Memakai AI untuk Deteksi Rug Pull — 3 Studi Kasus Nyata

1. Bagaimana kami menyusun bongkar ulang ini #

Kriteria seleksi: rug pull / exit scam yang terjadi dalam 6 bulan terakhir (November 2025 sampai April 2026), sudah dikonfirmasi oleh Etherscan / Solscan / DEXTools atau beberapa media. Kami menyaring 11 kandidat dan akhirnya memilih 3 yang paling representatif:

• Proyek A: protokol DeFi di Solana, TVL saat rug sekitar $4,1M
• Proyek B: koin meme dengan tema GameFi di Base, kapitalisasi pasar saat rug sekitar $9,7M
• Proyek C: proyek infrastruktur di Ethereum mainnet, kabur pelan-pelan selama lebih dari 6 minggu, total dana yang dibawa sekitar $1,2M

Metodenya: kami mengumpulkan seluruh informasi publik dari "7 hari sebelum rug" menjadi satu paket bahan untuk AI, mencakup:

Setiap AI dijalankan 3 kali — total 9 output untuk mengambil konsensus. Akhirnya kami membandingkannya secara manual dengan "kejadian rug aslinya" sebagai post-validasi.

2. Kasus A: "Alamat deployer kosong" yang berhasil ditangkap #

Proyek A adalah protokol DeFi di Solana, TVL sekitar $4,1M saat rug. Claude memberi vonis "risiko tinggi" pada 8 dari 9 output, dengan tiga alasan utama:

Pertama, riwayat alamat deployer. Kami memberikan alamat deployer kontrak proyek itu ke Claude dan memintanya menganalisis "apakah alamat ini pernah men-deploy kontrak lain dalam 6 bulan sebelumnya". Setelah mengambil data dari Solscan, Claude langsung menunjukkan: alamat tersebut sudah men-deploy 4 kontrak lain dalam 6 bulan terakhir, 2 di antaranya sudah berhenti dirawat dan owner kontraknya menarik likuiditas. Inilah hal yang benar-benar dikuasai AI — mengenali pola yang serupa dan mengaitkannya.

Kedua, pemeriksaan silang LinkedIn tim. Situs resmi proyek mencantumkan 5 anggota tim, masing-masing dengan tautan LinkedIn. Perplexity menelusurinya secara online dan menemukan 3 profil yang anomali dari segi "tanggal pembuatan / jumlah connection / jumlah endorsement" (kurang dari 30 connection, profil dibuat kurang dari 4 bulan, semua endorsement berbahasa Inggris hasil copy-paste). Perplexity langsung menyimpulkan: "Halaman tim kemungkinan besar adalah identitas sintetis". Verifikasi silang seperti ini biasa memakan 1-2 jam jika dikerjakan manusia. AI menyelesaikannya dalam 20 menit.

Ketiga, kurva TVL menyimpang dari kurva pertumbuhan alamat pemegang. Data Dune menunjukkan TVL tumbuh +180% dalam 30 hari, tapi jumlah alamat pemegang hanya bertambah +24%. ChatGPT menunjuk persis: "Artinya TVL didorong oleh sejumlah kecil dompet besar, bukan pertumbuhan organik. Dikombinasikan dengan risiko rug, waspadai potensi bank-run akibat penarikan dompet kakap."

Proyek A benar-benar rug 5 hari setelah jendela waktu simulasi kami. Untuk kasus seperti ini AI memang berguna — selama Anda memberi cukup informasi, AI dapat memproses paralel 5-6 langkah due diligence dalam 30 menit yang sama, yang manusia butuh berjam-jam untuk menyelesaikannya.

3. Kasus B: "Kontrak jiplakan + tim palsu" yang berhasil ditangkap #

Proyek B mengusung bendera "GameFi + meme" di Base, kapitalisasi pasarnya sempat menyentuh $9,7M. Sinyal inti yang ditangkap AI untuk proyek ini adalah penjiplakan kontrak.

