CertiK Rilis Laporan Penipuan ATM Kripto: Kerugian Mencapai $330 Juta, Penipuan AI dan Pencucian Uang Lintas Batas Jadi Ancaman Utama

marsbitDipublikasikan tanggal 2026-04-02Terakhir diperbarui pada 2026-04-02

Abstrak

Laporan "Skynet Cryptocurrency ATM Fraud" dari CertiK mengungkapkan kerugian akibat penipuan ATM cryptocurrency mencapai $330 juta pada 2025, meningkat 33% dari tahun sebelumnya. Penipuan ini telah menjadi salah satu kejahatan keuangan dengan pertumbuhan tercepat di AS, dengan 78% dari 45.000 ATM cryptocurrency global berada di negara tersebut. Kelompok lansia (di atas 60 tahun) merupakan korban paling rentan, menyumbang 86% dari total kerugian. Modus operandi melibatkan rekayasa sosial yang canggih, dimana penipu membimbing korban secara real-time untuk menyetor uang tunai ke ATM dan mengonversinya menjadi aset kripto. Laporan ini menyoroti meningkatnya penggunaan teknologi AI oleh pelaku kejahatan, seperti kloning suara dan deepfake, yang meningkatkan efektivitas penipuan. Pencucian uang lintas batas, khususnya melalui jaringan di Asia Tenggara, juga menjadi ancaman besar, dengan dana ilegal yang diproses mencapai $16.1 miliar. Sebagai solusi, laporan merekomendasikan intervensi di titik masuk transaksi, pemeriksaan risiko real-time sebelum transaksi on-chain, serta peningkatan kerjasama regulator dan penegak hukum lintas batas.

Pada 12 Maret, perusahaan keamanan Web3 terbesar di dunia, CertiK, merilis "Laporan Penipuan ATM Kripto Skynet". Laporan tersebut menunjukkan bahwa pada tahun 2025, kerugian akibat penipuan semacam ini telah mencapai $330 juta, meningkat sekitar 33% dibandingkan tahun sebelumnya, dan telah menjadi salah satu kategori kejahatan keuangan dengan pertumbuhan tercepat di Amerika Serikat.

Laporan itu menekankan bahwa seiring dengan terus bertumbuhnya jumlah perangkat ATM kripto global, serta kelompok kriminal yang terus memanfaatkan rekayasa sosial (social engineering) dan teknologi AI untuk meningkatkan metode penipuan, model kejahatan ini telah berevolusi dari kasus-kasus yang terpisah menjadi industri penipuan transnasional yang sangat terorganisir.

Total Kerugian Penipuan ATM Kripto

ATM Kripto Menjadi "Jalur Cepat" Transfer Dana Penipuan

Penipuan ATM kripto merujuk pada pelaku penipuan yang melalui telepon, SMS, atau media sosial daring mengelabui korban untuk menarik uang tunai, dan menyetorkan dana tersebut ke dalam ATM kripto, yang kemudian dikonversi menjadi aset digital dan ditransfer ke alamat dompet yang dikendalikan oleh pelaku penipuan.

Saat ini terdapat sekitar 45.000 mesin ATM kripto di seluruh dunia, dengan 78% di antaranya berada di Amerika Serikat. Pengguna biasanya dapat menyelesaikan penukaran uang tunai menjadi kripto dan transfer dalam waktu 5 menit, karakteristik ini menjadikannya saluran ideal bagi sindikat penipuan untuk melakukan transfer dana.

Berbeda dengan serangan kripto tradisional, kejahatan jenis ini tidak bergantung pada peretasan akun atau serangan hacker, tetapi melalui metode rekayasa sosial yang mengelabui korban untuk beroperasi secara aktif. Begitu transaksi tercatat di blockchain (on-chain), dana hampir mustahil untuk dikembalikan.

Dari sudut pandang arsitektur teknis, ATM kripto hanya berfungsi sebagai terminal front-end yang terhubung ke server aplikasi kripto backend (CAS), semua transaksi diselesaikan melalui dompet panas campuran (mixed hot wallet) operator untuk transfer dana. Catatan on-chain hanya menunjukkan transfer dari dompet operator ke alamat tujuan, dan tidak mencatat informasi identitas penyetor. Struktur ini menciptakan "kesenjangan penelusuran" (traceability gap) yang memberikan kesulitan besar dalam penyidikan dan pembuktian hukum.

