Dari 'Klastering Alamat' ke 'Standar Bukti': Mengapa Chainalysis Ingin Mendefinisikan Ulang Pelacakan Blockchain?

marsbitDipublikasikan tanggal 2026-07-01Terakhir diperbarui pada 2026-07-01

Abstrak

**Dari "Klaster Alamat" ke "Standar Bukti": Mengapa Chainalysis Mendefinisikan Ulang Pelacakan Blockchain?** Pada akhir Juni 2026, Chainalysis merilis kerangka data bernama *Blockchain Tracing Ontology*, sebuah inisiatif standar industri untuk menciptakan sistem deskripsi data yang seragam dalam analisis blockchain. Masalah utama saat ini adalah kurangnya standar interpretasi data. Teknik *address clustering* yang digunakan berbagai platform menghasilkan kesimpulan berbeda untuk alamat yang sama, menimbulkan tantangan dalam investigasi hukum, pembekuan aset, atau pencegahan pencucian uang. Pengadilan membutuhkan lebih dari sekadar label; mereka perlu memahami **alasan** di balik suatu kesimpulan. *Ontology* ini bukan algoritma baru, melainkan "bahasa umum" untuk menstandarkan cara menyajikan hasil analisis. Ia memperkenalkan konsep seperti *Wallet Segment* untuk menggambarkan struktur dompet institusional yang kompleks dengan lebih akurat daripada klaster tradisional. Perubahan kuncinya adalah pergeseran dari fokus pada "hasil yang bisa dipercaya" menjadi "proses yang bisa dipercaya". Setiap kesimpulan harus dilengkapi dengan bukti (*Evidence*) dan tingkat keyakinan (*Confidence*), menjelaskan aturan analisis, sumber data (on-chain atau off-chain), dan memungkinkan verifikasi ulang oleh pihak ketiga. Pendekatan ini terinspirasi dari kasus hukum seperti *Bitcoin Fog*, di mana metode Chainalysis diperiksa ketat di pengadilan. Chainalysis menekankan bahwa analisis on-chain ...

Penulis: 137Labs

Akhir Juni 2026, Chainalysis merilis kerangka data yang disebut Blockchain Tracing Ontology (Ontologi Pelacakan Blockchain), dengan harapan dapat membangun sistem deskripsi data yang lebih terpadu untuk analisis blockchain. Dibandingkan dengan produk atau fitur baru yang dirilis sebelumnya, dokumen ini lebih mirip sebuah inisiatif standar industri: ia mencoba mendefinisikan ulang konsep dasar analisis data on-chain dan membangun model data yang dapat dijelaskan, diverifikasi, dan direproduksi untuk pelacakan blockchain.

Usulan ini dengan cepat menjadi topik perhatian di bidang analisis blockchain dan kepatuhan aset digital setelah dirilis. Meski saat ini masih dalam tahap diskusi publik dan inisiatif industri, ia telah membuat orang mulai memikirkan kembali: apakah analisis on-chain memerlukan standar data yang lebih seragam dan transparan?

Masalah yang Sudah Lama Ada: Mengapa Perusahaan Berbeda Menghasilkan Hasil Analisis yang Berbeda?

Data blockchain secara alami bersifat transparan, tetapi bagaimana menafsirkannya, selalu kurang standar yang seragam.

Saat ini, sebagian besar platform analisis on-chain menggunakan teknologi "Klastering Alamat (Address Clustering)" untuk menyimpulkan alamat mana yang mungkin dikendalikan oleh entitas yang sama melalui pola transaksi. Namun, algoritma, aturan, dan sumber bukti yang digunakan oleh lembaga yang berbeda tidak konsisten, sehingga alamat yang sama dapat menghasilkan hasil atribusi yang sangat berbeda di platform yang berbeda.

Misalnya, satu lembaga analisis mungkin menganggap suatu alamat milik bursa besar tertentu, sementara lembaga lain menandainya sebagai dompet tidak dikenal; sekelompok alamat yang sama juga dapat dikelompokkan ke dalam Cluster yang berbeda di platform yang berbeda. Perbedaan ini dampaknya terbatas untuk analisis pasar, tetapi begitu menyangkut investigasi hukum, pembekuan aset, anti-pencucian uang, atau penyidikan, dapat menimbulkan kontroversi yang signifikan.

