Perkenalan
Peningkatan kemampuan teknologi untuk mengumpulkan dan menganalisis data telah
meningkatkan pengetahuan tentang beban dan tuntutan fisik olahraga tim dan membantu
meningkatkan program pelatihan, mengoptimalkan kinerja dan mengurangi kemungkinan
cedera pada pemain tingkat atas (Fox et al., 2017 ; Vanrenterghem dkk., 2017). Pentingnya
hal ini semakin diperkuat baru-baru ini, karena FIFA telah menyetujui penggunaan
mikrosensor tertentu dan perangkat yang dapat dikenakan dalam pertandingan resmi sepak
bola dan futsal, sehingga membuka perspektif baru untuk memahami kinerja fisik pemain
selama skenario kompetitif (Roell dkk., 2018) .
Untuk lebih memahami beban yang dialami pemain selama pertandingan, beban
internal (IL), dan beban eksternal (EL) harus diukur dan dikarakterisasi (Buchheit, 2014; Fox
et al., 2017; Clemente et al., 2019). Sementara IL mendeskripsikan efek fisiologis latihan
pada atlet, EL mendeskripsikan tuntutan fisik latihan melalui pengukuran yang diperoleh dari
data posisi, dan/atau unit pengukuran inersia (IMU; Gonçalves et al., 2017; Impellizzeri et al.,
2019).
Beban eksternal dapat diklasifikasikan menjadi tiga kategori utama: (a) kinematika,
yang mengukur keseluruhan pergerakan selama latihan; (b) mekanis, yang menggambarkan
keseluruhan beban pemain selama latihan; dan (c) metabolik, yang mengukur keseluruhan
pengeluaran energi pergerakan selama berolahraga (Rossi et al., 2018). Parameternya juga
dapat dinyatakan dalam istilah absolut (total waktu pertandingan) atau relatif (waktu bermain
efektif). Namun, dengan banyaknya data yang tersedia untuk mengukur beban fisik,
tantangannya adalah memahami variabel yang paling dapat diandalkan dan relevan Dalam
hal ini, penelitian ini bertujuan untuk mengkarakterisasi EL permainan pertandingan futsal
elit.
Selain itu, data dihitung untuk mengidentifikasi metrik beban kerja eksternal yang
membedakan profil pemain futsal yang berbeda. Kolinearitas antar variabel EL juga
dianalisis. Kami berharap untuk mengidentifikasi profil permainan yang berbeda berdasarkan
EL pemain, yang bertujuan untuk meningkatkan pemahaman tentang tuntutan permainan
pertandingan di futsal. dikumpulkan untuk mengkarakterisasi profil aktivitas pemain selama
sesi latihan dan pertandingan (Buchheit dan Simpson, 2017). Pengetahuan ilmiah tentang EL
dan profil aktivitas pemain futsal masih langka (Beato et al., 2017; Naser et al., 2017; Taylor
et al., 2017). Sejauh pengetahuan kami, hanya lima penelitian yang menyelidiki data tuntutan
fisik pada pemain futsal elit (pertandingan resmi): satu di Liga Futsal Profesional Spanyol—
analisis jarak yang ditempuh dan detak jantung (Barbero-Alvarez dkk., 2008) ; satu pada
pemain futsal Australia— analisis tuntutan pertandingan antar tingkat kompetisi (Dogramaci
dkk. 2015); dan tiga di Brasil—analisis sprint (Caetano dkk., 2015), jarak yang ditempuh (De
Oliveira Bueno dkk., 2014), dan jarak yang ditempuh, kecepatan maksimum, dan peta panas
perpindahan pemain (de Pádua dkk., 2017).
Dalam hal ini, penelitian ini bertujuan untuk mengkarakterisasi EL permainan
pertandingan futsal elit. Selain itu, data dihitung untuk mengidentifikasi metrik beban kerja
eksternal yang membedakan profil pemain futsal yang berbeda. Kolinearitas antar variabel
EL juga dianalisis. Kami berharap untuk mengidentifikasi profil permainan yang berbeda
berdasarkan EL pemain, yang bertujuan untuk meningkatkan pemahaman tentang tuntutan
permainan pertandingan di futsal.
Desain
Penelitian observasional digunakan untuk mengukur dan menganalisis EL pemain
yang berpartisipasi dalam Delapan Besar Piala Futsal Portugis 2018. Empat pertandingan di
perempat final dan dua pertandingan di semifinal kompetisi dengan jarak setidaknya 48 jam
digunakan untuk analisis. Menurut aturan resmi futsal, dua babak waktu efektif 20 menit
dimainkan.
Metodologi
pemain dinilai menggunakan IMU dengan teknologi sistem pelacakan ultra-wideband
(UWB) dari WIMU PROTM (Realtrack Systems, Almeria, Spanyol). Frekuensi pengambilan
sampel WIMU untuk sistem penentuan posisi adalah 18 Hz
Sistem ini memiliki enam antena UWB, ditempatkan 4 m di luar lapangan, dan
beroperasi menggunakan triangulasi antara antena dan unit untuk mendapatkan koordinat X
dan Y setiap unit. Cluster dua langkah dengan kemungkinan log sebagai ukuran jarak dan
kriteria Bayesian Schwartz dilakukan untuk mengklasifikasikan atlet berdasarkan profil
kinerja mereka sepanjang pertandingan. Analisis tersebut digunakan untuk
mengklasifikasikan performa para pemain dan untuk mengidentifikasi variabel yang
memaksimalkan jarak grup.
Data dari awal hingga akhir pertandingan dengan pengecualian babak pertama dan
time-out dianalisis menggunakan Perangkat Lunak SPRO (Realtrack Systems SL, Almeria,
Spanyol). Akurasi dan keandalan perangkat ini telah dilaporkan dan divalidasi sebelumnya
(Bastida-Castillo et al., 2019). Metode ini berbeda dengan teknik clustering tradisional dalam
penanganan variabel kategori (dengan asumsi variabel independen), pemilihan jumlah cluster
secara otomatis, dan skalabilitas (Tabachnick et al., 2007). Melalui uji ANOVA,
Dari data posisi, variabel diekstraksi berdasarkan tiga kategori utama EL yang
diidentifikasi (Rossi et al., 2018): (a) kinematika; (b) mekanis; dan (c) metabolik.
Diskusi
Tujuan dari penelitian ini adalah untuk mendeskripsikan EL futsal permainan
pertandingan dan mengidentifikasi perbedaan antara yang pertama dan babak kedua. Selain
itu, data digunakan untuk mengidentifikasi eksternal metrik beban kerja yang membedakan
profil pemain futsal yang berbeda. Pada akhirnya, kolinearitas antara variabel beban kerja
eksternal juga dianalisis.