tl’dr

• Orang-orang telah memprediksi pasar prediksi akan segera booming suatu saat nanti dan peningkatan UX yang terus berlanjut telah mempersiapkan segmen ini untuk lepas landas
• Namun untuk mencapai skala miliaran pengguna, kita membutuhkan "sesuatu yang baru" di luar peningkatan UX yang terus berlanjut, dan itulah Kecerdasan Buatan sebagai roda gigi dan titik penopang dalam mesin
• Sebuah kuartet kecerdasan buatan dari pencipta konten, pemberi rekomendasi acara, pengalokasi likuiditas, dan pengumpul informasi dapat memacu aktivitas baru yang besar di ruang ini
• Mengintegrasikan AI ini ke dalam kerangka pasar prediksi saat ini dapat memungkinkan pasar prediksi pada skala mikroskopis, menjadikannya menarik dan relevan secara pribadi
• Primitive pasar prediksi membuka jalan bagi aplikasi pasar prediksi mirip Tinder, menyematkan pengalaman perdagangan prediktif ke dalam keberadaan digital sehari-hari kita

Setiap keputusan dimulai dengan sebuah prediksi. Pertimbangkan untuk memikirkan potensi Bitcoin: “Apakah membeli Bitcoin sekarang akan menghasilkan investasi ganda pada akhir tahun? Jika prospek “ya” dinilai bahkan sedikit lebih mungkin daripada “tidak,” maka secara ekonomis rasional untuk memutuskan untuk membeli Bitcoin dalam ketiadaan alternatif yang lebih unggul.

Namun mengapa berhenti di Bitcoin? Bayangkan jika kita bisa merancang pasar yang berakar pada prediksi seputar berbagai macam acara seperti siapa yang akan menjadi presiden AS berikutnya atau negara mana yang akan memenangkan Piala Dunia. Di sini, bukan aset, tetapi prediksi itu sendiri yang diperdagangkan.

Prediksi membentuk pasar, pasar memvalidasi prediksi kita

Pasar prediksi telah disebut sebagai “holy grail of epistemics technology” oleh Vitalik.

Vitalik memiliki bakat untuk melihat hal-hal besar sebelum orang lain. Jadi dia adalah sumber yang baik untuk narasi frontrunning. Dia mengusulkan ide AMM di Ethereum tujuh tahun yang lalu di kiriman blog"Seorang pria lain" bernama Hayden Adams mengambil tindakan dan mulai membangunnya, dengan hibah $60K. Dua tahun kemudian, Uniswap telah lahir.

Jika pos blog Vitalik dapat memulai penciptaan $100+ miliarindustri dolar, sebaiknya kita mungkin memperhatikan mereka. Misalnya, terjadi bahwa Vitalik sangat antusias tentang menggunakan pasar prediksi dalam tata kelolakembali pada tahun 2014— sebuah bentuk pemerintahan radikal yang dikenal sebagai “futarchy” — dan sekarang kita memilikiMeta DAOmelakukan hal yang sama, dengan perusahaan VC besar seperti Panteraikut serta di dalamnya.

Tapi itu lebihdiskusi terbarusekitar pasar prediksi + kecerdasan buatan yang ingin kami fokuskan, karena kami mulai melihat awal dari sesuatu yang besar di sini.

Pasar prediksi siap untuk terbang

Saat ini, pasar prediksi terkemuka adalah Polymarket, berkat peningkatan UX yang terus berlanjut dan ekspansi kategori acara dan penawaran acara.

Sumber data: Dune

Volume bulanan baru-baru ini mencapai rekor tertinggi sepanjang masa dan kemungkinan akan meningkat dengan pemilihan presiden AS pada bulan November tahun ini (aktivitas Polymarket berpusat di AS).

Ada preseden lebih lanjut untuk percaya bahwa pasar prediksi bisa melesat tahun ini. Selain pasar kripto mencapai rekor tertinggi pada tahun 2024, kita juga memiliki salah satu tahun pemilihan terbesar dalam sejarah tahun ini. Delapan dari sepuluh negara terpadat di dunia, termasuk AS, India, Rusia, Meksiko, Brasil, Bangladesh, Indonesia, dan Pakistan juga akan melakukan pemungutan suara. Kami juga memiliki Olimpiade Musim Panas 2024 yang akan datang di Paris.

