Bisakah AI Mendeteksi Skema Ponzi Ethereum Sebelum Dana Bergerak?

Deteksi penipuan kripto biasanya dimulai setelah uang mulai bergerak. Penyidik melacak transaksi, bursa menandai alamat yang mencurigakan, dan tim kepatuhan mencari pola yang dapat dikenali. Pendekatan itu memang diperlukan, namun bersifat reaktif. Pada saat sebuah alamat telah mengumpulkan cukup riwayat sehingga tampak berbahaya, investor mungkin sudah kehilangan dana mereka.

Sebuah studi baru memperkenalkan kemungkinan berbeda: memeriksa logika sebuah Ethereum (ETH ) kontrak sebelum riwayat transaksinya menjadi berguna. Peneliti dari Hohai University mengembangkan PonziFusion, sebuah kerangka kerja pembelajaran mesin yang mencari bytecode kontrak pintar yang diterapkan untuk karakteristik semantik dan struktural dari skema Ponzi.¹

Perbedaan penting terletak pada waktu. PonziFusion tidak memerlukan kode sumber yang terverifikasi atau catatan panjang deposit dan pembayaran. Ia menganalisis apa yang diprogramkan kontrak untuk dilakukan dan bagaimana jalur eksekusinya diatur, berpotensi mengarahkan keamanan menuju penyaringan risiko sebelum transaksi.

Mengapa Skema Ponzi Ethereum Sulit Dideteksi

Skema Ponzi konvensional menggunakan uang dari peserta baru untuk membayar peserta sebelumnya, menciptakan kesan pengembalian yang sah. Versi blockchain dapat mengkodekan proses tersebut ke dalam kontrak pintar dan beroperasi tanpa perantara manusia yang terlihat.

Kontrak pintar Ethereum adalah program yang dijalankan oleh Ethereum Virtual Machine. Setelah diterapkan, bytecode-nya dapat diakses publik dan sulit diubah. Transparansi itu terdengar ideal untuk pengawasan, namun bytecode mentah tidak ditulis untuk pembaca manusia. Ia kekurangan nama deskriptif dan struktur jelas yang terdapat pada kode sumber.

Kode sumber yang terverifikasi jauh dari universal. Studi mencatat bahwa Ethereum memiliki lebih dari 88 juta kontrak pintar yang diterapkan pada Desember 2025, sementara hanya sekitar 825.000 yang memiliki kode sumber yang terverifikasi secara publik di Etherscan. Sistem yang bergantung pada kode sumber yang dapat dibaca akan membuat sebagian besar kontrak berada di luar jangkauannya.

Sistem berbasis transaksi memiliki masalah sebaliknya. Mereka dapat mengidentifikasi hubungan pembayaran yang mencurigakan, transfer melingkar, atau pengembalian abnormal, namun hanya setelah aktivitas terjadi. Kontrak Ponzi yang baru diterapkan mungkin awalnya tampak tidak berbahaya karena terlalu sedikit transaksi untuk membentuk pola perilaku. Hal ini menciptakan kesenjangan berbahaya antara penerapan dan deteksi.

Bagaimana PonziFusion Membaca Niat Kontrak

PonziFusion menggabungkan dua pandangan terhadap kontrak yang sama. Yang pertama memeriksa semantik opcode, yaitu instruksi tingkat rendah yang terkandung dalam bytecode Ethereum. Instruksi ini dapat mengungkap operasi yang melibatkan nilai masuk, perubahan penyimpanan, dan panggilan eksternal. Yang kedua memeriksa grafik alur kontrol kontrak, sebuah representasi dari kemungkinan jalur eksekusi yang dapat diambil program.

Setiap pandangan secara sendiri tidak lengkap. Fitur semantik dapat menunjukkan bahwa sebuah kontrak memindahkan dana tetapi mungkin tidak menjelaskan susunan lebih luas dari operasi tersebut. Fitur struktural dapat mengungkap cabang berulang dan jalur pembayaran tetapi mungkin tidak membedakan sistem distribusi penipuan dari aplikasi keuangan yang sah. PonziFusion menggabungkan keduanya untuk menangkap baik apa yang dilakukan kontrak maupun bagaimana logikanya diatur.

Kerangka kerja ini menghilangkan informasi yang dapat mengaburkan sinyal. Ia menyaring node alur kontrol yang tidak dapat dijangkau atau tidak relevan serta logika dispatcher rutin, kemudian menggabungkan jalur linier sederhana. Fitur dari jalur global dan subgraf lokal dipasangkan dengan urutan opcode dan diberikan ke classifier random forest.

