Data On-chain dalam Web3

Apa Itu Data On-Chain?

Data on-chain adalah data yang dicatat langsung pada blockchain. Karena blockchain berfungsi sebagai basis data terdistribusi, data on-chain bersifat publik dan dapat diakses oleh siapa saja.

Web3 dan web2 merupakan versi berbeda dari World Wide Web, di mana web3 adalah versi paling mutakhir dan canggih. Beberapa perbedaan utama antara keduanya adalah sebagai berikut:

1. Web3 bersifat terdesentralisasi, sedangkan web2 terpusat. Artinya, pada web3, data dan layanan disediakan oleh jaringan node terdistribusi, bukan oleh satu entitas tunggal. Hal ini menjadikan web3 lebih tangguh dan kurang rentan terhadap sensor atau kegagalan, namun juga lebih kompleks dan sulit dikendalikan.

2. Web3 dibangun dengan teknologi blockchain, sedangkan web2 menggunakan arsitektur client-server tradisional. Di web3, data disimpan dan ditransfer menggunakan algoritma kriptografi, bukan melalui server pusat. Ini membuat web3 lebih aman dan transparan, namun cenderung lebih lambat dan mahal.

3. Web3 berfokus pada pengembangan aplikasi dan layanan baru, sedangkan web2 berfokus pada penyempurnaan aplikasi dan layanan yang sudah ada. Dengan demikian, web3 lebih bersifat eksperimental dan visioner, sementara web2 telah matang dan mapan.

Perbedaan ini berpengaruh pada cara analisis data di masing-masing lingkungan. Pada web3, analisis data lebih menitikberatkan pada pemahaman perilaku jaringan terdesentralisasi dan teknologi blockchain yang mendasarinya, sering kali menggunakan teknik lanjutan seperti machine learning dan analisis jaringan untuk menemukan pola dan tren. Sementara pada web2, analisis data lebih diarahkan pada perilaku pengguna dan aplikasi yang digunakan, biasanya dengan metode tradisional seperti analisis statistik dan visualisasi data untuk menelusuri perilaku pengguna serta mengidentifikasi tren dan wawasan.

Untuk melakukan analisis data on-chain, Anda perlu mengumpulkan dan mengelola data relevan, lalu menggunakan alat seperti visualisasi data dan analisis statistik untuk menemukan pola dan tren. Cara ini membantu Anda memahami perilaku jaringan blockchain dan penggunanya, serta memproyeksikan arah pasar di masa depan. Dalam beberapa kasus, Anda juga dapat memakai teknik machine learning untuk mengotomatisasi proses analisis dan menemukan pola yang lebih kompleks dalam data.

Kategori Data On-Chain

Data on-chain terbagi dalam dua kategori:

1. Data mentah

2. Abstraksi

Pembedaan kategori ini dilakukan karena semua metrik yang dihitung pada dasarnya merupakan abstraksi dari data mentah. Data mentah on-chain adalah data yang dicatat langsung di blockchain tanpa pemrosesan. Data ini meliputi informasi transaksi individual, seperti pengirim, penerima, dan jumlah mata uang kripto yang ditransfer. Sementara itu, data ekonomi merupakan hasil olahan dari data mentah dan berisi informasi tentang penawaran dan permintaan aset kripto tertentu, beserta kapitalisasi pasar dan volume perdagangan.

Data ekonomi bukan sekadar abstraksi dari data mentah, melainkan dihitung menggunakan berbagai teknik dan metrik. Contohnya, kapitalisasi pasar diperoleh dari hasil perkalian total pasokan mata uang kripto dengan harga saat ini, dan volume perdagangan dihitung dari total jumlah transaksi selama periode tertentu. Metrik lain seperti velocity of money dan network value to transaction ratio dihitung dengan rumus yang lebih kompleks, mempertimbangkan faktor seperti jumlah transaksi dan aktivitas jaringan secara keseluruhan.

Secara umum, data ekonomi memberikan perspektif makro terhadap pasar mata uang kripto dan sangat berguna untuk memahami tren pasar serta mengambil keputusan investasi. Namun, penting untuk diingat bahwa data ekonomi tidak selalu merepresentasikan kondisi pasar secara utuh atau akurat, sehingga penggunaannya harus tetap cermat.

Solusi Analitik yang Beragam

Sentralisasi vs Desentralisasi

Terdapat beberapa solusi untuk mengindeks data on-chain, baik yang terpusat maupun terdesentralisasi. Solusi terpusat umumnya melibatkan satu entitas yang mengumpulkan dan mengelola data, sedangkan solusi terdesentralisasi menggunakan jaringan node terdistribusi untuk melakukan pengindeksan. Contoh solusi pengindeksan antara lain block explorer yang memungkinkan pengguna menelusuri dan mencari data blockchain, serta layanan pengindeksan yang menyediakan API dan alat lain bagi pengembang untuk mengakses dan menganalisis data on-chain.

Solusi analitik terdesentralisasi dapat dibangun menggunakan teknologi blockchain, namun implementasinya sangat tergantung pada kebutuhan dan batasan sistem yang diinginkan. Salah satu keunggulan pendekatan terdesentralisasi adalah menjaga integritas dan keamanan data yang dianalisis. Namun, sistem terdesentralisasi cenderung lebih rumit dalam desain dan implementasi, serta membutuhkan sumber daya tambahan seperti daya komputasi dan penyimpanan. Dari sisi performa, sistem terdesentralisasi bisa saja lebih lambat daripada solusi terpusat, tergantung pada algoritma, struktur data, dan desain sistem yang digunakan. Pada akhirnya, pemilihan pendekatan terdesentralisasi atau terpusat harus disesuaikan dengan kebutuhan dan tujuan analisis.