Namun mengingat volume bulanan masih dalam puluhan juta ketika bisa mencapai ratusan juta, mari kita pertimbangkan beberapa keterbatasan pasar prediksi saat ini:

• Pengendalian terpusat atas pembuatan acara
• Kekurangan insentif bagi para pembuat konten komunitas
• Kekurangan personalisasi
• Terutama berpusat di AS; mengabaikan peluang internasional yang substansial

Tapi kita butuh "sesuatu yang baru"

Kami percaya bahwa hal itu adalah AI.

Kami membutuhkan KI sebagai pemain dalam permainan. Kami berharap bahwa segera akan umum melihat KI (bot) berpartisipasi bersama agen manusia di pasar prediksi. Kami sudah bisa melihat demo langsung dari ini di OmendanPredX, di antara kemungkinan banyak orang lain yang akan masuk ke dalam adegan ini. Lebih lanjut tentang ini nanti.

AI membutuhkan AI sebagai penengah permainan. Meskipun relatif jarang, ada kemungkinan terjadi situasi di mana penyelesaian sengketa penting dan diperlukan dalam pasar prediksi. Misalnya, dalam pemilihan presiden, hasilnya mungkin sangat ketat dan tuduhan ketidakberesan dalam pemungutan suara mungkin muncul. Jadi, sementara pasar prediksi mungkin ditutup mendukung Kandidat A, komisi pemilihan resmi mungkin menyatakan Kandidat B sebagai pemenangnya. Mereka yang bertaruh pada Kandidat A akan mempertanyakan hasilnya karena dugaan ketidakberesan dalam pemungutan suara, sementara mereka yang bertaruh pada Kandidat B akan berargumen bahwa keputusan komisi pemilihan mencerminkan hasil yang “benar”. Banyak uang mungkin dipertaruhkan. Siapa yang benar?

Menjawab pertanyaan ini menimbulkan beberapa tantangan:

• Pemain mungkin tidak percaya arbiter manusia karena bias mereka
• Arbitrase manusia dapat lambat dan mahal
• Resolusi prediksi berbasis DAO rentan terhadap serangan Sybil

Untuk mengatasi hal ini, pasar prediksi dapat menggunakan sistem sengketa multi-round alaKleroskecuali menggunakan KI alih-alih manusia untuk menyelesaikan sengketa di putaran awal dan hanya manusia yang terlibat dalam kasus-kasus langka di mana sengketa mencapai kebuntuan. Pemain dapat mempercayai KI untuk bersikap adil, karena memalsukan cukup data pelatihan untuk mempengaruhi mereka tidak memungkinkan. Selain itu, arbiter KI bekerja lebih cepat dan dengan biaya yang jauh lebih rendah.xMarketssedang membangun ke arah ini.

AIs menciptakan keinginan

Untuk pasar prediksi benar-benar berkembang, mereka perlu dapat menarik minat yang cukup untuk mendorong orang melewati ambang batas psikologis dari perdagangan aset prediksi. Mungkin tidak memerlukan banyak hal untuk hal ini untuk topik umum yang banyak orang pedulikan seperti siapa yang akan memenangkan pemilihan presiden atau Superbowl. Tetapi, hanya menyertakan topik umum secara signifikan membatasi likuiditas potensial. Idealnya, pasar prediksi dapat menjangkau likuiditas acara-acara khusus yang menarik minat tinggi bagi audiens niche. Inilah bagaimana iklan yang ditargetkan bekerja, dan kita semua tahu iklan yang ditargetkan berhasil.