Kelompok Lansia Menyumbang 86% dari Total Kerugian, Peringatan Perlindungan Tidak Efektif

Data yang paling mencengangkan dalam laporan ini mengarah pada posisi yang sangat rentan dari kelompok lansia dalam penipuan jenis ini. Data menunjukkan bahwa dari semua kerugian penipuan ATM kripto di AS pada tahun 2025, 86% berasal dari kelompok usia di atas 60 tahun; Jaksa Agung Distrik Columbia dalam gugatan terhadap perusahaan operator ATM AS Athena Bitcoin menyebutkan bahwa 93% setoran di mesin ATM perusahaan tersebut di wilayahnya terkait dengan kejahatan penipuan, dengan usia median korban mencapai 71 tahun, dan kerugian median per transaksi mencapai $8.000.

Laporan ini merinci jenis penipuan yang umum saat ini, dimana inti tujuannya adalah membuat korban陷入 (terjerumus dalam) fluktuasi emosi yang kuat, kehilangan kemampuan penilaian rasional; mengisolasi korban dari calon penolong; dan membimbing mereka secara real-time untuk menyelesaikan seluruh proses penukaran uang tunai menjadi kripto.

Klasifikasi Metode Penipuan ATM Kripto

"Ketika korban sedang melakukan panggilan langsung dengan pelaku penipuan, peringatan di layar sama sekali tidak dapat berfungsi sebagai pencegahan," kata laporan tersebut. Langkah-langkah perlindungan di tingkat mesin ATM saat ini dianggap tidak efektif. Pelaku penipuan dengan tetap terhubung secara real-time selama korban menarik uang dan mengoperasikan ATM, tidak hanya membimbing mereka untuk menghindari peringatan di layar, tetapi juga merancang pernyataan seragam sebelumnya, sehingga korban dapat menggunakan alasan seperti renovasi rumah, keadaan darurat keluarga, dll., untuk menanggapi pertanyaan dari staf bank, sepenuhnya mengisolasi intervensi dari luar.

Teknologi AI Mengubah Model Penipuan

Laporan tersebut juga mencatat bahwa teknologi AI sedang mempercepat peningkatan metode penipuan, pada tahun 2025, kemampuan menghasilkan keuntungan dari penipuan yang digerakkan oleh AI sekitar 4,5 kali lipat dari metode tradisional. Organisasi kriminal mulai menggunakan kloning suara AI, video deepfake, dan skrip otomatis untuk melancarkan serangan rekayasa sosial yang lebih tertarget.

Sementara itu, untuk menghindari kebijakan batas transaksi yang semakin diterapkan oleh regulator di berbagai daerah, jaringan penipuan juga mulai mengadopsi strategi "memecah belah menjadi bagian-bagian kecil" (divide and conquer), yaitu mengelabui banyak korban untuk melakukan transaksi kecil di ATM yang berbeda, sehingga dengan menghindari pemeriksaan regulasi, tetap mempertahankan skala总体 (keseluruhan) keuntungan kriminal.

Operasionalisasi Industri Jaringan Kriminal Lintas Batas

Laporan ini mengungkapkan bahwa penipuan ATM kripto telah berevolusi dari kasus-kasus yang terpisah menjadi organisasi kriminal transnasional yang sangat terorganisir. Organisasi kriminal mengadopsi mode operasi industrial, membangun struktur pembagian kerja yang detail, termasuk pengumpulan data, penipuan rekayasa sosial, serta transfer dana dan pencucian uang.

Efisiensi环节 (tahapan) pencucian uang semakin memperbesar dampak buruk kejahatan jenis ini. Pada tahun 2025, jaringan pencucian uang Asia Tenggara memproses aliran dana kripto ilegal yang dapat dilacak sekitar $16,1 miliar, menyumbang 20% dari ekosistem kripto ilegal yang dapat dilacak secara global. Jaringan ini berkoordinasi melalui Telegram dan dapat menyelesaikan penyelesaian transaksi besar dalam dua menit. Setelah korban menyetor uang tunai, dana dalam hitungan menit akan melalui layanan pencampuran (mixing services), jembatan silang rantai (cross-chain bridges), pertukaran terdesentralisasi (DEX) untuk menyelesaikan aliran dan penyamaran multi-layer. Seringkali bahkan sebelum korban menutup telepon penipuan, dana telah keluar dari jangkauan sistem pengawasan yang dapat dilacak.

Pintu Masuk Transaksi Menjadi Titik Pengendalian Kunci

Menghadapi situasi ancaman saat ini, laporan pada penutupnya mengajukan rekomendasi pengendalian sistemik, dengan明确指出 (menegaskan) bahwa satu-satunya titik intervensi yang efektif dalam rantai penipuan ATM kripto adalah di tingkat pintu masuk transaksi pada lapisan CAS — transaksi harus disaring dan diperiksa risikonya secara real-time untuk alamat dompet tujuan, sebelum transaksi tersebut tercatat di blockchain (on-chain).

