Dunia teknologi modern kini sedang berada dalam fase yang disebut dengan era desentralisasi. Banyak layanan digital mulai meninggalkan sistem pusat dan beralih ke model yang disebut decentralized applications atau DApps. Aplikasi ini biasanya dibangun di atas teknologi blockchain, yang membuatnya tidak dikendalikan oleh satu entitas tunggal. DApps sering digunakan untuk keperluan keuangan digital, seperti aset kripto, transaksi pintar (smart contracts), hingga perdagangan aset virtual.
Namun, di balik keunggulannya, DApps menyimpan tantangan besar. Karena kode yang digunakan bersifat terbuka dan aset digital bernilai tinggi tersimpan di dalamnya, DApps menjadi target empuk bagi para peretas. Sekali saja ada celah kesalahan (bug) dalam sistem, kerugian finansial yang ditimbulkan bisa sangat besar dan sulit diperbaiki.
Disinilah muncul satu pertanyaan penting: Bagaimana cara menemukan kesalahan dalam sistem yang begitu rumit dan terdesentralisasi ini dengan cepat dan akurat?
Baca juga artikel tentang: Antara Iritasi dan Racun: Sains Mengupas Efek Gas Air Mata Kedaluwarsa
Masalah di Balik “Hutan Kode”
Para peneliti menggambarkan kode program DApps sebagai sebuah “hutan digital”. Di dalamnya terdapat ribuan baris kode yang saling berhubungan, bercabang, dan berlapis-lapis. Mencari kesalahan dalam sistem semacam ini seperti mencari jarum di tumpukan jerami.
Metode tradisional untuk melacak kesalahan biasanya disebut fault localization, yaitu proses mengidentifikasi bagian mana dari kode yang menyebabkan kegagalan sistem. Teknik ini lazim digunakan dalam perangkat lunak biasa, tetapi sering gagal untuk DApps, terutama ketika kesalahannya hanya terjadi satu kali atau sulit direproduksi.
Sebagian besar metode lama mengandalkan data yang disebut code coverage, yaitu seberapa banyak bagian kode yang dijalankan selama pengujian. Pendekatan ini bekerja baik untuk program konvensional, tetapi tidak efektif untuk sistem desentralisasi yang kompleks dan bergantung pada banyak interaksi antarblok data.
Selain itu, kebanyakan alat pelacak kesalahan hanya menunjukkan lokasi bug tanpa menjelaskan mengapa kesalahan itu terjadi. Padahal, bagi pengembang, penjelasan semacam ini sangat penting agar mereka benar-benar memahami akar masalah dan bisa mencegahnya terulang.
Malo: Pendekatan Cerdas Berbasis Kecerdasan Buatan
Untuk menjawab persoalan ini, tim peneliti memperkenalkan sebuah sistem baru bernama Malo. Nama ini bukan akronim, tetapi simbol dari usaha untuk “menjinakkan” kekacauan dalam hutan kode digital.
Malo dirancang khusus untuk membantu para pengembang menemukan dan memahami sumber kesalahan pada DApps secara otomatis. Tidak hanya memberi tahu di mana letak masalah, tetapi juga menjelaskan mengapa kesalahan itu bisa terjadi, sesuatu yang jarang dilakukan oleh alat sebelumnya.
Cara kerja Malo cukup canggih. Ia menggunakan pendekatan yang disebut suspicious token transfer-guided analysis, yaitu menganalisis pola transfer token atau transaksi digital yang mencurigakan di dalam sistem blockchain. Dengan memantau aliran data dan interaksi antarblok, Malo dapat mempersempit area pencarian hingga ke bagian kode yang paling mungkin menjadi sumber kesalahan.
Setelah itu, Malo menggunakan Large Language Models (LLMs) jenis teknologi yang sama yang menjadi dasar kecerdasan buatan seperti ChatGPT, untuk menghasilkan penjelasan yang dapat dimengerti manusia.
Menggabungkan Pengetahuan Internal dan Eksternal
Malo tidak hanya membaca kode yang ditulis pengembang. Sistem ini juga menggabungkan dua jenis pengetahuan:
- Pengetahuan internal, yaitu informasi yang diperoleh dari jejak fungsi, catatan transaksi, dan sumber kode aplikasi itu sendiri.
