Pemalsuan ijazah digital menjadi permasalahan yang dapat mengurangi kepercayaan terhadap keaslian dokumen akademik. Penelitian ini bertujuan mengembangkan sistem verifikasi ijazah digital berbasis blockchain untuk menjamin integritas dan keaslian dokumen. Sistem dibangun dengan mengintegrasikan algoritma SHA-256, Merkle Tree, digital signature, dan blockchain. Proses verifikasi dilakukan melalui pembangkitan hash dokumen, pembentukan Merkle Root, serta pencocokan Merkle Root dan digital signature dengan data referensi yang tersimpan pada blockchain. Pengujian dilakukan menggunakan 14 dokumen yang terdiri atas 1 ijazah asli dan 13 ijazah yang telah dimodifikasi pada berbagai komponen data. Hasil pengujian menunjukkan bahwa sistem mampu mengidentifikasi seluruh dokumen sesuai kondisi sebenarnya dengan Accuracy Verification Rate sebesar 100%. Setiap perubahan data menghasilkan nilai hash dan Merkle Root yang berbeda sehingga dapat dideteksi secara akurat. Hasil penelitian menunjukkan bahwa integrasi SHA-256, Merkle Tree, digital signature, dan blockchain efektif dalam meningkatkan keamanan, integritas, serta keandalan proses verifikasi ijazah digital.
Risqy Pradana Putra, Fara Triadi -, Ahmad Rofiq Hakim
Perkembangan teknologi informasi mendorong penerapan sistem yang lebih efisien dan transparan dalam manajemen gudang. Penelitian ini bertujuan merancang sistem manajemen gudang berbasis QR Code dan Blockchain untuk meningkatkan akurasi, keamanan, dan efisiensi pelacakan barang. Sistem mengintegrasikan mikrokontroler ESP32, modul GM65 barcode scanner, printer thermal, dan UPS sebagai sumber daya mandiri. QR Code digunakan untuk identifikasi dan pelacakan barang secara real-time, sedangkan Blockchain memastikan data transaksi tersimpan secara aman, transparan, dan tidak dapat diubah. Penelitian menggunakan metode Waterfall yang meliputi analisis kebutuhan, perancangan, implementasi, dan pengujian sistem. Hasil pengujian menunjukkan bahwa sistem mampu melakukan pencatatan, pemindaian, dan pembaruan data stok secara real-time dengan tingkat akurasi yang tinggi. Sistem ini memberikan solusi yang efektif untuk meningkatkan efisiensi operasional, keamanan data, dan transparansi dalam pengelolaan gudang berbasis Internet of Things (IoT).
This study aims to analyze the comparative performance of Cryptocurrency Bitcoin, Stocks, and Gold as investment instruments using performance measurement variables including the Sharpe, Treynor, Jensen, and Sortino ratios. This research employs a descriptive quantitative approach. The population consists of monthly closing prices of Bitcoin, IDX30 stocks, and Gold. The sampling technique used is saturated sampling, resulting in 60 data points for each investment instrumentâBitcoin, IDX30 stocks, and Goldâduring the period from January 1, 2020 to December 31, 2024.The analytical method applied is comparative analysis using secondary data. The data were initially calculated using Microsoft Excel and subsequently processed statistically using SPSS through the KruskalâWallis test. The results indicate significant differences among Bitcoin, IDX30 stocks, and Gold when investment performance is assessed using the Sharpe, Treynor, Jensen, and Sortino indices.Based on the KruskalâWallis test, Gold demonstrates the best performance according to the Sharpe and Jensen indices, IDX30 stocks perform best according to the Treynor index, and Bitcoin shows the best performance according to the Sortino index. However, based on the highest overall average return value, Cryptocurrency Bitcoin outperforms the other instruments. Therefore, it can be concluded that the best alternative investment is Cryptocurrency Bitcoin. Penelitian ini bertujuan untuk menganalisis perbandingan kinerja Cryptocurrency Bitcoin, Saham, dan Emas sebagai instrumen investasi menggunakan variabel pengukuran kinerja Sharpe, Treynor, jensen, dan Sortino. Jenis penelitian merupakan kuantitatif Deskriptif. Populasi yang digunakan merupakan harga penutupan bulanan dari Bitcoin, IDX30, dan Emas. Teknik pemilihan sampel adalah sampel jenuh yang berjumlah 60 data untuk masing-masing instrumen investasi Bitcoin, Saham