Bagi pengadilan, hanya memberikan kesimpulan "ini adalah dompet bursa tertentu" jauh dari cukup, yang lebih penting adalah menjawab pertanyaan lain: mengapa kesimpulan seperti itu dapat diambil?

Yang Diusulkan Chainalysis Bukan Algoritma Baru, Melainkan Sebuah "Bahasa"

Banyak orang melihat kata "Ontology (Ontologi)", mudah salah mengira Chainalysis kembali mengusulkan algoritma klastering baru. Kenyataannya tidak demikian.

Ontologi adalah konsep dalam bidang teknik pengetahuan, mengacu pada serangkaian sistem konsep dan model hubungan yang terpadu, digunakan untuk menstandarkan definisi objek yang berbeda dan cara mereka saling terkait. Pencarian internet, basis data pengetahuan medis, hingga grafik pengetahuan kecerdasan buatan, semuanya banyak menggunakan ontologi untuk memastikan data dapat dipahami secara seragam.

Yang ingin dilakukan Chainalysis adalah membangun "bahasa bersama" serupa untuk analisis blockchain.

Dengan kata lain, mereka tidak menetapkan bahwa semua perusahaan harus menggunakan algoritma klastering yang sama, melainkan berharap semua pihak dapat menyampaikan hasil analisis sesuai dengan struktur data yang seragam, membuat proses analisis lebih transparan, dan memudahkan pemahaman, verifikasi, dan reproduksi oleh pihak ketiga.

"Cluster" Sudah Tidak Memadai Lagi

Dulu, industri umumnya menggunakan "Cluster (gugus alamat)" sebagai unit dasar analisis, yaitu menganggap beberapa alamat bersama-sama milik satu dompet atau satu entitas.

Metode ini meski sederhana dan intuitif, seiring perkembangan infrastruktur blockchain, keterbatasannya semakin terlihat jelas.

Saat ini, sistem dompet sebuah bursa besar mungkin mencakup jutaan alamat, dengan alamat yang berbeda menangani fungsi yang sepenuhnya berbeda seperti deposit, penarikan, manajemen dompet panas-dingin, konsolidasi, atau pengembalian uang kembalian. Jika tetap mengelompokkan semuanya secara sederhana ke dalam satu Cluster, akan sulit menggambarkan struktur dompet yang kompleks dengan akurat.

Oleh karena itu, dalam proposalnya, Chainalysis mengusulkan konsep baru "Wallet Segment (Segmen Dompet)".

Dalam model baru ini, satu entitas (Entity) dapat memiliki beberapa dompet (Wallet), setiap dompet dapat dibagi menjadi beberapa Wallet Segment, dan di bawah setiap Segment-lah terdapat alamat spesifik. Struktur berlapis ini lebih mampu mencerminkan mode manajemen dompet institusi besar secara realistis dibandingkan Cluster tradisional, dan juga dapat menggambarkan hubungan kendali antara alamat yang berbeda dengan lebih rinci.

Dari "Hasil yang Dipercaya" Menuju "Proses yang Dipercaya"

Dibandingkan model itu sendiri, perubahan yang lebih penting datang dari desain lapisan kedua.

Analisis on-chain tradisional lebih fokus pada hasil akhir — alamat milik siapa, ke mana dana mengalir, apakah terlibat aktivitas ilegal.

Sementara Ontologi baru lebih menekankan proses inferensi itu sendiri.

Untuk setiap hasil analisis, harus dijelaskan dengan jelas beberapa pertanyaan:

  • Kesimpulan ini berdasarkan bukti on-chain apa?
  • Aturan analisis apa yang digunakan?
  • Apakah merujuk informasi off-chain?
  • Seberapa tinggi tingkat kepercayaan inferensi ini?
  • Dapatkah pihak ketiga memverifikasi ulang proses ini?

Dengan kata lain, tidak hanya memberitahu orang lain "apa", tetapi juga menjelaskan "mengapa".

Chainalysis menyebut bagian ini sebagai lapisan Evidence (Bukti) dan Confidence (Tingkat Kepercayaan).

Di masa depan, sebuah alamat yang ditandai sebagai dompet bursa tidak lagi hanya berupa label sederhana, tetapi akan disertai dengan dasar inferensi yang lengkap, termasuk pola transaksi, hubungan alamat, informasi publik, catatan investigasi, dan diberikan tingkat kepercayaan yang sesuai. Desain seperti ini lebih sesuai dengan persyaratan keterjelasan untuk bukti peradilan, dan juga membantu lembaga yang berbeda dalam melakukan verifikasi silang.

