Pembelajaran daring telah mengalami transformasi besar, terutama saat krisis seperti pandemi COVID-19, yang menjadikannya sangat penting secara global. UNESCO mengesahkan berbagai platform pembelajaran daring yang sudah mapan sebagai solusi cepat, namun ini tidak direkomendasikan sebagai solusi jangka panjang karena berbagai tantangan yang memengaruhi proses pembelajaran. Studi-studi terbaru telah mengatasi tantangan tersebut dengan menggunakan kecerdasan buatan (AI), pembelajaran mendalam (deep learning), dan teknologi blockchain. AI dan pembelajaran mendalam berfokus pada peningkatan evaluasi kinerja peserta didik, sementara blockchain dan kontrak pintar membantu melawan masalah seperti sertifikat palsu, manipulasi hasil, dan pelacakan aktivitas peserta didik. Meskipun kedua teknologi ini menunjukkan potensi besar, sedikit studi yang mengeksplorasi integrasinya dalam pembelajaran daring, sehingga studi ini menawarkan sebuah kerangka cerdas yang menggabungkan blockchain dan pembelajaran mendalam guna mengamankan dan meningkatkan sistem pembelajaran daring dengan memastikan keamanan data, transparansi, dan otomatisasi. Kerangka ini menyimpan data peserta didik secara aman di blockchain menggunakan Interplanetary File System (IPFS) untuk penyimpanan file besar secara terdesentralisasi, memastikan integritas dan kerahasiaan data melalui dompet Ethereum pribadi. Model pembelajaran mendalam kemudian menganalisis data yang diamankan ini untuk memprediksi performa akademik secara akurat. Kontrak pintar memfasilitasi penerbitan sertifikat oleh universitas, mencatatnya secara tak dapat diubah di blockchain yang dapat diakses oleh node jaringan, sehingga meningkatkan otomatisasi, keamanan, dan kepercayaan di antara peserta didik, dosen, dan pemberi kerja. Blockchain menyediakan penyimpanan data yang tidak dapat diubah, tertimestamp, aman, dan transparan dalam jaringan peer-to-peer terdistribusi tanpa otoritas pusat. Ethereum, yang kedua dengan kapitalisasi pasar setelah Bitcoin, mendukung kontrak pintar yang dapat diprogram melalui Ethereum Virtual Machine (EVM) menggunakan Solidity, memungkinkan transaksi bersyarat dan otomatis jauh melampaui kemampuan Bitcoin. Kontrak pintar mengotomatisasi pelaksanaan ketentuan kontrak setelah kondisi tertentu terpenuhi, serta merekam semua eksekusi secara tak dapat diubah di blockchain. Karena blockchain tidak cocok untuk menyimpan file besar, digunakanlah solusi penyimpanan off-chain seperti IPFS, Storj, dan FileCoin. IPFS terkenal untuk mengenkripsi dan mendistribusikan file besar secara peer-to-peer, dengan membuat hash yang beridentitas konten yang memverifikasi integritas dan akses data, meskipun kontrol akses tetap menjadi tantangan. IPFS penting di sini untuk menyimpan data peserta didik yang sangat besar secara aman sambil menghubungkannya dengan transaksi blockchain melalui hash. Pembelajaran mendalam, terutama jaringan saraf buatan (ANN) yang terinspirasi dari otak biologis, melibatkan banyak lapisan—lapisan input, tersembunyi, dan output—yang belajar melalui propagasi maju, perhitungan error, dan backpropagation selama beberapa epoch. Jaringan saraf dalam (DNN) dengan banyak lapisan tersembunyi meningkatkan akurasi prediksi. Studi ini menggunakan model-model tersebut untuk memproses data peserta didik yang disimpan melalui blockchain dan IPFS, memungkinkan prediksi performa yang akurat. Beberapa studi sebelumnya menggunakan pembelajaran mendalam untuk hasil pendidikan, termasuk prediksi tingkat dropout mahasiswa dalam Massive Open Online Courses (MOOCs) menggunakan jaringan saraf berulang dan konvolusional, dengan akurasi yang meningkat dibanding metode tradisional. Studi lain memanfaatkan jaringan memori jangka panjang bidirectional (BiLSTM) untuk prediksi dropout, dan model pembelajaran mendalam telah berhasil memprediksi performa mahasiswa pada dataset kecil dan tidak seimbang dengan tingkat akurasi tinggi. Kerangka yang diusulkan beroperasi dalam tiga fase: 1.