IDX30, dan Emas selama periode 1 januari 2020 â 31 Desember 2024. Metode analisis yang digunakan adalah metode komperatif dan menggunakan data sekunder. Data dihitung terlebih dahulu dengan menggunakan program Microsoft Excel kemudian diolah secara statistik menggunakan aplikasi SPSS yaitu Uji Kruskall-Wallis. Hasil penelitian menunjukkan bahwa terdapat perbedaan yang signifikan antara Bitcoin, Saham IDX30, dan Emas jika kinerja investasi dilihat dari Indeks Sharpe, Treynor, Jensen, dan Sortino. Berdasarkan uji Kruskal-Wallis, investasi terbaik menurut indeks Sharpe dan Jensen , adalah Emas, sedangkan menurut Indeks Teynor Saham IDX30, dan menurut Indeks Sortino adalah Cryptocurrency Bitcoin. Sedangkan dengan nilai jumlah rata-rata terbaik adalah Cryptocurrency Bitcoin. Sehingga dapat disimpulkan bahwa alternatif investasi terbaik adalah Cryptocurrency Bitcoin.
Ryan Anthony, Jechenthia Maria Taso, Stephen Yohanes Christopher, Ridhwan Ardiyansyah
This study aims to analyze and compare the performance of three algorithms, namely Support Vector Regression (SVR) with a linear kernel, XGBoost, and LightGBM, in predicting the Price of Ethereum cryptocurrency based on daily historical data. The study uses Ethereum Price data in USD for the last five years obtained from the investing.com website. The variables used are Close, Open, High, and Low Prices. The study uses two data splitting scenarios: 80% training data and 20% testing data, and 70% training data and 30% testing data. This study also uses time step variations to test the effect of time dependency on algorithm performance. The results indicate that the LightGBM algorithm has the best performance compared to the other two algorithms with an average MAE value for High Price of 75.486, SVR has a value of 115.590, and XGBoost has a value of 77.314 in the 80% training data and 20% testing data split. In the 70% training data and 30% testing data split, the LightGBM algorithm still excels with an average MAE value for High Price of 78.228, SVR of 104.356, and XGBoost of 83.573. Other evaluations such as RMSE and R2 also show the superiority of the LightGBM algorithm. For the required computation time, the SVR algorithm outperforms the other two algorithms.
Muhammad Husnul Hamdala, Erna Kumalasari Nurnawati, Yuliana Rachmawati Kusumaningsih, Suparyanto
The threat to blockchain security has become increasingly critical in the era of quantum computing. This study analyzes the potential risks of quantum computers against crypto by simulating five attack scenarios using Shorâs Algorithm and Groverâs Algorithm. Shor is employed to exploit weaknesses in the elliptic curve digital signature algorithm (ECDSA) by factoring large integers to obtain private keys, while Grover accelerates the search for valid hashes or inputs, reducing complexity from O(2âż) to O(â2âż). The testing environment was built on a local Ethereum network using Ganache, with attack scripts implemented through Node.js, Python (Qiskit), and Hardhat. The results demonstrate that both quantum algorithms can compromise smart contracts, proof-of-stake consensus mechanisms, user wallets, and public key cryptography. Attacks were successfully carried out without original private keys, showing potential for asset theft, consensus manipulation, replay attacks, and increased computational load that could disrupt network availability. Although the simulations were conducted on classical hardware, the findings provide a realistic perspective that large-scale quantum computers will significantly increase the risk of blockchain security breaches. These findings emphasize the urgency of transitioning to post-quantum cryptography (PQC) through approaches such as lattice-based cryptography, hash-based signatures, and layered authentication. Implementation strategies can be divided into three phases: short-term (0â1 year) contract audits, wallet security reinforcement, and developer education; medium-term (1â2 years) PQC testing on crypto testnets and adoption of quantum-resistant validator nodes and long-term (1â3 years) full migration from ECDSA to PQC through key rotation and infrastructure updates.
