Deteksi Pergeseran Otomatis dalam Hoki Es: Cara yang Lebih Akurat untuk Membandingkan Beban Kerja dalam Hoki Es
Patrick Love, Spesialis Keberhasilan Pelanggan Senior (Kinerja & Kesehatan) di Catapult Sports
Poin-poin Penting:
- Fitur Deteksi Pergeseran Otomatis memberikan jendela waktu yang lebih jelas bagi staf untuk memahami beban kerja.
- Dengan mengidentifikasi pergantian pemain secara otomatis, hal ini mengurangi beban penandaan manual dan menciptakan landasan yang lebih konsisten untuk membandingkan tuntutan dalam sesi latihan dan pertandingan.
- Bagi para pelatih, staf video, dan staf kinerja, hal ini memberikan acuan bersama bagi semua pihak mengenai apa yang dilakukan para pemain, seberapa berat intensitasnya, serta konteks di baliknya.
Para pelatih hoki es tahu hal ini dari pengalaman: dua sesi latihan bisa terlihat serupa di atas kertas, tetapi terasa sangat berbeda. Salah satunya mungkin mencakup latihan berdurasi panjang dan jeda untuk arahan pelatih. Yang lain mungkin berupa serangkaian sesi singkat dan intens dengan waktu istirahat yang minim. Jika keduanya dirangkum dalam satu angka, perbedaan penting tersebut menjadi tersembunyi.
Total Player Load PL) memberi tahu staf seberapa banyak beban kerja yang diakumulasikan oleh seorang pemain. Angka ini tidak menunjukkan bagaimana beban kerja tersebut terakumulasi, atau seberapa berat intensitas segmen-segmen aktif tersebut. Perbedaan ini penting karena PL per menit (PL/min) tidak selalu memiliki arti yang sama dalam hoki es.
Nightingale dkk. (2026) mengemukakan hal ini dalam kerangka kerja mereka untuk memilih metrik beban eksternal dalam hoki es. Mereka mencatat bahwa penelitian hoki yang telah dipublikasikan telah menggunakan baik durasi total pertandingan maupun waktu di atas es sebagai penyebut dalam PL/menit. Studi yang menggunakan durasi pertandingan total, termasuk Douglas dkk. (2022) dan Neeld dkk. (2021), menghasilkan nilai 2,1–2,3 PL/menit; sedangkan studi yang menggunakan waktu di atas es, termasuk Byrkjedal dkk. (2022) dan Perez dkk. (2022), menghasilkan nilai sekitar 6,3 PL/menit.
Jendela yang Berbeda, Beban Kerja yang Berbeda
Di sinilah membandingkan sesi latihan dan pertandingan menjadi sulit. Dalam pertandingan, pelatih video biasanya menandai seluruh pergerakan pemain. Dalam sesi latihan, meskipun sesi tersebut direkam, jarang sekali setiap repetisi untuk satu pemain ditandai, apalagi untuk seluruh skuad. Menandai pergerakan dalam pertandingan saja sudah merupakan pekerjaan yang berat. Menandai repetisi dalam sesi latihan hampir mustahil.
Namun, jika kita ingin membandingkan tuntutan latihan dan pertandingan, rentang waktu yang spesifik bagi masing-masing pemain itu penting. Tanpa itu, pembilangnya tetap tidak konsisten. Seorang pemain mungkin mengumpulkan jumlah PL yang serupa, tetapi kepadatan PL tersebut bergantung pada apakah kita menghitungnya berdasarkan sesi latihan secara keseluruhan, latihan teknis, seluruh shift, atau hanya saat-saat aktif saja.
Beralih dari penghitungan waktu berbasis sesi ke penghitungan waktu pergeseran aktif menghilangkan waktu istirahat dan pergerakan di antara peluit. Total PL menurun karena sebagian pergerakan tersebut sebelumnya dihitung. PL/menit biasanya meningkat karena pembilang berkurang lebih cepat daripada beban yang diukur. Latihan yang sama, pemain yang sama, dan berkas data yang sama, dapat menghasilkan angka volume dan kepadatan yang sangat berbeda tergantung pada jenis penghitungan waktu yang digunakan oleh staf. Itulah mengapa pemilihan jendela waktu sangat penting, dan mengapa jendela pergeseran aktif adalah yang paling akurat di antara keempatnya. Jendela ini hanya menghitung momen-momen ketika pemain benar-benar berpartisipasi. Angka volume mencerminkan kerja yang dilakukan pemain. Angka kepadatan mencerminkan seberapa keras kerja tersebut saat berlangsung. Itulah jendela waktu di mana latihan dan pertandingan dapat dibandingkan.
Sayangnya, kita kembali ke titik awal. Bagaimana cara mengatasi masalah penandaan perwakilan secara manual dalam praktiknya?