Secara bersamaan, laporan tersebut mengajukan langkah-langkah konkret untuk konsumen, operator, dan departemen penegak hukum: konsumen perlu mewaspadai segala panggilan telepon tidak dikenal yang meminta pembayaran melalui ATM kripto, operator perlu menerapkan KYC bertingkat, berbagi intelijen seluruh industri, dan pemeriksaan risiko pra-transaksi, sementara departemen penegak hukum perlu memperkuat pembangunan kemampuan analisis blockchain, mendorong legislasi yang seragam dan kolaborasi penegakan hukum lintas batas.

"Kerugian $330 juta yang dilaporkan pada tahun 2025 hanya mencerminkan puncak gunung es dari bahaya yang sebenarnya," peringatan laporan dalam kesimpulannya. Seiring dengan meluasnya metode baru seperti deepfake AI, pencucian uang lintas rantai yang otomatis, transaksi kecil "pecah belah", ancaman penipuan ATM kripto akan terus meningkat. Hanya dengan membentuk kekuatan sinergi di bidang teknologi, regulasi, dan penegakan hukum, dalam periode jendela intervensi yang semakin sempit, rantai kejahatan dapat diputus, dan melindungi keamanan properti konsumen keuangan, terutama kelompok lansia.

Tautan laporan: https://indd.adobe.com/view/bfb98f74-c308-4f0d-b9eb-c3bdb86e2785

Kripto yang Sedang Tren

Bacaan Terkait

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

**Laporan Pagi Wall Street: Rebound di Akhir Bulan, Tapi Nasdaq Catat Performa Terburuk Juli dalam 12 Tahun, Modal Terakselerasi ke Raksasa Cloud** Pasar saham AS mengalami rebound berbentuk V pada Jumat lalu, dengan tiga indeks utama menguat. Namun, ini tidak menutupi performa buruk sepanjang Juli: Indeks S&P 500 hampir datar, mencatat kinerja Juli terburuk sejak 2014, sementara **Indeks Nasdaq turun 3,2%, merupakan kinerja Juli terburuk sejak 2004.** **Pergerakan Komoditas & Makro:** * **Minyak:** Harga minyak mentah WTI anjlok >8% setelah Presiden Trump membatalkan serangan militer terhadap Iran dan OPEC+ menyetujui peningkatan kuota produksi. * **Emas:** Harga emas naik tipis 0,91% pada Juli, berayun di sekitar $4050/oz. Analis melihat periode konsolidasi dengan kisaran perkiraan $3800-$4500 untuk tahun ini. * **Obligasi & Mata Uang:** Yield obligasi AS 10 tahun melonjak di bulan Juli. AS dan Jepang melakukan intervensi bersama untuk mendukung Yen, mendorong USD/JPY turun di bawah level 156. **Fokus Pasar: Percepatan Aliran Modal ke Raksasa Cloud** Tekanan deleveraging membayangi saham teknologi sepanjang Juli, namun **modal bergerak cepat ke perusahaan cloud besar.** Saham cloud meroket setelah laporan kinerja kuartalan yang kuat, dengan **kapitalisasi pasar gabungan raksasa cloud bertambah hampir $1,5 triliun** dalam seminggu (Microsoft, Amazon, Google). Ini menunjukkan pergeseran modal dari sektor hardware/semikonduktor yang padat menuju perusahaan cloud dengan arus kas yang kuat. **Kilasan Performa Saham Penting:** * **Amazon:** Melonjak 15,32% setelah kinerja AWS yang sangat kuat. * **Microsoft & Google:** Terus menguat dengan prospek bisnis cloud/AI yang solid. * **Meta:** Naik 3,28%, mengakhiri 11 hari penurunan beruntun. * **Apple:** Anjlok 7,35% karena kekhawatiran pasokan dan panduan yang lemah. * **Saham Memori (seperti Micron, Sandisk):** Terkoreksi tajam pada bulan Juli. * **SpaceX:** Akan merilis laporan kinerja pertama pasca-IPO pada 5 Agustus, diikuti masa pelepasan saham terbatas besar-besaran pada 6 Agustus. **Yang Perlu Diperhatikan Minggu Ini:** * **Laporan Kinerja Perusahaan:** Berkshire Hathaway, Palantir, AMD, SpaceX, Disney, Sandisk, Western Digital, dan lainnya. * **Konferensi:** Ai4 2026 dan Flash Memory Summit (FMS). * **Data Makro Kunci:** Laporan Penggajian Non-Pertanian AS (7 Agustus), data ekspor-impor & CPI China.