- Pengetahuan eksternal, yaitu informasi tambahan yang dikumpulkan dari dokumen proyek di internet, seperti panduan pengembang, repositori GitHub, atau laporan keamanan.
Dengan menggabungkan kedua sumber ini, Malo mampu menghasilkan analisis yang tidak hanya teknis, tetapi juga kontekstual. Misalnya, ia bisa memahami bahwa suatu kesalahan terjadi karena perubahan logika dalam versi terbaru kontrak pintar, atau karena kesalahan pemanggilan fungsi dari pihak ketiga.
Pendekatan ini menjadikan Malo lebih fleksibel dan “cerdas” dibandingkan metode konvensional yang hanya berfokus pada pola kode semata.
Hasil Uji Coba: Lebih Cepat, Lebih Akurat, Lebih Jelas
Para peneliti menguji Malo menggunakan 68 kasus kesalahan nyata dari berbagai aplikasi DApps di dunia. Hasilnya mengesankan. Malo berhasil menemukan 62 persen kesalahan dalam daftar lima besar lokasi kemungkinan bug, sebuah peningkatan sekitar 9 persen dibandingkan dengan metode tercanggih yang ada sebelumnya.
Selain itu, penjelasan yang dihasilkan oleh Malo memiliki tingkat kesesuaian 71 persen dengan kebenaran sebenarnya yang ditemukan oleh pengembang manusia. Ini berarti sebagian besar deskripsi yang dihasilkan sistem AI ini benar-benar membantu dalam memahami akar penyebab kesalahan.
Uji coba tambahan juga dilakukan melalui survei pengguna. Para pengembang yang mencoba Malo menyatakan bahwa penjelasan yang diberikan sangat membantu mereka memahami konteks masalah, terutama dalam sistem yang sangat kompleks dan sulit dilacak secara manual.
Dengan kata lain, Malo bukan hanya alat pelacak bug, tetapi juga asisten virtual cerdas yang mampu menjelaskan logika kesalahan dalam bahasa yang bisa dimengerti manusia.
Mengapa Ini Penting
Dalam dunia DApps dan teknologi blockchain, waktu adalah segalanya. Satu bug kecil bisa menyebabkan jutaan dolar aset digital berpindah tangan dalam hitungan detik. Oleh karena itu, kemampuan untuk menemukan dan memperbaiki kesalahan dengan cepat bukan sekadar kebutuhan teknis, tetapi juga kewajiban etis dan ekonomi.
Malo menawarkan solusi yang tidak hanya mempercepat proses identifikasi bug, tetapi juga membantu para pengembang memahami pola kesalahan mereka. Ini bisa meningkatkan keamanan, transparansi, dan keandalan sistem desentralisasi di masa depan.
Lebih jauh lagi, penelitian ini menunjukkan bagaimana AI dan kecerdasan bahasa besar dapat digunakan bukan hanya untuk percakapan atau penulisan teks, tetapi juga untuk menganalisis sistem perangkat lunak yang sangat kompleks. Integrasi antara pemahaman bahasa alami dan pemrograman membuka babak baru dalam dunia rekayasa perangkat lunak yang lebih manusiawi dan cerdas.
Penelitian tentang Malo menunjukkan bahwa masa depan pengembangan perangkat lunak tidak hanya akan ditentukan oleh kemampuan menulis kode, tetapi juga oleh kemampuan memahami makna di balik kode tersebut.
Dengan menggabungkan analisis logika digital, pembelajaran mesin, dan pengetahuan kontekstual dari dunia nyata, Malo berhasil menembus hutan belantara kode dan memberi peta yang lebih jelas bagi pengembang.
Di tengah semakin luasnya dunia aplikasi desentralisasi, inovasi seperti ini menjadi penunjuk arah baru: bagaimana teknologi tidak hanya bekerja lebih cepat, tetapi juga berpikir lebih bijak.
Baca juga artikel tentang: Dari Pikiran ke Struktur: CBT dan Bukti Baru Neuroplastisitas
REFERENSI:
Zhang, Hui dkk. 2025. Malo in the Code Jungle: Explainable Fault Localization for Decentralized Applications. IEEE Transactions on Software Engineering.