Kami menyetorkan source code verified Proyek B ke ChatGPT Code Interpreter dan memintanya membandingkan kemiripan dengan 5 kontrak token open source yang sudah dikenal. Hasilnya: kontrak B 96% mirip dengan source code proyek rug 2024 — satu-satunya perubahan adalah nama variabel dan event. Kemiripan 96% sendiri tidak otomatis berarti rug, tapi digabung dengan "deployer alamat baru / tim sepenuhnya anonim / akun Twitter baru 3 minggu", AI menjatuhkan vonis risiko tinggi 9/10.

Hal lain yang dilakukan AI dengan sangat rapi adalah whitepaper. Kami menyodorkan whitepaper 38 halaman ke Claude (yang dengan konteks 200K dapat membacanya sekali jalan), dan Claude menemukan 4 "luka besar":

• Roadmap Q2 menyebut "kerja sama dengan X", padahal X tidak pernah mengakui kerja sama itu di Twitter
• "Diaudit oleh CertiK" — tapi database publik CertiK tidak punya catatan terkait
• Di bab tokenomics, "tim + advisor + private round" totalnya menjadi 67% dari supply, tapi pie chart-nya menulis 35%
• Co-founder mengklaim "mantan engineer Coinbase", tapi GitHub Coinbase tidak punya jejak commit dari karyawan tersebut

Poin kedua paling krusial. "Mengklaim diaudit tapi tidak ada di database CertiK" muncul dengan frekuensi yang mengejutkan tinggi di proyek rug — begitu AI melihat jejak ini, penilaian risikonya langsung ditarik ke 9/10. Pengecekan "klaim vs catatan publik" memang medan kuat AI, karena tidak terbawa emosi dan tidak terpengaruh narasi tim proyek.

4. Kasus C: "Rug pelan-pelan" yang lolos #

Inilah bagian paling berharga dari artikel ini. Proyek C adalah proyek infrastruktur di Ethereum mainnet, butuh lebih dari 6 minggu untuk kabur, total $1,2M berpindah secara akumulatif. Seluruh 9 output AI memvonisnya "risiko rendah" atau "risiko sedang".

Kenapa AI tidak melihatnya? Bongkar ulang setelahnya memberi empat alasan:

Alasan 1: kontraknya memang diaudit beneran. Proyek C memakai firma audit lapis dua dengan audit nyata. Laporannya ada di GitHub, dan tercatat di database CertiK. Begitu AI melihat "sudah diaudit + laporan dapat diverifikasi", skor "risiko rug lapisan kontrak" otomatis rendah. Tapi kontrak aman tidak berarti proyek tidak akan kabur — belakangan tim memindahkan dana treasury perlahan lewat dompet multisig, dan tindakan ini tidak bisa ditangkap di lapisan kontrak.

Alasan 2: tim sepenuhnya pakai nama asli + LinkedIn autentik. Keempat anggota tim Proyek C menggunakan nama asli. LinkedIn mereka dibuat sebelum 2016, jumlah connection 500+, eks tempat kerja mencakup Coinbase / Consensys dan perusahaan besar lainnya. AI memberi nilai positif pada "tim dapat diverifikasi". Tapi tim bernama asli pun tetap bisa rug — mereka memakai retorika "kami melakukan strategic pivot proyek" dan menarik dana selama 6 minggu.

Alasan 3: sinyal rug ada di forum governance, bukan di on-chain. Setelah kejadian, kami menggali kembali kanal governance Discord dan menemukan: 4 minggu sebelum rug, tim mulai "mengisyaratkan perubahan arah proyek" lewat RFC — sinyal teks yang terkubur dalam 200+ pesan diskusi governance. "Sentimen sosial" yang kami berikan ke AI hanya berupa agregasi kata kunci, bukan teks diskusi mentah. Jika kami beri yang asli, AI mungkin bisa menangkap sinyal sekunder seperti "kepadatan diskusi governance naik tidak normal + respons tim mulai melambat".

Alasan 4: rug pelan-pelan tidak punya titik mutasi. AI (dan kebanyakan alat deteksi rug) bergantung pada "anomali mendadak" sebagai sinyal — TVL ambruk, transfer raksasa, likuiditas ditarik tiba-tiba. Rug pelan-pelan hanya memindahkan $10-20 ribu per hari, akumulasi 6 minggu jadi $1,2M. Angka harian terlihat sangat normal. Inilah arah evolusi rug: dari rug agresif sekali jalan menuju metode katak rebus pelan-pelan.