Penelitian ini berfokus pada pengembangan framework autentikasi tanpa kata sandi (passwordless) berbasis Web3 yang diimplementasikan pada platform mobile guna mengatasi kerentanan metode tradisional terhadap serangan phishing dan brute force. Framework yang diusulkan mengintegrasikan aplikasi mobile dengan backend Node.js/Express.js dan smart contract standar ERC-5192 pada jaringan Ethereum Sepolia Testnet sebagai representasi identitas digital Soulbound Tokens (SBT) yang permanen dan non-transferable. Demi menjaga privasi, sistem ini menerapkan teknologi Zero-Knowledge Proof (ZKP) berbasis zk-SNARKs skema Groth16 menggunakan Circom dan SnarkJS yang dieksekusi di sisi klien (client-side browser) menggunakan WebAssembly (WASM), serta dipadukan dengan struktur data Merkle Tree tingkat kedalaman 20 dan mekanisme nullifier untuk mencegah replay attack. Hasil pengujian menunjukkan tingkat keberhasilan autentikasi mencapai 100% dari 50 kali percobaan. Pemindahan beban komputasi sirkuit ZKP (5.359 konstrain) ke sisi klien terbukti efisien dengan waktu eksekusi komputasi lokal jika diakumulasikan dari tahap awal koneksi wallet (0,8 detik), pembuatan witness (1,2 detik), pembuatan proof (4,8 detik), hingga verifikasi smart contract (210 ms), maka Total Authentication Time adalah sebesar 6,3 detik. Nilai ini membuktikan kelayakan framework ini sebagai solusi manajemen identitas yang aman, privat, dan responsif.
This research aims to develop a predictive model for estimating the daily closing price of Ethereum (ETH) against the Indonesian Rupiah (IDR) using the Random Forest Regression algorithm. Ethereum is one of the most widely traded cryptocurrencies and is known for its high volatility, which makes accurate price prediction essential for supporting data-driven investment decisions. Historical price data were collected from the CoinGecko API for a period of 365 days, followed by preprocessing, feature engineering, and the computation of several technical indicators including Exponential Moving Average (EMA-14), Relative Strength Index (RSI-14), Daily Return, Bollinger Bands Upper, Average True Range (ATR-14), and Close Lag-1.The research starting from data selection and preprocessing to modeling, evaluation and visualization. Random Forest Regression was chosen due to its robustness in handling nonlinear relationships and noisy time-series data. The dataset was split using a 90:10 time-based hold-out method, and model performance was evaluated using four regression metrics: MAE, RMSE, MAPE, and R-squared. The best configuration of the model achieved a MAPE of 2.88%, indicating a high level of predictive accuracy. Feature importance analysis shows that Daily Return and ATR-14 contributed most significantly to the prediction. The findings demonstrate that Random Forest Regression can effectively capture the nonlinear patterns in cryptocurrency price movements, providing an accurate and reliable model for short-term forecasting. This model may serve as a valuable reference for investors, financial analysts, and developers of automated trading systems.
