Deteksi Risiko Keuangan pada Aset Digital Menggunakan Machine Learning

Abstract

Pertumbuhan transaksi aset digital berbasis blockchain telah menciptakan peluang baru dalam sistem keuangan digital, namun di sisi lain juga meningkatkan kompleksitas manajemen risiko akibat tingginya volatilitas harga, aktivitas transaksi yang tidak wajar, serta potensi penyalahgunaan seperti pencucian uang dan penipuan. Penelitian ini bertujuan untuk mengidentifikasi pola transaksi berisiko dan memprediksi tingkat risiko keuangan pada ekosistem blockchain menggunakan pendekatan machine learning. Data transaksi blockchain dikumpulkan, diproses melalui tahap pembersihan data, normalisasi, dan ekstraksi fitur sebelum dilakukan analisis. Algoritma K-Means digunakan untuk mengelompokkan pola transaksi berdasarkan karakteristik yang serupa, sedangkan algoritma Random Forest diterapkan untuk mengklasifikasikan tingkat risiko transaksi berdasarkan hasil pengelompokan dan atribut transaksi yang tersedia. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score untuk mengukur kemampuan klasifikasi secara komprehensif. Hasil penelitian menunjukkan bahwa proses clustering berhasil membentuk tiga kategori risiko utama, yaitu Low Risk, Medium Risk, dan High Risk, yang merepresentasikan dinamika pasar Bitcoin berdasarkan pola harga dan volume transaksi. Selanjutnya, model Random Forest mampu memberikan performa prediksi yang sangat baik dengan nilai akurasi, presisi, recall, dan F1-score masing-masing berada di atas 99%, serta menunjukkan performa yang sedikit lebih unggul dibandingkan Decision Tree karena lebih stabil dalam menangani fluktuasi data melalui pendekatan ensemble learning. Temuan ini mengindikasikan bahwa integrasi metode machine learning pada sistem blockchain dapat meningkatkan efektivitas deteksi dini terhadap aktivitas transaksi yang berpotensi menimbulkan risiko keuangan, sekaligus mendukung proses pengambilan keputusan bagi investor, lembaga keuangan, dan regulator dalam membangun ekosistem aset digital yang lebih aman, transparan, dan berkelanjutan. Model yang dikembangkan juga berpotensi diimplementasikan sebagai early warning system berbasis data real-time untuk mendukung manajemen risiko pada perdagangan aset digital.