Deteksi Pergeseran Otomatis: Jendela Waktu yang Lebih Konsisten
Fitur Deteksi Pergantian Pemain Otomatis dalam Hoki Es dari Catapult mengatasi hal ini dengan mengidentifikasi pergantian pemain yang sedang berlangsung langsung dari perangkat yang dikenakan. Tim secara otomatis mendapatkan rentang waktu pergantian pemain yang spesifik untuk setiap pemain. Hal ini memberikan gambaran yang konsisten kepada staf mengenai waktu ketika setiap pemain secara aktif terlibat dalam sesi tersebut. Fitur ini juga menghasilkan beberapa hasil yang tidak terduga.
Dalam analisis Catapult Sports yang belum dipublikasikan dari tahun 2026, satu sesi latihan AHL terlihat memiliki volume sekitar 58% dari volume pertandingan pada tingkat sesi. Angka tersebut turun menjadi sekitar 51% ketika dihitung berdasarkan shift aktif. Latihan yang sama tampak lebih padat daripada pertandingan pada tingkat sesi, sekitar 130% dari PL/menit pertandingan. Setelah keduanya diamati melalui jendela shift aktif, latihan yang sama turun menjadi sekitar 73% dari kepadatan pertandingan berdasarkan shift aktif.
Data pergeseran aktif dapat mengungkap celah yang sering kali tersembunyi dalam ringkasan sesi latihan secara keseluruhan. Sebagian besar praktisi menyadari bahwa latihan sulit untuk menyamai volume total sebuah pertandingan. Banyak yang berasumsi bahwa intensitas latihan melebihi intensitas pertandingan karena sesi latihan lebih singkat, lebih terstruktur, dan lebih terkendali.
Temuan-temuan ini membantah asumsi tersebut. Ketika kita hanya memperhitungkan periode-periode di mana para atlet benar-benar aktif, volume dan intensitas latihan mungkin tidak mencukupi.
Hal ini penting dalam hal periodisasi, perancangan latihan, dan proses kembali berkompetisi. Tim perlu mengetahui apakah latihan telah memaparkan para pemain pada volume dan kepadatan pergerakan yang terjadi dalam pertandingan sesungguhnya. Mereka juga perlu memahami bagaimana volume tersebut terakumulasi. Sesi latihan yang lebih panjang dan stabil berbeda dengan sesi berulang dengan kepadatan tinggi yang mencerminkan ritme pertandingan.
Menghubungkan Metrik dengan Momen: Integrasi Video dan Perangkat yang Dapat Dipakai
Data yang lebih banyak tidak secara otomatis menghasilkan kejelasan yang lebih baik. Laporan yang bermanfaat harus menyesuaikan metrik dengan pertanyaan yang diajukan, mengurangi redundansi, dan membantu tim mengambil keputusan yang lebih baik (Nightingale dkk., 2026).
Fitur Auto Shift Detection mendukung pendekatan tersebut dengan memberikan konteks yang lebih baik pada metrik yang dipilih. Ketika pergerakan aktif diimpor ke dalam Catapult’s Focus, tim dapat beralih dari metrik ke momen yang melahirkannya. Bagi para pelatih, meninjau pergerakan setelah pertandingan bukanlah hal baru. Namun, menonton repetisi latihan spesifik pemain sebelumnya tidak pernah menjadi hal yang realistis. Kini, karena pergerakan aktif—termasuk repetisi latihan—dapat diidentifikasi secara otomatis, para pelatih memiliki cara untuk meninjau latihan spesifik pemain tanpa perlu meminta staf video untuk menandai setiap repetisi secara manual.
Hal itu mengubah alur kerja seluruh staf. Pelatih video dapat menemukan cuplikan pemain yang relevan dengan lebih cepat. Staf kinerja dapat menjelaskan mengapa terjadi lonjakan beban kerja. Para pelatih dapat menganalisis upaya intensitas tinggi dalam konteks taktis. Semua orang bekerja berdasarkan sumber yang sama: metrik yang sama, rentang waktu yang sama, dan video yang sama, semuanya terpusat di satu tempat.
Pelajaran Praktis yang Dapat Diambil
Fitur Deteksi Pergeseran Otomatis memberikan jendela waktu yang lebih jelas bagi staf untuk memahami beban kerja.
Dengan mengidentifikasi pergantian pemain secara otomatis, hal ini mengurangi beban penandaan manual dan menciptakan landasan yang lebih konsisten untuk membandingkan tuntutan dalam sesi latihan dan pertandingan.
Bagi para pelatih, staf video, dan staf kinerja, hal ini memberikan acuan bersama bagi semua pihak mengenai apa yang dilakukan para pemain, seberapa berat intensitasnya, serta konteks di baliknya.