Apa yang Bisa Dilakukan dengan Data Blockchain?

Banyak metodologi yang dapat diterapkan dalam analisis data on-chain. Beberapa contoh utamanya adalah:

Analisis Deskriptif

Analisis deskriptif bertujuan merangkum dan mendeskripsikan data, termasuk perhitungan statistik dasar dan pembuatan visualisasi. Metode ini berguna untuk memperoleh gambaran umum data serta mengidentifikasi tren dan pola.

Analisis Eksploratori

Analisis eksploratori mencakup eksplorasi mendalam terhadap data, seperti clustering dan pengurangan dimensi. Metode ini efektif untuk menemukan pola tersembunyi dan relasi dalam data, serta menghasilkan hipotesis dan ide untuk penelitian berikutnya.

Analisis Inferensial

Analisis inferensial menggunakan metode statistik untuk menarik kesimpulan tentang populasi berdasarkan sampel data. Berbagai metode statistik, seperti perhitungan rata-rata, median, modus, deviasi standar, pengujian hipotesis, dan analisis regresi, diterapkan dalam analisis ini. Metode ini bermanfaat untuk membuat prediksi dan generalisasi atas data, serta menemukan pola dan tren yang tidak langsung terlihat.

Analisis Prediktif

Analisis prediktif menerapkan algoritma machine learning untuk memproyeksikan kejadian atau hasil di masa mendatang berdasarkan data yang ada. Metode ini dapat digunakan untuk menemukan tren dan pola, serta memberikan prediksi atau rekomendasi. Teknik yang umum digunakan antara lain clustering, klasifikasi, dan regresi untuk mengidentifikasi pola dan hubungan dalam data.

Pemilihan metodologi analisis data on-chain sangat bergantung pada tujuan, kebutuhan, dan karakteristik data yang dianalisis.

Sekarang mari bahas visualisasi data. Visualisasi data merupakan alat analitik yang umum digunakan untuk merepresentasikan data kompleks secara visual, seperti diagram, grafik, dan peta, sehingga tren dan pola lebih mudah diidentifikasi. Contohnya, grafik garis dapat menampilkan tren harga mata uang kripto dari waktu ke waktu, sedangkan grafik batang dapat membandingkan kapitalisasi pasar berbagai mata uang kripto. Alat visualisasi juga memungkinkan pembuatan visualisasi interaktif, sehingga pengguna dapat mengeksplorasi data lebih dalam dan berinteraksi secara real time—membantu menemukan relasi dan pola yang tidak tampak pada data mentah.

Mungkin Anda bertanya: mengapa perlu menggunakan alat visualisasi jika block explorer sudah menyediakan data lengkap? Alat visualisasi data dan block explorer sama-sama digunakan untuk menganalisis data on-chain, tetapi masing-masing memiliki fungsi dan jenis informasi yang berbeda.

Alat visualisasi data menekankan representasi data secara visual, sehingga lebih mudah memahami tren dan pola. Sebaliknya, block explorer adalah alat daring yang memungkinkan pengguna menelusuri blockchain dan melihat detail blok, transaksi, dan alamat tertentu. Block explorer menyediakan antarmuka yang mudah digunakan untuk mengakses dan berinteraksi dengan data blockchain, namun umumnya tidak memiliki fitur analisis atau visualisasi lanjutan. Secara umum, penggunaan alat visualisasi data bersama block explorer akan memberikan pemahaman yang lebih menyeluruh terhadap data blockchain.

Web3; Data Science; Peluang Karier

Ada empat hal penting yang perlu dipertimbangkan saat membahas masa depan Web3 dan data science:

Web3 akan menciptakan lebih banyak peluang kerja bagi data scientist dan profesional data lainnya. Hal ini disebabkan oleh kebutuhan besar organisasi yang akan mengadopsi Web3 terhadap tenaga ahli yang berpengalaman dalam analisis data, interpretasi, serta pengembangan produk dan layanan berbasis data, dengan integrasi AI dan ML.

Pengguna dan data scientist akan mendapatkan manfaat ekonomi dari Web3. Perusahaan dapat membeli data langsung dari pengguna (memberikan keleluasaan bagi pemilik data untuk menjual data kepada pihak mana pun), mengombinasikan data baru dengan data yang telah ada untuk meningkatkan model pembelajaran, dan menjual wawasan baru tersebut di pasar terbuka.

Data scientist dapat memanfaatkan AI untuk memahami kebutuhan spesifik pelanggan di Web3 secara lebih mendalam. Perusahaan data dapat mengembangkan model bahasa yang menghadirkan "pemahaman semantik" karena Web3 berfokus pada individu atau pengguna, dan data dikaitkan langsung dengan interaksi pengguna. Dengan demikian, solusi yang dikembangkan dapat benar-benar disesuaikan dengan kebutuhan pengguna. Perusahaan data juga dapat mengekstrak wawasan dari data mentah dan mengubahnya menjadi rekomendasi produk yang lebih relevan, sehingga meningkatkan pengalaman pelanggan sesuai ekspektasi.

Data scientist akan memegang peranan lebih besar dalam perekonomian global di era Web3. Mereka akan menjadi "neuron" baru yang dapat mengembangkan konten atau model AI yang mampu berkoordinasi dengan model AI lain dan menyelesaikan permasalahan atau risiko bisnis yang lebih kompleks.