Kesimpulan untuk Proyek C: AI sangat efektif terhadap "rug aliran lama" (alamat tim kosong + kontrak jiplakan + identitas palsu), tapi nyaris tidak berguna untuk "rug pelan-pelan". Inilah pengalaman kunci yang membuat kami menyesuaikan alur due diligence selanjutnya.

5. Lima jenis sinyal yang benar-benar dikuasai AI #

Menggabungkan keberhasilan dan kegagalan ketiga kasus, AI punya batas kemampuan yang jelas untuk identifikasi rug. Berikut 5 area di mana AI benar-benar bisa membantu:

1. Asosiasi riwayat alamat: nasib kontrak-kontrak lain yang pernah di-deploy alamat deployer dalam 6-12 bulan terakhir. Inilah keunggulan kecepatan terbesar AI dibanding manusia — manusia butuh 1 jam untuk satu kali, AI hitungan menit.
2. Kemiripan source code kontrak: khususnya dengan kontrak rug yang sudah dikenal. Code Interpreter / Claude bisa mengerjakannya.
3. Verifikasi identitas tim sintetis: cek silang LinkedIn / GitHub / kicauan historis. Perplexity online paling cepat untuk ini.
4. Pemeriksaan whitepaper vs realitas: apakah klaim audit / investor / mitra benar-benar ada di database publik. Claude paling kuat untuk dokumen panjang.
5. Penyimpangan indikator on-chain: konsistensi antara TVL / Holder / Volume. Data Dune + analisis ChatGPT / Claude.

Yang nyaris tidak bisa dilakukan AI: mencium aroma "katak rebus". Rug pelan-pelan, manipulasi governance, dilusi nilai jangka panjang — semuanya butuh manusia yang melacak kultur proyek dalam waktu lama.

6. Template prompt yang kami pakai #

Template ini kami jalankan setiap kali melihat proyek baru. 30 menit cukup untuk menyaring sebagian besar rug aliran lama:

Anda adalah due diligence officer kripto yang ketat. Berdasarkan bahan berikut, berikan penilaian risiko rug pull (skor 0-10).

Bahan:
[1] Alamat deployer kontrak: {ADDRESS}
[2] Source code verified kontrak: {SOURCE_CODE}
[3] Daftar tautan LinkedIn halaman tim: {LINKS}
[4] PDF whitepaper: {ATTACHED}
[5] Indikator on-chain 30 hari terakhir: TVL={X}, Holders={Y}, Konsentrasi Top10={Z}%
[6] Auditor yang diklaim proyek: {AUDITOR}

Permintaan:
1. Untuk setiap sinyal red flag, berikan "bukti + tingkat (rendah/sedang/tinggi)". Jangan asal omong.
2. Jangan memprediksi "akan rug atau tidak", cukup gambarkan struktur risiko saat ini.
3. Jika bahan tidak cukup untuk menilai sesuatu, tulis "informasi tidak memadai".
4. Akhiri dengan skor 0-10, lalu sebutkan 3 alasan terkuat "kenapa tidak boleh investasi" (jika tidak ada alasan kuat, tulis langsung "tidak ada red flag yang menonjol").
5. Sebutkan 3 arah yang Anda sendiri tidak bisa lihat (blind spot Anda).

Poin terakhir, "sebutkan 3 arah yang Anda sendiri tidak bisa lihat", kami tambahkan belakangan — memaksa AI mengakui keterbatasannya justru membuat output lebih dapat dipercaya. Kalau AI menulis "saya tidak bisa melihat diskusi internal Discord" sebagai blind spot, kami tahu area itu harus ditambal manual.

AI tidak bisa menghalau semua rug. Tapi ia bisa menyaring 70% rug bermutu rendah, sehingga otak Anda tersisa untuk melacak proyek-proyek yang benar-benar "terlihat serius".

Buka riset Spot di Binance → Lihat Prompt Library lengkap →

— AI Trade Lab, 2026-04-25