Referensi
- Byrkjedal, P. T., Luteberget, L. S., Bjørnsen, T., Ivarsson, A., & Spencer, M. (2022). Desain Pertandingan Hoki Es Berbasis Permainan Simulasi (Scrimmage) Menghasilkan Intensitas yang Lebih Tinggi pada Parameter Beban Eksternal Dibandingkan dengan Pertandingan Resmi. Frontiers in Sports and Active Living, 4, 822127. https://doi.org/10.3389/fspor.2022.822127
- Catapult Sports. (2026). Perbandingan beban kerja berbasis pergeseran aktif versus berbasis periode dalam hoki es tingkat elit [Analisis internal yang belum dipublikasikan].
- Douglas, A. S., Rotondi, M. A., Baker, J., Jamnik, V. K., & Macpherson, A. K. (2022). Perbandingan Pengukuran Beban Eksternal di Atas Es antara Pemain Hoki Es Wanita Tingkat Subelit dan Elit. Journal of Strength and Conditioning Research, 36(7), 1978–1983. https://doi.org/10.1519/JSC.0000000000003771
- Neeld, K. L., Peterson, B. J., Dietz, C. C., Cappaert, T. A., & Alvar, B. A. (2021). Dampak Beban Kerja Sebelumnya terhadap Kinerja Tim dalam Hoki Es Putra Tingkat Perguruan Tinggi. Journal of Strength and Conditioning Research, 35(8), 2272–2278. https://doi.org/10.1519/JSC.0000000000004076
- Nightingale, S., Hughes, J., De Ste Croix, M., & Pfeifer, C. (2026). Panduan Kerangka Kerja untuk Pemilihan Metrik Beban Eksternal dalam Hoki Es. International Journal of Strength and Conditioning. https://doi.org/10.47206/ijsc.v6i1.526
- Perez, J., Brocherie, F., Couturier, A., & Guilhem, G. (2022). Pertandingan internasional menimbulkan beban kerja mekanis yang stabil pada atlet hoki es wanita tingkat tinggi. Biology of Sport, 39(4), 857–864. https://doi.org/10.5114/biolsport.2022.109455
Tanya Jawab
Satu shift penuh mencakup rentang waktu total mulai dari saat seorang pemain melangkah ke atas es hingga saat ia kembali ke bangku cadangan. Rentang waktu ini sering kali mencakup waktu mati, seperti penghentian permainan akibat peluit, persiapan faceoff, atau jeda iklan televisi.
" Shift aktif " secara ketat membatasi perhitungan hanya pada momen-momen spesifik ketika pemain secara aktif berpartisipasi dan bergerak. Dengan menghilangkan waktu henti tersebut, shift aktif memberikan gambaran yang jauh lebih jelas mengenai output fisik yang sebenarnya. Angka volume mencerminkan kerja yang sebenarnya dilakukan, sedangkan angka kepadatan (seperti Player Load menit) secara akurat menunjukkan seberapa intens kerja tersebut dalam waktu nyata.
Semuanya bergantung pada penyebut (satuan waktu) yang Anda gunakan. Penelitian hoki tradisional menghitung PL/menit dengan menggunakan dua rentang waktu yang sangat berbeda: durasi pertandingan keseluruhan dan waktu di atas es.
Ketika Anda menggunakan durasi pertandingan keseluruhan, penyebutnya menjadi besar karena mencakup seluruh waktu yang dihabiskan di bangku cadangan, sehingga menghasilkan skor kepadatan yang lebih rendah (biasanya sekitar 2,1–2,3 PL/menit). Ketika Anda beralih ke waktu bermain aktual seorang pemain di atas es, penyebutnya menyusut drastis, sehingga angka kepadatan melonjak mendekati 6,3 PL/menit. Variasi ini bukanlah kesalahan data; ini merupakan cerminan dari rentang waktu mana yang Anda pilih untuk diukur.
Secara historis, membandingkan data latihan dengan data pertandingan sangatlah sulit karena penandaan pergeseran (shift) secara manual pada seluruh daftar pemain nyaris mustahil dilakukan selama sesi latihan.
Fitur Auto Shift Detection dari Catapult mengatasi hal ini dengan secara otomatis mengidentifikasi jendela pergeseran aktif langsung dari perangkat yang dikenakan. Hal ini menantang asumsi umum mengenai latihan. Sebagai contoh, data internal menunjukkan bahwa meskipun sebuah sesi latihan mungkin tampak memiliki kepadatan sebesar 130% dari kepadatan pertandingan jika dilihat dari rata-rata sesi secara umum, angka tersebut sebenarnya turun menjadi hanya 73% dari kepadatan pertandingan setelah keduanya dianalisis melalui lensa pergeseran aktif yang presisi. Wawasan otomatis ini membantu pelatih merancang latihan yang benar-benar meniru ritme dan volume pergeseran dengan kepadatan tinggi seperti dalam pertandingan sesungguhnya