Para peneliti mengatasi masalah umum lain dalam deteksi penipuan: ketidakseimbangan kelas. Dataset mereka mencakup jauh lebih banyak kontrak sah dibandingkan skema Ponzi. Mereka menggunakan SVM‑SMOTE untuk membuat representasi sintetis dari kelas minoritas dalam data pelatihan, sambil mempertahankan ketidakseimbangan asli pada lipatan pengujian.

• Fitur opcode menjelaskan operasi yang dilakukan kontrak.
• Fitur alur kontrol menjelaskan bagaimana operasi tersebut terhubung.
• Penyaringan mengurangi kebisingan sebelum klasifikasi.
• Oversampling membantu model belajar dari contoh Ponzi yang sedikit.

Apa yang Ditunjukkan Hasil Deteksi Penipuan Ethereum

Studi ini mengevaluasi 6.166 kontrak Ethereum unik yang diambil dari tiga dataset terbuka. Hanya 389 yang diklasifikasikan sebagai skema Ponzi, menjadikan kinerja presisi‑recall sangat penting. Sebuah model dapat tampak akurat pada dataset yang tidak seimbang hanya dengan memprediksi bahwa hampir semua adalah sah.

PonziFusion mengungguli semua enam metode perbandingan dalam hal presisi, recall, F1-score, AUC-ROC, dan AUC-PR. Presisi 0.9297 menunjukkan bahwa kontrak yang ditandai sebagai skema Ponzi biasanya penipuan. Hal ini penting secara operasional karena alarm palsu yang berlebihan dapat membuat sistem penyaringan tidak dapat digunakan.

Recall 0.7550 memerlukan kehati-hatian lebih. Model ini mendeteksi kira-kira tiga perempat kontrak Ponzi, yang juga berarti ia melewatkan sekitar satu perempat. Oleh karena itu PonziFusion lebih tepat dipahami sebagai lapisan peringkat risiko daripada penilai definitif. Sebuah peringatan dapat memicu analisis lebih mendalam, simulasi transaksi, atau tinjauan manual, sementara hasil bersih tidak boleh dianggap sebagai bukti keamanan.

Mengapa Penyaringan Pra-Transaksi Dapat Mengubah Keamanan Kripto

Nilai lebih luas dari penelitian ini tidak terbatas pada mengidentifikasi kontrak Ponzi klasik. Penelitian ini menggambarkan bagaimana analisis kontrak statis dapat menjadi bagian dari proses keputusan sebelum dompet menandatangani transaksi.

Sebuah dompet dapat membandingkan interaksi yang diminta dengan skor risiko bytecode. Sebuah bursa dapat menyaring token yang baru terdaftar sebelum mengaktifkan setoran. Sebuah platform kepatuhan dapat memprioritaskan kontrak untuk penyelidikan tanpa menunggu korban menghasilkan jejak yang dapat dikenali. Kontrol ini akan melengkapi analitik perilaku alih-alih menggantikannya.

Penipuan kripto meliputi beberapa lapisan. Rekayasa sosial memaksa korban untuk bertindak, antarmuka menyamarkan tujuan, kontrak mengeksekusi logika, dan transaksi memindahkan aset. Liputan Securities.io tentang penindakan global terhadap penipuan kripto menunjukkan bagaimana masalah ini telah menjadi internasional. Pemeriksaannya terhadap deteksi phishing Ethereum yang sadar pasar juga menunjukkan bahwa aktivitas penipuan berubah seiring kondisi pasar.

PonziFusion menambahkan sinyal yang berbeda: program itu sendiri. Menggabungkan risiko pada tingkat kontrak, perilaku transaksi, intelijen alamat, dan peringatan antarmuka pengguna dapat menghasilkan pertahanan yang jauh lebih kuat dibandingkan metode tunggal mana pun.

Batas Membaca Penipuan Dari Bytecode

Penyerang akan beradaptasi jika penyaringan statis menjadi luas. Mereka dapat menyisipkan kode mati, memecah operasi sederhana menjadi banyak blok, membuat cabang palsu, atau meratakan alur kontrol sehingga struktur asli sulit dipulihkan. PonziFusion dapat mengurangi beberapa kebisingan dasar, namun peneliti mengakui bahwa obfuscasi lanjutan tetap menantang.