Untuk mencapai hal ini, pasar prediksi perlu menyelesaikan empat tantangan umum:

1. Pasokan Acara: Pasokan acara yang sangat relevan sangat penting. Untuk menarik perhatian audiens yang khusus namun berdedikasi, pencipta acara harus memahami dengan mendalam minat komunitas mereka untuk mendorong partisipasi dan volume.
2. Permintaan Acara: Permintaan harus tinggi di dalam komunitas yang ditargetkan tertentu, dengan memperhitungkan idiosinkrasi demografis dan psikografis mereka.
3. Likuiditas Acara: Ada keragaman pendapat dan dinamika yang cukup dalam komunitas yang dituju untuk mendorong likuiditas yang memadai untuk mempertahankan kedua pihak dan meminimalkan selip.
4. Pengumpulan Informasi: Pemain harus memiliki akses mudah ke informasi yang cukup untuk membuat mereka yakin untuk bertaruh. Ini bisa mencakup analisis latar belakang, data historis yang relevan, dan pendapat ahli.

Sekarang, mari kita lihat bagaimana AI bisa mengatasi setiap tantangan ini:

1. AI Kreator Konten: AI kreator konten ("copilots") membantu dalam pembuatan konten di luar kemampuan atau motivasi manusia. AI menyarankan topik acara yang tepat waktu dan relevan dengan menganalisis tren dari berita, media sosial, dan data keuangan. Kreator konten - baik manusia maupun AI - akan mendapatkan imbalan atas pembuatan konten yang menarik yang membuat komunitas mereka hidup. Umpan balik komunitas meningkatkan pemahaman AI terhadap komunitasnya, menjadikannya mesin pembuatan konten yang secara iteratif memperbaiki diri untuk mengikat kreator konten dan audiens mereka.
2. Rekomendasi Acara Kecerdasan Buatan: AI pemberi rekomendasi acara menyesuaikan saran acara kepada pengguna berdasarkan minat, riwayat perdagangan, dan kebutuhan spesifik mereka, dengan fokus pada merekomendasikan acara yang siap untuk diperdebatkan dan peluang perdagangan. AI ini beradaptasi dengan perilaku pengguna di berbagai wilayah, konteks budaya, dan waktu. Tujuannya adalah umpan acara yang sangat ditargetkan, bebas dari konten pribadi yang tidak relevan yang mengganggu platform pasar prediksi saat ini.
3. Pengalokasi Likuiditas AI: Pengalokasi likuiditas AI menangani risiko likuiditas kontra pihak ketiga dengan mengoptimalkan injeksi likuiditas untuk menyempitkan spread bid-ask. Untuk meminimalkan risiko, AI dapat menerapkan aturan skoring pasar logaritmik(LMSR) model AMM yang dirancang khusus untuk meminimalkan risiko di pasar prediksi likuiditas rendah. Mereka juga dapat menggabungkanagen pembelajaran penguatanyang secara dinamis menyesuaikan kedalaman likuiditas, biaya protokol, dan kurva ikatan untuk lebih meminimalkan risiko. Kecerdasan buatan ini mengelola likuiditas acara dari kolam LP umum, memberikan imbalan kontribusi dengan pendapatan biaya yang terakumulasi atau token platform sebagai insentif tambahan. Secara keseluruhan, ini berarti adaptasi preventif terhadap perubahan pasar, slippage yang lebih rendah, dan stabilitas harga yang lebih baik.
4. Pengumpulan Informasi AIs: AIs ini memanfaatkan komputasi atas berbagai indikator (misalnya data on-chain, data historis, berita, indikator sentimen) untuk memungkinkan pemain memahami acara secara komprehensif. Dari sana, pengumpulan informasi AIs dapat menawarkan proyeksi yang komprehensif, menjadikan pasar prediksi sebagai sumber utama untuk pengambilan keputusan yang terinformasi dan alpha. Proyek dapat memilih untuk memberlakukan akses ke wawasan yang diperoleh oleh pengumpulan informasi AIs, karena dalam pasar prediksi, pengetahuan = uang.

Sekarang, mari kita lihat bagaimana ini terlihat ketika kamu menyatukannya. Di bawah, kamu bisa melihat komponen utama dan cara kerja pasar prediksi tanpa AI (dalam warna hitam) dan dengan AI (dalam warna biru).

Dalam model non-AI, pencipta konten (biasanya platform itu sendiri) sewenang-wenang membuat acara, menyediakan likuiditas (awalnya disubsidi oleh kas mereka), menyimpan acara ke database acara, dan mempromosikannya secara massal kepada pemain manusia. Inilah cara kerja Polymarket saat ini, dan ini berjalan cukup baik.