Inspirasi dari Kasus Bitcoin Fog

Faktanya, proposal ini tidak lahir begitu saja, melainkan erat kaitannya dengan kasus pencucian uang Bitcoin Fog yang terkenal di Amerika Serikat.

Bitcoin Fog pernah menjadi salah satu layanan pencampuran (mixing) Bitcoin yang berlangsung paling lama dalam sejarah. Departemen Kehakiman AS dalam penyelidikannya banyak menggunakan hasil analisis Chainalysis Reactor sebagai bukti kunci.

Selama persidangan, pengadilan menggelar sidang Daubert yang terkenal, secara ketat memeriksa metode analisis Chainalysis, termasuk:

  • Apakah klastering alamat memiliki dasar ilmiah;
  • Apakah metode analisis dapat diulang dan diverifikasi;
  • Apakah termasuk algoritma "kotak hitam" yang tidak dapat dijelaskan;
  • Dapatkah pakar lain secara independen mereproduksi proses analisis.

Akhirnya, pengadilan mengakui bahwa metode analisis Chainalysis memiliki keandalan ilmiah yang cukup, dan dapat digunakan sebagai bukti peradilan.

Namun, kasus ini juga mengungkap masalah yang ada di seluruh industri: jika lembaga analisis yang berbeda menggunakan standar yang berbeda, kasus serupa di masa depan mungkin menghadapi lebih banyak pertanyaan. Oleh karena itu, membangun kerangka ekspresi data dan bukti yang seragam menjadi latar belakang penting Chainalysis dalam mendorong Ontologi.

Analisis Blockchain Tidak Dapat Secara Langsung Mengidentifikasi Identitas Asli

Perlu dicatat, dalam proposal ini Chainalysis secara khusus menekankan satu hal: analisis on-chain itu sendiri tidak dapat secara langsung mengidentifikasi identitas pribadi di dunia nyata.

Data on-chain hanya dapat mengungkap hubungan antar alamat dan jalur pergerakan dana, sedangkan pengendali sebenarnya di balik alamat, biasanya masih bergantung pada bukti off-chain, seperti informasi KYC bursa, data yang diminta pengadilan, log server yang diperoleh aparat penegak hukum, dll.

Ini berarti, analisis blockchain menyediakan inferensi data berkualitas tinggi, bukan bukti akhir yang langsung membuktikan identitas. Rantai bukti peradilan yang benar-benar lengkap memerlukan kombinasi data on-chain dan investigasi off-chain.

Dari Kualitas Data Menuju Standar Industri

Selain Ontologi itu sendiri, kerangka keseluruhan yang diusulkan juga menguraikan secara sistematis tentang kualitas data, transparansi analisis, dan admissibilitas (dapat diterimanya sebagai bukti) peradilan. Dapat dilihat, Chainalysis berharap mendorong industri untuk tidak hanya fokus pada hasil analisis itu sendiri, tetapi juga pada apakah proses analisis dapat dijelaskan, diverifikasi, dan direproduksi.

Ini juga menunjukkan bahwa fokus persaingan industri di masa depan mungkin tidak lagi hanya tentang "siapa yang mencakup lebih banyak alamat" atau "siapa yang mengidentifikasi lebih banyak label", melainkan "siapa yang memiliki kualitas data lebih tinggi", "siapa yang analisisnya lebih transparan", "bukti siapa yang lebih mudah diterima pengadilan".

Bagi regulator, departemen penegak hukum, serta lembaga keuangan besar, sistem yang mampu menjelaskan logika analisis, mendukung audit independen, dan memiliki kemampuan verifikasi ulang yang dapat direproduksi, jelas lebih dapat dipercaya daripada model "kotak hitam" yang hanya dapat menghasilkan output hasil.

Apa Arti Proposal Ini?

Dari perspektif yang lebih panjang, apa yang dirilis Chainalysis kali ini bukanlah sekadar pembaruan perangkat lunak biasa, tetapi lebih seperti mendorong industri analisis blockchain dari "didorong oleh pengalaman" menuju "didorong oleh standar".