Kerangka kerja ini juga sebagian bergantung pada aturan yang telah ditentukan sebelumnya yang mengidentifikasi operasi terkait penanganan dana. Skema baru yang menggunakan instruksi tidak dikenal atau mekanisme pembayaran tidak langsung dapat menyebabkan filter membuang bukti penting. Selain itu, model memperlakukan skema Ponzi sebagai satu kelas meskipun strukturnya dapat berupa rantai, pohon, berbasis waterfall, atau hibrida.

Keterbatasan ini mengarah pada masa depan berlapis. Analisis statis dapat menyaring kontrak, simulasi dapat menguji perilakunya, dan pemantauan transaksi dapat mengidentifikasi jaringan pembayaran yang berkembang. Penyidik dapat memfokuskan pada kontrak di mana sinyal-sinyal tersebut berkonvergensi.

Pendekatan berlapis itu terutama penting seiring arsitektur blockchain menjadi lebih kompleks. Analisis terbaru Securities.io tentang arsitektur blockchain untuk era kuantum menyoroti bagaimana asumsi keamanan harus berkembang seiring infrastruktur yang mendasarinya. Deteksi penipuan menghadapi kebutuhan yang sama: pertahanan harus mampu beradaptasi seiring desain kontrak dan teknik penyerang berubah.

Berinvestasi dalam Intelijen Blockchain melalui Mastercard

Bagi investor yang mencari eksposur pada keamanan aset digital daripada token sekuritas spekulatif, Mastercard menawarkan koneksi pasar publik yang relevan. Perusahaan ini mengakuisisi CipherTrace, sebuah bisnis intelijen cryptocurrency yang menyediakan perlindungan penipuan, alat anti-pencucian uang, dan investigasi blockchain untuk bank, bursa, dan institusi lainnya.

Kemampuan existing Mastercard sangat berfokus pada atribusi transaksi blockchain dan intelijen risiko. PonziFusion menangani tahap pelengkap dengan menilai logika kontrak sebelum riwayat transaksi tersedia. Tidak ada hubungan komersial yang diungkapkan antara Mastercard dan peneliti, namun studi ini menunjukkan bagaimana pembelajaran mesin pada tingkat kontrak dapat memperluas cakupan platform intelijen blockchain.

Mastercard telah menggambarkan CipherTrace sebagai bagian dari penawaran terintegrasi yang menggabungkan kemampuan AI, siber, dan blockchain. Jika institusi yang diatur terus mengadopsi aset tokenisasi dan layanan kripto, permintaan harus meningkat untuk alat yang mengevaluasi pihak lawan, transaksi, dan kontrak yang mengaturnya. Mastercard menawarkan eksposur yang terdiversifikasi terhadap tren tersebut melalui bisnis pembayaran dan keamanan siber yang lebih luas, bukan bergantung pada satu model deteksi.

Dari Melacak Dana yang Dicuri Hingga Mencegah Paparan

PonziFusion tidak menyelesaikan penipuan Ethereum, dan tingkat recall-nya menunjukkan bahwa ia tidak dapat beroperasi secara aman sebagai satu-satunya garis pertahanan. Signifikansinya terletak pada menunjukkan bahwa sinyal penipuan yang berguna dapat diekstrak dari bytecode yang tidak transparan sebelum kontrak membangun catatan perilaku yang panjang.

Itu mengubah urutan perlindungan. Alih-alih menunggu kerugian, melacak dana, dan memberi label pada alamat, platform dapat menilai risiko kontrak saat penyebaran atau segera sebelum interaksi. Sistem terkuat akan menggabungkan peringatan dini ini dengan simulasi, analitik transaksi, dan intelijen ancaman yang terus diperbarui.

Untuk Ethereum dan ekonomi kontrak pintar yang lebih luas, kepercayaan akan bergantung kurang pada apakah setiap pengguna dapat membaca kode dan lebih pada apakah infrastruktur keamanan dapat menerjemahkan kode menjadi sinyal risiko yang dapat dipahami. PonziFusion adalah langkah awal yang kredibel menuju tujuan tersebut.

Referensi:

¹ Lei, J., Tong, Y., Ji, S., Wang, X., Huang, C., & Zhang, P. (2026). PonziFusion: Deteksi skema Ponzi melalui penggabungan fitur semantik dan struktural kontrak. Blockchain: Research and Applications, 100565. https://doi.org/10.1016/j.bcra.2026.100565