Perkembangan cryptocurrency, khususnya ethereum telah menarik perhatian banyak kalangan karena volatilitas harga yang tinggi karena dipengaruhi oleh faktor-faktor ekonomi dan sentimen pasar. Penelitian ini bertujuan untuk menganalisis hubungan antara sentimen pengguna twitter dengan fluktuasi harga ethereum menggunakan teknologi Natural Language Processing (NLP) dan Machine Learning (ML). Metode yang digunakan mencakup pengumpulan data tweet tentang ethereum, pra-pemrosesan data, serta analisis sentimen menggunakan algoritma NaĂŻve Bayes. Data harga ethereum diperoleh dari sumber informasi kripto. Hasil analisis menunjukkan bahwa meskipun terdapat fluktuasi antara sentimen positif dan negatif di twitter, korelasi antara sentimen publik dan pergerakan harga ethereum sangat lemah, dengan nilai koefisien korelasi yang rendah
Penelitian ini bertujuan untuk membuktikan secara empiris (Proof-of-Concept) bahwa Bahasa Indonesia memiliki kapasitas leksikal untuk menggantikan peran Bahasa Inggris dalam protokol BIP-39 tanpa mendegradasi keamanan matematis sistem. Metode yang digunakan adalah eksperimental terapan dengan mengembangkan wordlist 2048 kata Bahasa Indonesia dan mengimplementasikan algoritma derivasi kunci pada lingkungan browser extension. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan entropi 128-bit yang ekuivalen dengan standar NIST serta berhasil melakukan tanda tangan digital (ECDSA) yang valid pada jaringan Ethereum Sepolia. Kesimpulan: Bahasa Indonesia terbukti memiliki kesetaraan fungsional dalam konteks kriptografi terapan, namun penggunaannya dibatasi sebagai eksperimen riset dan bukan untuk menggantikan standar global. DISCLAIMER: Penelitian ini bersifat eksperimental. Wordlist Indonesia tidak kompatibel dengan wallet standar (MetaMask, Ledger, dll). Seed phrase yang dibuat tidak dapat di-import ke wallet lain.
pada level bytecode.Penelitian ini mengimplementasikan metode deteksi malicious smart contract berbasis opcode menggunakan Graph Neural Network (GNN) dengan representasi Control Flow Graph (CFG) pada dataset Forta Network yang terdiri dari 139.600 kontrak dengan rasio ketidakseimbangan kelas 936:1 (149 malicious berbanding 139.451 benign).Setiap smart contract direpresentasikan sebagai CFG di mana basic block menjadi node berfitur 22 dimensi yang terdiri dari frekuensi 14 sensitive opcode dan representasi one-hot tipe instruksi exit, sedangkan hubungan antar blok direpresentasikan sebagai edge dengan lima kategori.Graf yang
Open access
Computer Science and Engineering
Information Retrieval and Data Mining
Physical Unclonable Functions (PUFs) and Hardware Security
I Made Candra Girinata, Budi Styawan, Arwin Wahyu Saputra, M Aidil Arif ¡ 5 authors
ABSTRAK Perkembangan aset kripto yang pesat, khususnya Ethereum, menuntut adanya model prediksi harga yang akurat untuk mendukung strategi investasi dan manajemen risiko. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja dua algoritma machine learning ensemble, yaitu Random Forest (RF) dan XGBoost, dalam memprediksi harga harian Ethereum. Dataset historis ETH/USD sebanyak 3.423 observasi dari periode September 2016 hingga Juli 2025 diperoleh dari platform Bitfinex. Setelah melalui tahap pra-pemrosesan data dan rekayasa fitur temporal, dataset dibagi dengan rasio 80:20 untuk pelatihan dan pengujian. Model dievaluasi menggunakan metrik Root Mean Square Error (RMSE) dan Koefisien Determinasi (R²). Hasil eksperimen menunjukkan bahwa XGBoost secara signifikan mengungguli Random Forest, dengan nilai RMSE 134.63 dan R² 0.958. Sebagai perbandingan, Random Forest menghasilkan RMSE 208.45 dan R² 0.899. Temuan ini mengindikasikan bahwa mekanisme boosting pada XGBoost lebih efektif dalam menangkap kompleksitas dan volatilitas data pasar kripto. Kata kunci: Prediksi Harga, Ethereum, Machine Learning, XGBoost, Random Forest.
Perkembangan teknologi komputer dan telekomunikasi meningkatkan efisiensi pengolahan data, namun menimbulkan tantangan keamanan, khususnya pada data rekam medis elektronik (RME) yang bersifat sensitif. Penelitian ini mengimplementasikan metode Zero-Knowledge Proof (ZKP) dan Revest Shamir Adleman (RSA) untuk meningkatkan keamanan dan privasi RME. ZKP memungkinkan pembuktian tanpa mengungkapkan informasi rahasia, sedangkan RSA menjaga kerahasiaan dan integritas data melalui enkripsi-dekripsi. Hasilnya, entropi data meningkat 24,53% (4,8314 menjadi 6,0165 bits/byte) setelah enkripsi RSA 2048-bit dengan padding OAEP berbasis SHA-256. Protokol ZKP metode Schnorr berhasil diimplementasikan tanpa membocorkan rahasia pengguna. Pengujian pada 100 pengguna simultan menunjukkan waktu respons rata-rata 1,8 detik dengan keberhasilan permintaan di atas 94%. Tantangan utama adalah beban komputasi autentikasi ZKP dan efisiensi saat jumlah pengguna bertambah. Integrasi RSA dan ZKP terbukti efektif meningkatkan keamanan, menjaga privasi, dan mempertahankan kinerja sistem RME.
