gugur; hasil-hasil pertandingan keesokan harinya membuat peluang itu menjadi nol.
Pertanyaan para penulis sederhana: apakah selisih offside yang sangat kecil yang dilaporkan VAR seharusnya cukup untuk membatalkan keputusan wasit?
Satu bingkai sepanjang 17 sentimeter
Presisi di layar bukanlah presisi di lapangan. Dalam video yang direkam pada 30 bingkai per detik, seorang atlet yang berlari 5 meter per detik bergerak sekitar 17 sentimeter di antara dua bingkai berturut-turut. Bahkan sedikit ketidakpastian tentang saat yang tepat ketika bola dimainkan bisa lebih berpengaruh daripada milimeter-milimeter sebuah model 3D.
Amir Ali Ahmadi, dari Universitas Princeton, serta Parsa dan Radeen Alavi, dari Algonquin Regional High School, mengubah perselisihan itu menjadi sebuah model peluang. Selisih sebenarnya, θ, adalah jarak penyerang melewati garis offside: positif berarti offside. Wasit mempersepsikannya dengan galat acak bersebaran σ_H, tetapi hanya mengatakan ya atau tidak. VAR mengukur sebuah angka, dengan galat acaknya sendiri bersebaran σ_AI. Kedua galat diasumsikan Gaussian dan saling bebas.
Aturan √(2/π)
Para penulis kemudian mencari selisih yang membuat apa yang teramati paling mungkin terjadi — sebuah keputusan dari wasit dan sebuah angka dari VAR — sebuah metode yang disebut kemungkinan maksimum (maximum likelihood). Mereka membuktikan bahwa estimasi terbaik ini selalu ada dan tunggal. Lebih baik lagi, keputusan akhirnya sama sekali tidak memerlukan perhitungan, hanya perbandingan dengan sebuah ambang:
c = √(2/π) × σ_AI² / σ_H
Ketika keduanya tidak sepakat, VAR membatalkan keputusan wasit hanya jika selisih yang diukurnya lebih besar daripada c. Di bawah nilai itu, keputusan wasit tetap berlaku. Bilangan √(2/π), sekitar 0,80, berasal dari kurva lonceng itu sendiri.
Ambil seorang wasit yang galat tipikalnya 10 cm dan VAR yang galat tipikalnya 2 cm. Ambangnya adalah 0,32 cm. Selisih VAR yang bertentangan sebesar 0,20 cm membiarkan keputusan wasit tetap berlaku; selisih sebesar 0,50 cm membatalkannya. Menempatkan penyerang melewati garis tidaklah cukup: VAR harus menempatkannya jelas melewati garis itu.
Dua galat yang bobotnya tidak sama
Rumus ini mengandung sebuah asimetri. Ambangnya tumbuh sebanding dengan kuadrat galat VAR, tetapi hanya berbanding terbalik dengan galat wasit: gandakan galat VAR dan ambangnya menjadi empat kali lipat, gandakan galat wasit dan ambangnya hanya menjadi setengahnya. VAR yang lebih berderau memerlukan bukti yang lebih kuat; keputusan wasit yang lebih berderau lebih mudah dibatalkan. Para penulis menelusuri perbedaan pangkat ini ke dua jenis informasi: sebuah angka untuk VAR, sekadar sebuah tanda untuk wasit.
Menggabungkan keduanya juga membuahkan hasil. Dengan galat yang sama besar, yaitu 2 cm, dan selisih sebenarnya 2 cm, wasit saja atau VAR saja keliru pada 15,87% kesempatan; aturan gabungan, pada 9,70%.
Model ini juga menangani bias. Seorang wasit yang cenderung menyatakan offside, rata-rata sebesar 5 cm, mendapat dua ambang yang berbeda: 0,20 cm untuk membatalkan keputusan offside, 0,46 cm untuk membatalkan keputusan tidak offside. Dan jika VAR sendiri memiliki bias 1 cm yang diketahui, mengabaikannya dapat membalikkan putusan.
Untuk menggunakan aturan ini, diperlukan keempat parameter galat. Makalah ini menunjukkan cara mengestimasinya dari situasi permainan kalibrasi yang selisih sebenarnya diketahui: rata-rata dan sebaran sederhana untuk VAR, dan pencocokan “probit” untuk keputusan ya-atau-tidak wasit.
Di luar lapangan
Struktur yang sama muncul di mana pun seorang manusia memberikan putusan dan sebuah mesin memberikan pengukuran atas besaran yang sama: seorang dokter yang menyatakan sebuah lesi jinak atau ganas di samping skor keganasan dari AI, seorang insinyur yang meloloskan sebuah komponen pesawat di samping skor tingkat keparahan cacat, seorang manajer investasi di samping imbal hasil yang diharapkan dari sebuah model. Para penulis menyarankan untuk menguji dampak nyata aturan ini di bidang yang kalibrasinya mudah, seperti keuangan, pencitraan medis, dan pasar prediksi.
Makalah ini ditulis sebagai bahan ajar, untuk mahasiswa sarjana dan siswa sekolah menengah atas tingkat lanjut yang memahami dasar-dasar peluang dan kalkulus. Parameter-parameternya bersifat ilustratif: belum ada wasit atau sistem VAR nyata yang dikalibrasi. Baris terakhirnya ada di bagian ucapan terima kasih, tempat para penulis menyatakan bahwa mereka menggunakan ChatGPT untuk gambar, pemeriksaan naskah, dan uji kewajaran, “sambil mengikuti aturan √(2/π) mereka untuk memastikan bahwa AI tidak membatalkan penilaian manusia mereka”.
