Memahami waktu prediksi Anda
Tabel ini menunjukkan proyeksi Riegel dari empat contoh hasil lomba. Prediksi dengan selisih jarak kecil (10K ke half marathon) umumnya lebih andal dibandingkan lompatan besar (5K ke marathon).
| Dari lomba | Prediksi 5K | Prediksi 10K | Prediksi half | Prediksi marathon |
|---|---|---|---|---|
| 10K dalam 50:00 | 23:59 | — | 1:50:19 | 3:50:01 |
| 10K dalam 60:00 | 28:47 | — | 2:12:23 | 4:36:01 |
| Half marathon dalam 2:00:00 | 26:05 | 54:23 | — | 4:10:12 |
| 5K dalam 25:00 | — | 52:07 | 1:55:00 | 3:59:47 |
- Rumus ini mengasumsikan latihan yang setara untuk kedua jarak. Hasil 5K mencerminkan kecepatan; marathon juga menuntut daya tahan yang dibangun melalui volume latihan yang berkelanjutan — prediksi ke jarak yang lebih panjang bersifat optimistis tanpa itu.
- Vickers & Vertosick (2016) menemukan bahwa eksponen 1,06 meremehkan waktu marathon bagi sebagian besar pelari rekreasional; banyak pelatih memperlakukan prediksi marathon Riegel sebagai skenario terbaik.
- Profil rute, cuaca, ketinggian, dan eksekusi pada hari lomba masing-masing dapat menggeser waktu sesungguhnya hingga beberapa menit pada jarak marathon.
- Prediksi dari lomba terbaru lebih bermakna dibandingkan dari rekor pribadi lama, karena mencerminkan kebugaran saat ini.
- Tidak ada rumus yang menjamin hasil lomba; variasi individu antar-pelari dengan kemampuan jarak pendek yang identik cukup besar.
Apa itu prediktor waktu lomba?
Prediktor waktu lomba memperkirakan waktu finis yang dapat dicapai seorang pelari pada satu jarak berdasarkan performanya pada jarak lain. Pengamatan yang mendasarinya, diformalkan oleh insinyur Peter Riegel dalam artikel American Scientist tahun 1981, adalah bahwa kecepatan rata-rata menurun secara dapat diprediksi seiring bertambahnya jarak lomba: memplot waktu rekor terhadap jarak pada sumbu logaritmik menghasilkan garis yang hampir lurus dengan kemiringan sekitar 1,06 di berbagai jarak lari.
Eksponen 1,06 berarti menggandakan jarak lomba mengalikan waktu dengan sekitar 2,085, bukan tepat 2 — tambahan 4–5% ini mencerminkan pace berkelanjutan yang lebih lambat pada jarak yang lebih panjang. Riegel menemukan 'faktor kelelahan' ini cocok dengan rekor lari pria maupun wanita dengan baik untuk durasi mulai dari sekitar 3,5 menit hingga 230 menit.
Prediksi hanya akurat selama asumsi rumus ini terpenuhi. Rumus ini mengasumsikan pelari terlatih dan siap secara setara untuk kedua jarak tersebut. Dalam praktiknya, 5K yang cepat tidak menjamin basis daya tahan yang dibutuhkan marathon: penelitian terhadap pelari rekreasional (Vickers & Vertosick, 2016) menemukan bahwa eksponen Riegel standar cenderung meremehkan waktu marathon untuk pelari non-elite pada umumnya, seringkali beberapa menit atau lebih, dengan prediksi yang membaik ketika volume latihan diperhitungkan.
Cara menggunakan prediktor waktu marathon ini
- Pilih jarak lomba terbaru — 5 km, 10 km, half marathon, atau marathon. Lomba terbaru dengan usaha maksimal memberikan input yang paling bermakna.
- Masukkan waktu finis Anda sebagai menit:detik (misalnya 50:00) atau jam:menit:detik (misalnya 1:45:30).
- Baca waktu prediksi untuk ketiga jarak lainnya — kalkulator ini hanya menampilkan prediksi untuk jarak yang berbeda dari yang Anda masukkan.
- Perlakukan prediksi marathon dari lomba pendek sebagai skenario optimistis yang mengasumsikan latihan khusus marathon secara penuh.
Rumus di balik prediksi ini
Rumus Riegel menskalakan waktu T1 yang diketahui pada jarak D1 menjadi waktu prediksi T2 pada jarak D2 menggunakan hukum pangkat dengan eksponen 1,06. Eksponen ini merepresentasikan seberapa besar pace rata-rata melambat seiring bertambahnya jarak.
Contoh perhitungan: 10K dengan waktu 50:00 memprediksi marathon 50:00 × (42,195/10)^1,06 ≈ 3:50:01, half marathon sekitar 1:50:19, dan 5K sekitar 23:59. Perhatikan bahwa prediksi marathon lebih dari empat kali waktu 10K meskipun rasio jaraknya hanya 4,22 — eksponen tersebut menambahkan penalti daya tahan.