Mekanisme konsensus memainkan peran krusial dalam menentukan efisiensi dan skalabilitas sistem blockchain. Dua algoritma yang paling umum digunakan adalah Proof of Work dan Proof of Stake, masing-masing dengan karakteristik performa yang berbeda dalam menghadapi beban transaksi tinggi. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja kedua mekanisme konsensus tersebut melalui pendekatan eksperimental berbasis simulasi. Pengujian dilakukan menggunakan Framework Hardhat dalam lingkungan lokal dengan dua skenario utama: transaction scaling dan burst transaction. Empat metrik evaluasi digunakan, yaitu throughput, transaction latency, finality time, dan mempool congestion. hasil pengujian menunjukkan bahwa Proof of Stake secara konsisten unggul dalam keempat metrik, dengan throughput tinggi, latency dan finality time yang stabil, serta mempool congestion yang terkendali. Sebaliknya, Proof of Work mengalami penurunan performa signifikan pada beban tinggi akibat proses mining yang tetap dan tidak adaptif. Uji statistik Mann-Whitney U menunjukkan bahwa perbedaan performa tersebut signifikan secara statistik di hampir semua metrik. Penelitian ini memberikan wawasan lebih dalam mengenai kelebihan dan keterbatasan masing-masing mekanisme konsensus dalam kondisi beban tinggi dengan menggunakan hardhat, serta kontribusi nya terhadap pemahaman skalabilitas blockchain dalam dunia nyata. Temuan ini mengindikasikan bahwa Proof of Stake lebih sesuai untuk implementasi blockchain berskala besar yang memerlukan efisiensi dan kecepatan tinggi.
Tingginya risiko manipulasi data dan lemahnya sistem autentikasi tradisional menimbulkan tantangan serius dalam menjaga keamanan identitas digital. Dampak dari permasalahan ini adalah meningkatnya potensi pencurian data, penyalahgunaan identitas, serta rendahnya tingkat kepercayaan terhadap sistem keamanan digital yang ada. Untuk menjawab tantangan tersebut, penelitian ini mengembangkan sistem autentikasi wajah berbasis blockchain yang aman, transparan, dan terdesentralisasi. Sistem dirancang dengan memanfaatkan algoritma SHA-256 untuk mengubah data wajah menjadi hash yang tidak dapat dibalik, sehingga menjaga privasi dan integritas data pengguna. Informasi identitas dicatat ke dalam blockchain melalui smart contract berbasis Ethereum yang dijalankan menggunakan Ganache, dengan bahasa pemrograman Python dan pustaka face_recognition sebagai deteksi wajah serta web3.py untuk integrasi blockchain. Hasil penelitian menunjukkan sistem mampu mengenali wajah secara akurat, memverifikasi identitas secara real-time, serta memastikan data tidak dapat dimanipulasi karena tercatat dalam blockchain. Sistem ini dapat dimanfaatkan oleh institusi pendidikan, perusahaan, maupun instansi pemerintah untuk meningkatkan keamanan akses, sistem absensi, serta perlindungan data sensitif. Penelitian selanjutnya dapat diarahkan pada implementasi di jaringan testnet Ethereum publik agar mendekati skenario dunia nyata, termasuk pengujian biaya gas, performa transaksi, serta integrasi dengan aplikasi berbasis mobile.
