Analisis blockchain di tahun 2026 bukan lagi menjadi dominasi eksklusif para data scientist. Dengan munculnya LLM (Large Language Models) canggih yang mampu menginterpretasi kode dan mengolah data terstruktur dalam jumlah besar, para trader kini memiliki alat yang sangat kuat. Namun, perbedaan antara "halusinasi" model dan sinyal alpha yang berharga terletak pada satu keahlian khusus — Prompt Engineering.
Dalam artikel ini, kita akan mengupas cara mengubah AI menjadi analis data murni yang tidak sekadar "menebak", melainkan menginterpretasikan kejadian on-chain secara presisi secara matematis.
1. Perubahan Paradigma: Dari "Bertanya" Menjadi "Memberi Instruksi"
Kesalahan mendasar para trader adalah mengajukan pertanyaan yang terlalu umum (misalnya, "Apa yang terjadi dengan Ethereum?"). Untuk analisis on-chain, hal ini tidak berguna. Model AI tidak memiliki akses langsung ke raw node secara real-time; mereka bekerja melalui interpretasi data yang Anda "berikan" melalui alat API atau unggahan file.
Aturan Emas: Prompt Anda harus mengandung Peran (Role), Konteks, Tugas, dan Batasan (Constraints).
Contoh Buruk:
"Coba lihat transaksi di alamat ini [0x...] dan beri tahu saya apakah ini whale atau bukan?"
Contoh Profesional:
"Anda adalah pakar analisis forensik blockchain pada jaringan EVM. Tugas Anda adalah menganalisis data CSV transaksi dompet [0x...]. Kelompokkan transfer berdasarkan protokol (Lending, DEX, Bridges). Hitung rata-rata waktu penyimpanan aset sebelum dijual. Jika volume transaksi melebihi 1.000 ETH dalam 30 hari terakhir, klasifikasikan sebagai 'Institutional Whale'. Sajikan laporan dalam bentuk tabel."
2. Menggunakan Rantai Pemikiran (Chain-of-Thought)
Data on-chain seringkali rumit (misalnya, swap kompleks melalui agregator seperti 1inch). Agar model tidak salah dalam perhitungan, gunakan metode Chain-of-Thought. Paksa AI untuk berpikir langkah demi langkah.
Contoh Struktur Permintaan:
- Langkah 1: Identifikasi semua transaksi masuk untuk token $XYZ.
- Langkah 2: Filter transfer yang berasal dari Centralized Exchanges (CEX).
- Langkah 3: Hitung rata-rata harga beli berdasarkan data harga pada saat transaksi (jika data tersedia).
- Langkah 4: Bandingkan saldo saat ini dengan jumlah total semua pembelian.
3. Studi Kasus: Analisis Uniswap v4 Hooks dan Likuiditas
Dengan peluncuran Uniswap v4, analisis likuiditas menjadi lebih sulit karena adanya custom hooks. Pengguna biasa mungkin tidak mengerti kode hook, tetapi LLM dapat melakukan dekompilasi dan menjelaskan logika di baliknya.
Prompt untuk Analisis Smart Contract Hook:
"Analisis kode Solidity hook untuk Uniswap v4 ini. Tentukan apakah ada logika yang membatasi penarikan likuiditas (LPs) atau menerapkan biaya dinamis yang dapat merugikan trader. Jelaskan faktor risikonya dengan bahasa yang sederhana dan tunjukkan baris kode spesifik yang mencurigakan."
4. Tabel: Operator dan Variabel untuk Query yang Efektif
Penggunaan operator spesifik dalam prompt memungkinkan model untuk tetap "fokus".
| Operator/Teknik | Alasan Menggunakan | Contoh |
|---|---|---|
| Few-Shot Prompting | Memberikan 2-3 contoh penguraian transaksi yang benar kepada model. | "Ini contoh penguraiannya: [Contoh]. Sekarang uraikan data ini: [Data]." |
| Delimiters | Memisahkan data dari instruksi secara jelas. | Gunakan ### atau """ untuk menandai blok kode atau JSON. |
| Constraint Injection | Menghilangkan noise yang tidak perlu. | "Abaikan transaksi dengan volume kurang dari 0.1 ETH." |
| Output Formatting | Mendapatkan data yang siap untuk diimpor. | "Berikan hasil hanya dalam format JSON untuk integrasi ke skrip Python." |
5. Bekerja dengan Kode: Otomatisasi melalui Python
Cara terbaik bagi trader untuk memanfaatkan LLM adalah dengan meminta AI menulis skrip pengumpulan data melalui library web3.py atau API (Dune, Glassnode, Etherscan).
Permintaan untuk Membuat Parser:
"Buat skrip Python yang menggunakan library requests untuk mengambil 100 transaksi terakhir dari token [Contract_Address] melalui API Etherscan. Skrip harus memfilter transaksi di mana pengirimnya adalah kontrak (swap), dan hanya menyimpan transaksi yang volumenya melebihi $50,000. Tambahkan penanganan kesalahan (error handling) untuk batasan limit API."
Hack yang Jarang Diketahui: "Reverse-Prompting"
Jika Anda melihat laporan analisis on-chain berkualitas di Twitter atau Substack, salin teksnya ke LLM dan mintalah:
"Analisis laporan ini. Tuliskan prompt ideal yang akan membuat Anda menghasilkan analisis mendalam yang persis sama berdasarkan data mentah di masa mendatang."
Ini memungkinkan Anda untuk membangun pustaka "golden prompts" Anda sendiri.