Jika Ontologi ini akhirnya diterima secara luas oleh industri, lembaga analisis, bursa, regulator, bahkan lembaga peradilan yang berbeda, diharapkan dapat berbagi hasil analisis di bawah model data yang seragam, mengurangi biaya komunikasi, meningkatkan konsistensi bukti, dan juga menyediakan dasar yang lebih andal untuk penegakan hukum lintas batas, investigasi anti-pencucian uang, dan regulasi aset digital.

Tentu saja, pembentukan standar bukanlah hal yang instan. Bagaimana menyeimbangkan rahasia dagang dan transparansi, bagaimana mendorong lembaga yang berbeda untuk mengadopsi norma seragam, bagaimana terus menyempurnakan model bukti, masih perlu dieksplorasi bersama oleh industri.

Namun yang pasti, seiring aset digital yang semakin terintegrasi ke dalam sistem keuangan global, fokus persaingan analisis blockchain sedang berubah: di masa depan, yang benar-benar menentukan nilai industri bukan hanya akurasi algoritma, tetapi lebih pada keterjelasan proses analisis, kualitas data, serta kredibilitas bukti. Dan inilah arah baru yang diharapkan dibuka Chainalysis melalui Blockchain Tracing Ontology.

Pertanyaan Terkait

QApa masalah utama yang dihadapi oleh platform analisis on-chain saat ini menurut artikel tersebut?

AArtikel menyoroti kurangnya standar analisis yang seragam dalam industri. Meskipun data blockchain transparan, interpretasinya berbeda-beda antar lembaga. Teknik 'pengelompokan alamat' yang digunakan dapat menghasilkan kesimpulan berbeda untuk alamat yang sama di platform yang berbeda, yang menjadi masalah besar dalam investigasi hukum dan kepatuhan AML.

QApa perbedaan utama antara 'Cluster' tradisional dan konsep 'Wallet Segment' yang diusulkan dalam Blockchain Tracing Ontology?

A'Cluster' tradisional mengelompokkan banyak alamat sebagai satu kesatuan (dompet/entitas). 'Wallet Segment' adalah konsep baru dalam ontologi yang menawarkan struktur hierarki: Satu Entitas dapat memiliki banyak Wallet, setiap Wallet dapat dibagi menjadi beberapa Wallet Segment, dan setiap Segment berisi alamat spesifik. Ini lebih akurat mencerminkan struktur manajemen dompet kompleks lembaga besar.

QMengapa kasus Bitcoin Fog menjadi latar belakang penting bagi pengusulan Ontology ini?

ADalam kasus Bitcoin Fog, metode analisis Chainalysis diuji ketat di pengadilan (dengar pendapat Daubert) mengenai dasar ilmiah dan kemampuan verifikasi ulangnya. Kasus ini mengungkap risiko jika lembaga analisis menggunakan standar berbeda, bukti di masa depan bisa dipertanyakan. Oleh karena itu, membangun kerangka bukti dan ekspresi data yang seragam menjadi latar belakang penting untuk Ontology ini.

QMenurut artikel, apa batasan mendasar dari analisis blockchain dalam mengidentifikasi pelaku?

AArtikel menekankan bahwa analisis on-chain itu sendiri TIDAK dapat secara langsung mengidentifikasi identitas asli seseorang di dunia nyata. Analisis ini hanya mengungkap hubungan antar alamat dan jalur aliran dana. Untuk mengidentifikasi pengendali di balik alamat, biasanya masih membutuhkan bukti off-chain seperti informasi KYC dari bursa, data dari pengadilan, atau log server yang diperoleh penegak hukum.

QApa pergeseran fokus kompetisi industri analisis blockchain yang diantisipasi artikel ini di masa depan?

AArtikel mengantisipasi pergeseran fokus dari sekadar 'akurasi algoritma' dan 'jumlah label' ke aspek yang lebih mendasar: kualitas data, transparansi proses analisis, dan kredibilitas bukti. Nilai industri di masa depan akan ditentukan oleh sejauh mana proses analisis dapat dijelaskan, diverifikasi, direproduksi, dan diterima oleh pengadilan, yang menjadi tujuan Ontology ini.