Abstrak - Tingginya volatilitas Bitcoin mendorong kebutuhan model prediktif presisi untuk landasan keputusan investasi optimal. Studi ini mengimplementasikan algoritma Random Forest guna memprediksi pergerakan harga berdasarkan 1.766 data historis harian (Januari 2020-Oktober 2024). Pra-pemodelan diawali analisis korelasi Pearson dengan ambang batas 0.5, yang menyeleksi fitur High (0,999), Open (0,998), dan Low (0,997) sebagai prediktor akibat asosiasi kuat, sementara Volume dan Change% dieliminasi karena kontribusi minimal. Pengujian membandingkan dua strategi pembagian data: partisi acak dan tidak acak (rasio 80:20), menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Akurasi. Hasil empiris menunjukkan partisi acak unggul (MAPE 1,34%; Akurasi 98,66%) dibanding partisi tidak acak (MAPE 1,7%; Akurasi 98,3%). Konklusi menegaskan efektivitas signifikan algoritma Random Forest, dengan keberhasilan bergantung pada ketepatan seleksi fitur dan adaptasi strategi pembagian data terhadap karakteristik dataset.Kata kunci: Bitcoin; Random Forest; Prediksi Harga; Korelasi Pearson; MAPE; Abstract - The high volatility of Bitcoin necessitates precise predictive models for optimal investment decision-making. This study implements the Random Forest algorithm to predict price movements based on 1,766 daily historical data points (January 2020 - October 2024). Pre-modeling began with Pearson correlation analysis with a threshold 0.5, which selected the High (0.999), Open (0.998), and Low (0.997) features as predictors due to their strong association, while Volume and Change% were eliminated due to their minimal contribution. The testing compared two data splitting strategies: random and non-random (80:20 ratio), using the Mean Absolute Percentage Error (MAPE) and Accuracy metrics. Empirical results showed that random partitioning outperformed non-random partitioning (MAPE 1.34%; Accuracy 98.66% compared to MAPE 1.7%; Accuracy 98.3%). The conclusion confirms the significant effectiveness of the Random Forest algorithm, with success depending on the accuracy of feature selection and adapting the data splitting strategy to the characteristics of the dataset. Keywords: Bitcoin; Random Forest; Price Prediction; Pearson Correlation; MAPE;
Aldi Bastiatul Fawait, Muh Jamil, Sitti Rahmah, Sugiarto Sugiarto
Perkembangan teknologi blockchain dalam beberapa tahun terakhir memberikan dampak besar terhadap sistem keuangan global, salah satunya melalui Ethereum (ETH) yang berfungsi sebagai aset kripto sekaligus fondasi ekosistem smart contract. Namun, volatilitas tinggi harga ETH membuat metode prediksi tradisional sulit menangkap pola nonlinier yang kompleks. Penelitian ini menerapkan metode Long Short-Term Memory (LSTM) untuk memprediksi harga ETH menggunakan data time-series dari investing.com periode 1 Januari 2021 hingga 21 Agustus 2025. Model LSTM dengan tiga lapisan menghasilkan performa baik dengan MAE 0,0387 dan R² 0,9741 pada data latih, serta MAE 22,59% dan R² 80,55% pada data uji. Hasil ini membuktikan bahwa LSTM efektif dalam mempelajari pola fluktuasi harga ETH meskipun akurasi pada data baru masih dapat ditingkatkan. Kontribusi penelitian ini adalah memperkuat literatur terkait prediksi kripto berbasis data jangka panjang sekaligus memberikan manfaat praktis bagi investor dan regulator dalam memahami dinamika volatilitas ETH.