marsbit46m yang lalu

Laporan Pagi Wall Street: V-reversal di Akhir Bulan, Tapi Indeks Nasdaq Rekam Performa Terburuk Juli dalam 12 Tahun, Modal Terkonsentrasi ke Raksasa Cloud

marsbit46m yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Laporan terbaru dari SemiAnalysis mengungkapkan bahwa NVIDIA telah merevisi spesifikasi Rubin Ultra, varian flagship dari arsitektur Rubin yang diumumkan di GTC 2026. Alih-alih peningkatan besar pada memori dan daya komputasi, fokus utama kini beralih ke kemampuan interkoneksi skala sistem. Spesifikasi kunci yang diungkapkan menunjukkan Rubin Ultra akan mempertahankan puncak komputasi teoretis yang sama dengan Rubin standar, yaitu 35 PFLOPs. Namun, terjadi pengurangan signifikan pada kapasitas memori, turun menjadi 192GB dengan konfigurasi 8-Hi, lebih rendah dari Rubin standar yang 288GB (12-Hi). Peningkatan bandwidth memori juga minimal, hanya 1 TB/s, dan daya chip bahkan sedikit lebih tinggi. Peningkatan utama justru pada "skala interkoneksi" (*scale-up world size*), yang melonjak dari 72 GPU menjadi 576 GPU. Ini memungkinkan ratusan GPU Rubin Ultra terhubung via NVLink membentuk satu "super GPU" logis yang sangat besar. Analisis SemiAnalysis mengaitkan perubahan desain ini dengan lonjakan harga HBM (High Bandwidth Memory) yang drastis. Biaya material (BOM) untuk rak server Rubin Ultra sempat melonjak menjadi sekitar $8 juta karena harga HBM, tetapi dengan spesifikasi baru, biaya turun ke sekitar $6.4 juta. NVIDIA diduga mengalihkan biaya dari komponen HBM yang mahal (yang pangsa biayanya turun dari ~40% menjadi 28%) ke peningkatan interkoneksi jaringan (naik dari 4% menjadi 12%). Berita ini memicu kekhawatiran pasar tentang permintaan HBM. Saham produsen HBM seperti SK Hynix dan Samsung anjlok sekitar 8%, mencerminkan kekhawatiran bahwa pembeli utama seperti NVIDIA mungkin mulai mengurangi ketergantungan pada HBM berkapasitas tinggi untuk mengontrol biaya sistem AI secara keseluruhan.

Odaily星球日报1j yang lalu

Rubin Ultra Terkuras Drastis, Apakah Nvidia Juga Tak Tahan dengan Kenaikan Harga Memori?

Odaily星球日报1j yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit2j yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit2j yang lalu

Trading

Spot

Artikel Populer

Cara Membeli ATM

Selamat datang di HTX.com! Kami telah membuat pembelian Atletico De Madrid Fan Token (ATM) menjadi mudah dan nyaman. Ikuti panduan langkah demi langkah kami untuk memulai perjalanan kripto Anda.Langkah 1: Buat Akun HTX AndaGunakan alamat email atau nomor ponsel Anda untuk mendaftar akun gratis di HTX. Rasakan perjalanan pendaftaran yang mudah dan buka semua fitur.Dapatkan Akun SayaLangkah 2: Buka Beli Kripto, lalu Pilih Metode Pembayaran AndaKartu Kredit/Debit: Gunakan Visa atau Mastercard Anda untuk membeli Atletico De Madrid Fan Token (ATM) secara instan.Saldo: Gunakan dana dari saldo akun HTX Anda untuk melakukan trading dengan lancar.Pihak Ketiga: Kami telah menambahkan metode pembayaran populer seperti Google Pay dan Apple Pay untuk meningkatkan kenyamanan.P2P: Lakukan trading langsung dengan pengguna lain di HTX.Over-the-Counter (OTC): Kami menawarkan layanan yang dibuat khusus dan kurs yang kompetitif bagi para trader.Langkah 3: Simpan Atletico De Madrid Fan Token (ATM) AndaSetelah melakukan pembelian, simpan Atletico De Madrid Fan Token (ATM) di akun HTX Anda. Selain itu, Anda dapat mengirimkannya ke tempat lain melalui transfer blockchain atau menggunakannya untuk memperdagangkan mata uang kripto lainnya.Langkah 4: Lakukan trading Atletico De Madrid Fan Token (ATM)Lakukan trading Atletico De Madrid Fan Token (ATM) dengan mudah di pasar spot HTX. Cukup akses akun Anda, pilih pasangan perdagangan, jalankan trading, lalu pantau secara real-time. Kami menawarkan pengalaman yang ramah pengguna baik untuk pemula maupun trader berpengalaman.

369 Total TayanganDipublikasikan pada 2024.12.11Diperbarui pada 2025.03.21

Cara Membeli ATM

Diskusi

Selamat datang di Komunitas HTX. Di sini, Anda bisa terus mendapatkan informasi terbaru tentang perkembangan platform terkini dan mendapatkan akses ke wawasan pasar profesional. Pendapat pengguna mengenai harga ATM (ATM) disajikan di bawah ini.

活动图片