<![CDATA[Jaringan blockchain, yang mendasari cryptocurrency serta aplikasi terdesentralisasi, sangatrentan terhadap berbagai jenis anomali dan serangan, termasuk serangan 51%, serangansybil, dan aktivitas bot yang manipulatif. Insiden-insiden ini dapat merusak integritas data,mengganggu konsensus, dan menyebabkan kerugian finansial yang besar (Werbach, 2018).Oleh karena itu, deteksi dini perilaku anomali dalam jaringan blockchain sangat krusial(Ahmed dkk., 2016). Penelitian ini mengusulkan sebuah proses pengidentifikasian anomali danpotensi serangan dalam jaringan blockchain dengan memanfaatkan algoritma machinelearning (ML) yang dikembangkan menggunakan MATLAB. Pendekatan ini mencakuppengumpulan data on-chain dan metrik jaringan dari API penjelajah blockchain publik, sepertiCoinGecko (CoinGecko API Documentation), diikuti oleh pra-pemrosesan dan ekstraksi fituruntuk menghasilkan indikator relevan terkait perilaku penambang, seperti harga Bitcoin danvolume perdagangan. Penelitian ini menggunakan algoritma unsupervised machine learning,yaitu isolation forest dan One-Class SVM, dengan memanfaatkan MATLAB Statistics andMachine Learning Toolbox. Hasilnya divisualisasikan melalui fasilitas plot MATLAB, yangakan menunjukkan anomali yang terdeteksi dan kemudian membandingkan kinerja dari keduaalgoritma tersebut. Dari hasil simulasi yang dilakukan isolation forest berhasil mendeteksilonjakan signifikan dalam harga dan volume sebagai anomali, sementara One-Class SVM,pada pengaturan yang digunakan, tidak dapat secara visual mengidentifikasi anomali dalamdataset yang digunakan, hal ini mengindikasikan perlunya penyesuaian kembali model danparameter yang digunakan. Penelitian ini membuktikan bahwa MATLAB dapat digunakansebagai alat yang sangat efektif untuk analisis data blockchain, dan memungkinkan estimasiawal terhadap terjadinya ancaman keamanan dan kesehatan pada jaringan secarakeseluruhan.]]>
Copyrights © 2025