**Penyimpanan Data Peserta Didik di Blockchain:** Data peserta didik dari dataset “Open University Learning Analytics” (32. 593 data yang meliputi demografi dan interaksi pembelajaran virtual) dienkripsi dan disimpan di IPFS, yang menghasilkan hash kriptografis. Hash ini disimpan di blockchain Ethereum privat menggunakan smart contract, memungkinkan akses terdesentralisasi dan tak dapat diubah. Node—termasuk administrasi universitas, dosen, peserta didik, dan tamu (pemberi kerja)—mendaftar di jaringan blockchain menggunakan dompet yang berisi kunci pribadi dan publik. 2. **Prediksi Performa Menggunakan Pembelajaran Mendalam:** Data peserta didik yang dienkripsi diambil melalui IPFS kemudian diproses denganseluruh tahapan seperti seleksi fitur, penggantian nilai hilang (menggunakan modus dan konstanta), pengkodean data kategorikal, normalisasi dengan MinMaxScaler, dan pengurangan dimensi menggunakan Analisis Komponen Utama (PCA). Dataset dibagi (90% untuk pelatihan, 10% untuk pengujian) dan diberikan ke jaringan saraf dalam yang terdiri dari layer input (10 neuron), lima layer tersembunyi (setiap dengan 500 neuron, aktivasi ReLU), dan layer output dengan empat neuron mewakili status lulus, gagal, mengundurkan diri, dan predikat istimewa menggunakan aktivasi softmax dan loss sparse categorical cross-entropy. Model ini, yang diimplementasikan dalam Python, Keras, dan Sklearn, mencapai akurasi tinggi (~91, 29%) dan loss rendah (~0, 18), mengungguli studi sebelumnya pada dataset yang sama. 3. **Penggunaan Smart Contract:** Kontrak pintar yang dideploy dengan Solidity di Ethereum memungkinkan interaksi yang aman di antara node: dosen mengunggah tugas ke IPFS, mengirim hash file melalui smart contract ke peserta didik; peserta didik mengumpulkan tugas melalui smart contract; universitas menerbitkan sertifikat yang disimpan secara tak dapat diubah di blockchain; dan pemberi kerja (tamu) mengakses sertifikat dan data performa peserta didik setelah persetujuan universitas. Proses ini menjamin transparansi, keamanan, dan otomatisasi. Implementasi meliputi: - **Arsitektur Blockchain:** Dikembangkan menggunakan Python, Flask, dan Postman untuk penambangan blok, validasi chain, dan penambahan transaksi. Node terdesentralisasi dan didaftarkan melalui MyEtherWallet (MEW), yang menyediakan manajemen wallet dengan kunci dan alamat. - **Integrasi Blockchain dan Pembelajaran Mendalam:** IPFS menyimpan dataset terenkripsi beserta hash-nya yang diamankan di blockchain Ethereum melalui smart contract. Model pembelajaran mendalam memprediksi performa peserta didik dari data yang diamankan tersebut. Smart contract mengelola transaksi, termasuk distribusi tugas, pengumpulan, penerbitan sertifikat, dan akses data. Pengujian dilakukan untuk memastikan fungsi seperti pendaftaran node dan akses wallet, penyimpanan dan verifikasi hash, penerbitan dan pengambilan sertifikat, interaksi tugas, validitas transaksi, dan keutuhan file di blockchain. Hasil pengujian menunjukkan bahwa data yang disimpan tidak dapat diubah, aman dari manipulasi, dan interaksi melalui smart contract berjalan lancar. Kerangka yang diusulkan ini menunjukkan bahwa integrasi blockchain dengan pembelajaran mendalam dapat menghasilkan sistem pembelajaran daring yang aman, transparan, dan otomatis dengan tingkat prediksi tinggi serta pengelolaan data yang kokoh, melampaui studi sebelumnya dari segi efektivitas. Pendekatan ini menjawab tantangan keamanan data, verifikasi peserta didik, dan proses akademik otomatis, serta menjadi fondasi bagi pengembangan platform pembelajaran cerdas di masa depan.