Penerapan Data Science Untuk Memprediksi Transaksi Tidak Valid Pada Sistem Voting Berbasis Blockchain

Abstract

Keamanan sistem pemungutan suara elektronik (e-voting) berbasis blockchain menjadi perhatian utama di era digital. Penelitian ini bertujuan membangun model evaluasi keamanan e-voting dengan pendekatan data mining, khususnya menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Dataset yang digunakan terdiri dari lebih dari 500.000 entri transaksi blockchain. Untuk mengatasi ketidakseimbangan kelas antara transaksi sah dan mencurigakan, dilakukan teknik undersampling sehingga diperoleh 100.000 data seimbang sebagai basis pelatihan dan pengujian model. Hasil eksperimen menunjukkan bahwa model Random Forest memiliki akurasi sebesar 95%, namun performanya rendah dalam mendeteksi transaksi mencurigakan, dengan nilai recall hanya 0,00 sebelum tuning dan tetap rendah setelah optimasi. Sebaliknya, model SVM menunjukkan peningkatan signifikan setelah dilakukan hyperparameter tuning, dengan recall pada kelas minoritas meningkat menjadi 0,42 meskipun akurasi keseluruhan menurun menjadi 57%. Temuan ini menunjukkan bahwa model SVM lebih sensitif dalam mengenali pola anomali, meskipun dengan kompromi pada performa kelas mayoritas. Penelitian ini menyoroti tantangan penerapan sistem evaluasi keamanan berbasis machine learning terhadap data blockchain yang tidak seimbang. Diperlukan pengembangan lebih lanjut dengan teknik penanganan data imbalance yang lebih canggih, serta penerapan arsitektur model yang mampu menangani skala besar untuk implementasi secara real-time.