Ethereum, sebagai salah satu aset kripto utama, memiliki volatilitas harga yang tinggi, sehingga menciptakan kebutuhan akan model prediksi yang akurat untuk membantu pengambilan keputusan investasi. Penelitian ini bertujuan untuk mengimplementasikan kinerja dua model machine learning populer, yaitu Gated Recurrent Unit (GRU) yang merupakan model deep learning untuk data sekuensial, dan Extreme Gradient Boosting (XGBoost) yang merupakan model ensemble. Data yang digunakan adalah data historis harga harian Ethereum yang mencakup fitur Open, High, Low, Close, Volume (OHLCV). Metode penelitian meliputi tahap pra-pemrosesan data seperti normalisasi Min-Max Scaler dan pembagian data dengan rasio 80% data latih dan 20% data uji. Evaluasi kinerja kedua model diukur menggunakan metrik Root Mean Squared Error (RMSE) dan R-squared (R²). Hasil pengujian menunjukkan bahwa model GRU menghasilkan prediksi yang lebih baik, mencapai nilai RMSE 101.37 dan R² 0.9718, sedangkan model XGBoost memperoleh nilai RMSE 107.29 dan R² 0.9656. Hal ini mengindikasikan bahwa kemampuan GRU dalam menangkap pola dan dependensi temporal pada data deret waktu lebih unggul untuk kasus prediksi harga Ethereum. Kesimpulan dari penelitian ini adalah model GRU lebih efektif dan dapat diandalkan untuk memprediksi harga Ethereum dibandingkan XGBoost dalam penelitian ini.
Zulfikar Gutama, Suhita Whini Setyahuni, Maria Safitri, Diana Puspitasari
Introduction: This study examines the roles of gold and Bitcoin as safe-haven assets amid global financial uncertainties from 2014 to 2025. While gold is traditionally viewed as a stable asset during market turmoil, Bitcoin's highly volatile and speculative nature challenges its role as a safe-haven. The purpose is to compare the stability and effectiveness of these assets in preserving investment value during crises.Methods: This quantitative research uses 136 monthly return data points of gold and Bitcoin. Analytical methods include independent sample t-tests for comparing average returns and Dynamic Conditional Correlation Generalized Autoregressive Conditional Heteroskedasticity (DCC-GARCH) models to assess volatility and dynamic correlations.Results: Findings reveal gold as a more stable and reliable safe-haven with consistently lower volatility and steadier returns. Bitcoin shows significantly higher volatility and fluctuating dynamic correlations with gold, indicating its speculative behavior. The t-test confirms a significant difference in average returns, while no strong causal relationship exists between the two assets. These results suggest gold is preferable for conservative investors, whereas Bitcoin serves better as a high-risk diversification instrument. Keywords: Bitcoin, Gold, DCC-GARCH, Safe Haven Asset, Investment Asset
Bitcoin is one of the most prominent digital assets in the modern financial era due to its high volatility and huge profit potential. However, its extreme price volatility also makes it a high-risk asset, so a reliable forecasting approach is needed to help investors make more rational decisions. This study aims to forecast Bitcoin price using the Moving Average (MA) method, specifically MA3, by utilizing monthly historical data of Bitcoin price in USD currency obtained from investing.com website. The MA3 method was chosen for its ability to smooth out short-term fluctuations and identify the direction of price trends. The forecasting process is performed by calculating the average of the last three months' prices for each point in time and compared to the actual price to evaluate its accuracy. The evaluation is done using various prediction error metrics, namely Error, Absolute Error, Squared Error, and Percentage Error. The results of the analysis show that the MA method provides a fairly representative picture of price trends and can be used as an early indicator in short-term investment strategies. Thus, the Moving Average method proves to be a simple but effective prediction tool, especially for novice investors in the dynamic crypto asset market.
