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 instrument—Bitcoin, IDX30 stocks, and Gold—during 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 Kruskal–Wallis 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 Kruskal–Wallis 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 – 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 Shor’s Algorithm and Grover’s 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(2ⁿ) to O(√2ⁿ). 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 (0–1 year) contract audits, wallet security reinforcement, and developer education; medium-term (1–2 years) PQC testing on crypto testnets and adoption of quantum-resistant validator nodes and long-term (1–3 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 Naïve 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.
Satellite communication (SATCOM) networks are essential in delivering long-range and high-capacity data transmission on a global basis. With emerging satellite-ground-air integrated networks (SAGIN) responding to growing demands for communication and low-latency connections, their unique, dynamic infrastructure raises novel issues in security. Traditional centralized defenses are increasingly ineffective against advanced attacks such as distributed denial-of-service (DDoS). This research advocates an integrated solution that combines blockchain infrastructure with deep learning approaches to address these security challenges. The model was simulated in an NS-3 environment, and normal and attack traffic were generated to train a hybrid CNN-LSTM-based anomaly detection model. Distinct types of threats were recorded on a private Ethereum-based blockchain using smart contracts, enabling decentralized blacklist control and automated response behaviors. With decentralized control of threats, detection efficiency is enhanced by application of AI-driven analysis, and trust is ensured by virtue of immutable logging. The test results hold promise for this solution in delivering scalable, robust, and autonomous security for modern SATCOM networks.
Ahmet Efe Başol, Şerif Bahtıyar, Mehmet Tahir Sandıkkaya
Quantum computing presents a concrete threat to the cryptographic infrastructure of financial cryptocurrency systems. Commonly used public-key schemes, which are based on integer factorization and discrete logarithms, are vulnerable to quantum algorithms such as Shor’s. Post-quantum cryptography (PQC) provides distinct primitives that are conjectured to be resistant to known quantum computing attacks. Despite ongoing standardization efforts, these schemes remain largely untested in production-scale blockchain environments. Additionally, integrating PQC into distributed ledger systems introduces implementation challenges, including increased key and signature sizes, protocol compatibility issues, as well as potential disruptions to transaction verification, privacy guarantees, and governance mechanisms. This survey systematically examines the relationship between PQC and cryptocurrency systems, with a focus on algorithmic suitability, protocol-level impact, and deployment constraints.
Cross-chain decentralized finance ( DeFi) applications enable the seamless transfer of assets and data across diverse blockchain networks, thereby enhancing liquidity and user flexibility. However, the distributed nature and inter-operability of these networks introduce significant security challenges, ranging from double-spending and smart contract vulnerabilities to mismatches in consensus mechanisms and privacy risks. In this survey, we introduce a novel review about the recent literature that explores these multifaceted challenges. We categorize the research based on attack vectors and the security requirements of cross-chain systems, discuss state-of-the-art solutions including advanced cryptographic techniques and rigorous auditing practices, and outline open problems that warrant further explorations. Our work provides a comprehensive analysis of the current security landscape in cross-chain DeFi and emphasizes future research directions.
Physical Unclonable Functions (PUFs) and Hardware Security
Permasalahan manipulasi data dalam sistem presensi konvensional, seperti presensi fiktif dan pengubahan waktu kehadiran, masih sering terjadi di berbagai organisasi, termasuk Asosiasi Planters Muda Indonesia (APMI). Sistem manual tidak dapat menjamin keakuratan maupun keamanan data. Oleh karena itu, dibutuhkan pendekatan baru yang lebih andal dalam autentikasi dan pencatatan kehadiran. Autentikasi biometrik berbasis face recognition menjadi alternatif menjanjikan karena mampu mengenali identitas secara otomatis. Namun, untuk menjaga integritas data, diperlukan teknologi blockchain guna mencatat informasi secara aman dan tidak dapat dimodifikasi. Penelitian ini bertujuan mengembangkan sistem presensi berbasis face recognition yang terintegrasi dengan blockchain guna menghadirkan solusi yang praktis serta meningkatkan keamanan dan privasi data presensi. Sistem dibangun menggunakan Python dengan library utama face_recognition dan OpenCV untuk deteksi wajah, serta Flask sebagai backend web. Data presensi disimpan pada database lokal (XAMPP) dan dicatat dalam bentuk hash ke blockchain lokal (Ganache) berbasis Ethereum melalui smart contract dan Web3. Pengujian dilakukan terhadap aspek fungsionalitas, akurasi pengenalan wajah pada berbagai kondisi, serta validasi hash untuk mendeteksi manipulasi data. Hasil menunjukkan sistem mampu mengenali wajah secara akurat, mencatat hash secara permanen di blockchain, dan mendeteksi perubahan data di database lokal. Penelitian ini membuktikan bahwa integrasi face recognition dan blockchain memberikan solusi presensi yang praktis serta meningkatkan keamanan dan privasi data.
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.