6. Teknik Lanjutan: SQL di Dune Analytics
Banyak trader menggunakan Dune tetapi tidak menguasai SQL. Anda bisa menggunakan LLM sebagai jembatan.
Prompt:
"Saya perlu mencari 10 dompet teratas berdasarkan volume perdagangan pada pasangan PEPE/WETH di Uniswap v3 selama 7 hari terakhir. Tuliskan query SQL untuk Dune Analytics menggunakan tabel dex.trades. Pastikan untuk mengecualikan bot arbitrase (transaksi dalam satu blok dengan input/output yang identik)."
7. Pelacakan Smart Money
Salah satu strategi paling menguntungkan adalah mengikuti dompet yang menunjukkan profitabilitas konsisten atau aktivitas insider. LLM dapat membantu mengotomatiskan proses deanonimisasi dan evaluasi alamat-alamat tersebut.
Prompt untuk Profiling Dompet:
"Analisis daftar transaksi terakhir dari alamat [0x...].
1. Tentukan sumber dana utama (CEX, bridge, atau alamat pribadi lainnya).
2. Identifikasi pola: apakah alamat ini membeli token pada tahap awal (sebelum listing di bursa besar)?
3. Evaluasi 'Win Rate' (rasio transaksi untung vs rugi) jika data harga entry dan exit tersedia.
4. Berikan kesimpulan: apakah alamat ini merupakan 'Smart Money', dana modal ventura (VC), atau pemain ritel biasa?"
8. Mendeteksi Manipulasi: Wash Trading dan Sandwich Attacks
Data on-chain sering kali penuh dengan "noise" akibat volume buatan. Anda dapat menggunakan LLM untuk menulis logika yang mengenali pola-pola tersebut.
Contoh Prompt untuk Mencari Wash Trading:
"Bantu buatkan algoritma dalam bahasa Python untuk menganalisis log peristiwa (Event Logs) dari smart contract sebuah token. Algoritma harus mencari transaksi siklis (Alamat A -> Alamat B -> Alamat C -> Alamat A) dalam rentang waktu satu jam. Ini adalah tanda jelas manipulasi volume. Berikan struktur data yang efisien untuk menyimpan hubungan ini guna visualisasi graf."
9. Prompt Engineering untuk Sentiment Analysis Berbasis Data On-chain
Terkadang "data" bukan hanya berupa angka, tetapi juga deskripsi teks transaksi (Input Data) atau pesan dalam DAO.
Prompt untuk Analisis Aktivitas Whale:
"Interpretasikan pesan transaksi berikut: 'Whale moved 50,000 ETH from cold wallet to Binance'.
Konteks: Pasar saat ini sedang dalam fase konsolidasi di dekat area resistance kuat.
Tugas: Perkirakan kemungkinan adanya tekanan jual dalam skala 1 hingga 10. Berikan analogi historis kapan pergerakan serupa menyebabkan koreksi harga dalam waktu 24 jam. Berikan jawaban secara singkat, dengan gaya memo analitis Bloomberg."
10. Tabel Ringkasan: Tools dan Integrasinya dengan LLM
Agar prompt bekerja efektif, Anda perlu memahami dari mana harus mengambil "bahan baku" datanya.
| Tools | Tipe Data | Cara Penggunaan dengan LLM |
|---|---|---|
| Etherscan/BscScan | Raw Transactions | Salin data CSV atau buat kueri API. |
| Dune Analytics | Data SQL Teragregasi | Minta LLM menulis atau mengoptimalkan kueri SQL. |
| Arkham Intelligence | Entitas Terlabel | Gunakan visualisasi hubungan untuk mendeskripsikan struktur jaringan dalam prompt. |
| DexScreener API | Harga & Likuiditas Real-time | Minta LLM menulis skrip alert untuk perubahan likuiditas yang drastis. |
11. Teknik Lanjutan: Emulasi Virtual Machine (EVM) dalam Prompt
Model canggih (seperti Gemini 1.5 Pro atau GPT-4) dapat mensimulasikan eksekusi kode secara internal.
Prompt untuk Debugging Transaksi Kompleks:
"Saya akan memberikan hex-code (Input Data) dari transaksi yang gagal dengan pesan error 'Execution Reverted'. Bertindaklah sebagai EVM. Dekode hex ini langkah demi langkah, tentukan fungsi smart contract mana yang dipanggil, dan pada tahap apa (pemeriksaan kondisi, transfer aset, atau kurang gas) kegagalan terjadi. Jelaskan penyebabnya dengan bahasa yang mudah dipahami."
12. Tips Praktis Keamanan
Saat bekerja dengan LLM dan data on-chain, sangat penting untuk menjaga "higiene" keamanan:
- Jangan pernah memasukkan private key atau seed phrase Anda ke dalam chat AI. Bahkan jika Anda meminta AI untuk "menulis skrip penandatanganan transaksi".
- Selalu verifikasi kode. LLM mungkin secara tidak sengaja (atau karena halusinasi) menyarankan library yang memiliki celah keamanan. Selalu minta model untuk memberikan komentar pada setiap baris kode yang dihasilkan.
- Context Window. Jika Anda mengunggah data dalam jumlah sangat besar, model mungkin "lupa" instruksi di awal. Ulangi instruksi kunci di akhir prompt.
Saran Final untuk Profesional:
Buatlah "System Prompt" (System Instruction) sendiri. Ini adalah sekumpulan aturan tetap yang akan diterapkan pada setiap permintaan Anda. Contoh: "Selalu periksa apakah alamat termasuk dalam kategori MEV bot, selalu hitung slippage, dan jangan pernah memberikan opini subjektif tanpa didukung oleh angka."