Volatilitas pasar yang tinggi serta potensi keuntungan besar dari cryptocurrency menjadikan prediksi harga sebagai topik penelitian yang menarik. Penelitian ini bertujuan untuk memprediksi harga cryptocurrency Stellar (XLM) dengan menerapkan metode Deep Learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data yang digunakan mencakup harga harian XLM selama beberapa tahun terakhir, serta indikator teknikal dan aktivitas perdagangan. Model LSTM dan GRU dievaluasi berdasarkan akurasi dalam memprediksi harga XLM menggunakan metrik MAPE, RMSE, dan MSE. Hasil menunjukkan bahwa meskipun keduanya mampu menangkap pola tren jangka pendek, model GRU memberikan hasil yang lebih unggul. GRU mencatat MAPE sebesar 3.6164%, RMSE sebesar 0.0206, dan MSE sebesar 0.0004. Sementara itu, LSTM mencatat MAPE sebesar 4.5638%, RMSE sebesar 0.0244, dan MSE sebesar 0.0005. Temuan ini menunjukkan bahwa GRU lebih efektif dalam memodelkan kompleksitas dan non-linearitas data harga XLM dibandingkan LSTM. Dengan demikian, GRU dapat dipertimbangkan sebagai metode yang lebih unggul dalam prediksi harga cryptocurrency. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan model prediksi yang lebih akurat serta membantu pengambilan keputusan investasi yang lebih bijak. The high market volatility and significant profit potential of cryptocurrencies have made price prediction a compelling area of research. This study aims to predict the price of Stellar (XLM), a widely recognized cryptocurrency, by applying deep learning methods, namely Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). The dataset includes daily XLM prices over the past few years, along with technical indicators and trading activity data. The LSTM and GRU models are evaluated based on their accuracy in predicting XLM prices using metrics such as MAPE, RMSE, and MSE. The results show that while both models are capable of capturing short-term trends, the GRU model outperforms LSTM. GRU achieved a MAPE of 3.6164%, RMSE of 0.0206, and MSE of 0.0004, whereas LSTM recorded a MAPE of 4.5638%, RMSE of 0.0244, and MSE of 0.0005. These findings indicate that GRU is more effective in modeling the complexity and non-linearity of XLM price data compared to LSTM. Therefore, GRU can be considered a superior approach for cryptocurrency price prediction. This study is expected to contribute to the development of more accurate forecasting models and to support better investment decision-making.
This study discusses phishing detection on the Ethereum network using machine learning methods, specifically Graph Convolutional Networks (GCNs) and Enhanced Graph Attention Networks (EGAT). The background of this research is based on the increasing number of phishing attacks in the blockchain ecosystem that can threaten the financial security of users. The research aims to analyze the incidence rate of phishing attacks and develop effective and efficient detection methods. The methodology includes data collection from Ethereum transactions and phishing activities, followed by feature extraction, machine learning model training, and evaluation using metrics such as accuracy, precision, recall, and F-score. The identified research gap is the lack of focus on early-stage phishing detection in the Ethereum network and the suboptimal performance of existing methods in recognizing complex transaction patterns. The results indicate that EGAT achieves an accuracy of 93.6%, outperforming GCNs, which reach 91.2%. The conclusion of this research is that the EGAT method is superior in detecting phishing activities, providing significant contributions to security in the Ethereum network.
Ahmad Jurnaidi Wahidin, Rayhan Maulana Sugiharto Putra
Penelitian ini mengkaji potensi investasi dalam cryptocurrency dengan menerapkan metode Net Present Value (NPV) sebagai sistem pendukung keputusan untuk menilai dan membandingkan tiga cryptocurrency yaitu Bitcoin (BTC), Ethereum (ETH), dan Binance Coin (BNB). Cryptocurrency telah muncul sebagai instrumen investasi yang menarik perhatian besar dalam beberapa tahun terakhir, terutama di kalangan milenial, karena dianggap sebagai mata uang masa depan. Dalam penelitian ini, kinerja ketiga cryptocurrency dianalisis berdasarkan tiga kriteria utama: Tingkat Pertumbuhan Tahunan (Annual Growth Rate), Volume Perdagangan (Trading Volume), dan Ketersediaan di Platform Pertukaran Terkemuka (Availability on Major Exchange Platforms). Data dikumpulkan dari berbagai sumber tepercaya seperti bursa cryptocurrency dan laporan keuangan. Perhitungan NPV dilakukan untuk mengukur nilai sekarang dari arus kas masa depan yang diharapkan dari masing-masing cryptocurrency. Hasil penelitian menunjukkan bahwa Binance Coin (BNB) memiliki nilai NPV tertinggi sebesar $29.416,91, diikuti oleh Ethereum (ETH) dengan NPV sebesar $26.085,74, dan Bitcoin (BTC) dengan NPV sebesar $22.948,93. Ini menunjukkan bahwa BNB menawarkan nilai investasi terbaik di antara ketiga cryptocurrency yang dianalisis, berdasarkan kriteria yang ditetapkan. Penelitian ini menjadi sistem pendukung bagi investor untuk membuat keputusan investasi yang lebih informasional dan beralasan dalam pasar cryptocurrency yang fluktuatif.