Rumus ini bersifat simetris: rumus ini memprediksi ke jarak yang lebih pendek maupun lebih panjang. Prediksi ke bawah (dari waktu marathon ke 5K) memiliki catatan cermin — rumus ini mengasumsikan kecepatan yang dibutuhkan lomba yang lebih pendek, yang tidak selalu dipertahankan oleh pelari marathon dengan volume latihan tinggi.
Kesalahan umum
- Memprediksi marathon dari 5K dan memperlakukan hasilnya sebagai janji pasti — lompatan ini mengasumsikan daya tahan khusus marathon yang tidak dapat ditunjukkan oleh 5K.
- Menggunakan rekor pribadi lama alih-alih lomba terbaru, sehingga prediksi mencerminkan kebugaran masa lalu, bukan kebugaran saat ini.
- Memasukkan waktu lari latihan alih-alih usaha lomba maksimal, yang membuat semua prediksi menjadi lebih lambat dari seharusnya.
- Mengabaikan kondisi: prediksi tidak berlaku baik antara lomba yang datar dan sejuk dengan lomba yang berbukit atau panas.
- Menetapkan pace lomba tepat pada waktu prediksi tanpa margin, sehingga tidak menyisakan ruang untuk sifat optimistis rumus ini yang telah diketahui pada jarak yang lebih panjang.
Pertanyaan yang sering diajukan
Seberapa akurat rumus Riegel untuk memprediksi marathon?
Eksponen 1,06 milik Riegel cocok dengan performa tingkat rekor di berbagai jarak, tetapi studi tahun 2016 terhadap pelari rekreasional oleh Vickers dan Vertosick menemukan bahwa eksponen ini cenderung meremehkan waktu marathon sesungguhnya untuk pelari non-elite pada umumnya — kekurangannya membesar ketika volume latihan mingguan rendah. Prediksi dari half marathon umumnya lebih dekat dibandingkan prediksi dari 5K atau 10K.
Waktu marathon berapa yang diprediksi dari 10K 50 menit?
Menggunakan rumus Riegel, 50:00 × (42,195 ÷ 10)^1,06 ≈ 3:50:01. Ini mengasumsikan latihan daya tahan yang sesuai untuk marathon; bagi banyak pelari rekreasional, waktu realistisnya lebih lambat, itulah sebabnya pelatih sering memperlakukan proyeksi marathon Riegel sebagai skenario terbaik.
Mengapa eksponennya 1,06?
Peter Riegel memplot waktu rekor terhadap jarak pada sumbu logaritmik dan menemukan bahwa performa lari jatuh pada garis yang hampir lurus dengan kemiringan sekitar 1,06 untuk durasi antara sekitar 3,5 dan 230 menit. Eksponen ini merepresentasikan laju empiris penurunan pace berkelanjutan seiring bertambahnya jarak; eksponen tepat 1,0 akan berarti pace tidak pernah melambat seiring jarak.
Jarak lomba mana yang memberikan prediksi marathon terbaik?
Half marathon, secara umum. Jaraknya cukup dekat dengan marathon sehingga hubungan pace-daya tahan dapat ditransfer dengan cukup baik, sedangkan 5K sebagian besar hanya mengukur kecepatan. Analisis Vickers & Vertosick terhadap pelari rekreasional juga menemukan bahwa prediksi membaik ketika lomba input semakin dekat dengan jarak target dan ketika volume latihan diperhitungkan.
Bisakah prediktor ini bekerja secara terbalik, dari marathon ke 5K?
Secara matematis bisa — rumus ini berlaku ke kedua arah, dan kalkulator ini memprediksi semua jarak selain yang dimasukkan. Marathon dengan waktu 4:00:00 setara dengan sekitar 5K 25:01 menurut rumus ini. Catatan sebaliknya berlaku: latihan marathon dengan volume tinggi tidak selalu mempertahankan kecepatan puncak yang dibutuhkan 5K.
Mengapa kalkulator tidak menampilkan prediksi untuk jarak yang saya masukkan?
Lomba yang dimasukkan adalah hasil aktual Anda, bukan prediksi, sehingga kalkulator hanya menampilkan ketiga jarak lainnya. Masukkan waktu 10K dan Anda akan mendapatkan prediksi waktu 5K, half marathon, dan marathon.
Referensi
- Riegel PS. Athletic records and human endurance. American Scientist 1981; 69(3): 285–290.
- Vickers AJ, Vertosick EA. An empirical study of race times in recreational endurance runners. BMC Sports Science, Medicine and Rehabilitation 2016; 8: 26.
- Tucker R, Lambert MI, Noakes TD. An analysis of pacing strategies during men's world-record performances in track athletics. International Journal of Sports Physiology and Performance 2006; 1(3): 233–245.
- World Athletics. Competition and technical rules — certified road-race distances (half marathon 21.0975 km, marathon 42.195 km).
- American College of Sports Medicine. ACSM's Guidelines for Exercise Testing and Prescription, 11th edition. Wolters Kluwer, 2021.