Bacaan Terkait

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

AI punya "emosi" dan itu bisa meningkatkan kemampuannya bekerja? Penelitian terbaru dari Universitas Sains dan Teknologi Tiongkok (USTC), Oxford, dan lainnya menunjukkan bahwa dengan membiarkan AI mengenali "emosi internal" seperti kebingungan, ketegangan, atau kekecewaan, dan menggunakan sinyal ini sebagai dasar untuk memilih tindakan atau keterampilan berikutnya, kinerjanya dalam menyelesaikan tugas dapat meningkat drastis. Dalam eksperimen, AI (agent) ditugaskan untuk berbelanja online. Peneliti mengamati bahwa kondisi emosional tertentu secara konsisten memicu pemilihan keterampilan tertentu: 1. Rasa ingin tahu dan keinginan → secara spontan mencari produk. 2. Kebingungan dan ketegangan → mengajukan ulang pertanyaan atau kueri. 3. Rasa percaya diri dan optimis → mengonfirmasi pembelian. 4. Kekecewaan dan kekesalan → membandingkan harga. Emosi "negatif" seperti kebingungan dan ketegangan ternyata berfungsi sebagai sinyal metakognitif yang berguna. Mereka menandakan ketidaksesuaian antara strategi saat ini dan lingkungan, memicu mekanisme pemulihan yang tepat *sebelum* kesalahan benar-benar terjadi. Dalam tugas-tugas rumit yang rentan gagal (seperti "mememanaskan barang" atau "mengambil dua item" di lingkungan simulasi), metode berbasis emosi ini meningkatkan tingkat keberhasilan secara signifikan, dari di bawah 10% menjadi lebih dari 30% bahkan 56%. Penelitian terpisah dari Universitas Tianjin juga mengintegrasikan emosi ke dalam "Model Dunia" (World Model) untuk prediksi yang lebih baik dalam lingkungan berpusat pada manusia. Hasilnya, akurasi prediksi meningkat, dan menghilangkan data emosi justru menurunkan kinerja AI bahkan dalam tugas penalaran logis. Temuan ini menunjukkan bahwa representasi emosional dalam model bahasa besar (LLM) tidak hanya fenomena yang diamati, tetapi semakin menjadi sinyal fungsional yang dapat diekstraksi dan dimanfaatkan untuk meningkatkan ketangguhan dan kemampuan AI dalam menyelesaikan tugas.

marsbit23m yang lalu

AI Juga Bisa "Moody"! Penelitian Baru USTC: Kebingungan dan Kecemasan Bikin AI Makin Jago Bekerja

marsbit23m yang lalu

Tim Dekorasi Bikin 'Karya Abstrak' dengan Tangan Mereka Sendiri, 'Niu Lai', Meme Coin Bernama Sama Tembus 3.000 Kali Lipat dalam 3 Hari

Animasi "Niu Lai" (牛来), film buatan studio yang awalnya adalah perusahaan dekorasi, menjadi sensasi viral karena animasi yang kasar, alur cerita abstrak, dan kinerja box office yang awalnya sangat rendah. Dirilis pada 5 Agustus, film ini hanya meraup 7.000 yuan dalam 9 hari pertama. Namun, justru ke"abstrak"-annya menarik perhatian luas, memicu gelombang diskusi daring dan "wisata menonton", serta mendorong penjualan tiket hingga melampaui 2,5 juta yuan. Di balik layar, film ini dikerjakan oleh tim kecil dan diproduksi oleh perusahaan yang sebelumnya bergerak di bidang dekorasi, menambah narasi unik tentang perjuangan kreatif. Pihak berwenang mengklarifikasi bahwa proses sensor film ("dragon seal") lebih berfokus pada kepatuhan konten daripada kualitas teknis. Fenomena "Niu Lai" melampaui filmnya sendiri, berkembang menjadi meme budaya yang kuat. Konsepnya mencerminkan kerinduan publik akan pasar saham yang bullish ("bull market") dan menjadi simbol perlawanan terhadap produksi film mainstream yang terlalu halus. Komunitas crypto merespons dengan meluncurkan token meme "Niu Lai", yang meledak 3000 kali lipat hanya dalam 3 hari, mencapai kapitalisasi pasar mendekati $30 juta. Kekuatan meme ini menunjukkan bagaimana konten sederhana dapat berubah menjadi fenomena sosial dan finansial yang signifikan di era ekonomi perhatian.

Odaily星球日报1j yang lalu

Tim Dekorasi Bikin 'Karya Abstrak' dengan Tangan Mereka Sendiri, 'Niu Lai', Meme Coin Bernama Sama Tembus 3.000 Kali Lipat dalam 3 Hari

Odaily星球日报1j yang lalu

Trading

Spot
活动图片