Tapi, saya pikir itu bisa menjadi jauh lebih baik.

Dalam model AI, AI pembantu kreator konten mendukung kreator konten dalam membuat dan mempromosikan acara di dalam komunitas umum atau niche yang ditargetkan. Penyediaan likuiditas didukung oleh AI pengalokasi likuiditas yang mengoptimalkan penyuntikan likuiditas dari waktu ke waktu melalui pembelajaran order book pemain dan menggunakan data eksternal dari orakel dan vendor data lainnya. AI rekomendasi acara menggunakan acara yang disimpan dalam database acara dan riwayat transaksi dompet untuk mengoptimalkan rekomendasi acara yang disesuaikan berdasarkan minat pribadi. Terakhir, AI agregasi informasi mengumpulkan informasi dari vendor data untuk memberikan informasi edukatif dan kontekstual kepada pemain manusia dan untuk memberi tahu pemain AI tentang keputusan prediksi mereka. Tujuannya? Sistem pasar prediksi yang disetel dengan baik yang memungkinkan pasar prediksi bekerja pada skala mikroskopis.

Pasar prediksi dalam skala ini akan memungkinkan pengalaman pengguna yang berbeda, yang lebih mirip dengan Tinder atau TikTok. Karena acaranya sangat terarah, mereka bisa disajikan kepada Anda dalam umpan ala TikTok dan — bahkan dengan teknologi dompet dan blockchain saat ini — pemain bisa memasang taruhan dengan menggeser ke kiri atau kanan ala Tinder. Bayangkan itu. Orang-orang membuat taruhan mikro pada acara-acara yang mereka pedulikan secara pribadi saat mereka sedang berpergian ke tempat kerja atau sekolah.

Penggabungan informasi supercharging

Dari hasil yang paling terkenal sulit diprediksi adalah harga aset, jadi mari fokus di sini untuk melihat bagaimana AI berperforma saat mendorong batas-batas yang mungkin dalam pasar prediksi.

Menggunakan kecerdasan buatan untuk memprediksi harga aset sedang aktif dijelajahi dalam lingkaran akademisi. Teknik pembelajaran mesin (ML) seperti model linear, hutan acak, dan mesin vektor pendukung telah ditunjukkanuntuk memprediksi harga cryptocurrency dengan akurasi yang lebih baik daripada penilai manusia. Model-model ini telah menemukan bahwa indikator perilaku seperti intensitas pencarian Google menjelaskan variasi harga.

riset IBMmengeksplorasipasar prediksi buatan untuk prediksi harga komoditas, menawarkan studi kasus yang meyakinkan tentang integrasi AI dengan pasar prediksi. Penelitian mereka menyoroti potensi pasar prediksi buatan untuk mengumpulkan sumber informasi real-time yang beragam dan berkembang untuk membuat prediksi yang lebih baik bahkan dalam masalah dunia nyata yang kompleks seperti memprediksi harga komoditas yang fluktuatif yang tidak diperdagangkan di bursa online (misalnya, etilena, hidrokarbon). Alasan agen AI dapat melampaui model ML standar di sini adalah bahwa mereka belajar dari waktu ke waktu, dengan sendirinya — alias agensi.

Sebuah studi lain yang membandingkan regresi hutan acak dan LSTM untuk memprediksi harga Bitcoin keesokan harinyamenunjukkanbahwa yang pertama tampil lebih baik dalam hal kesalahan prediksi yang lebih sedikit. Ini juga memperlihatkan kekuatan AI dalam keluasan agregasi informasi — jauh melampaui kapasitas manusia biasa — untuk memodelkan 47 variabel di delapan kategori termasuk (a) variabel harga Bitcoin; (b) indikator teknis Bitcoin; © harga token lainnya; (d) komoditas; (e) indeks pasar: (f) pertukaran valuta asing; (g) perhatian publik); dan (h) variabel dummy dari minggu. Prediktor paling penting bervariasi dari waktu ke waktu dari indeks pasar saham AS, harga minyak, dan harga Ethereum pada 2015–2018 hingga harga Ethereum dan indeks pasar saham Jepang pada 2018–2022. Juga ditemukan bahwa untuk harga Bitcoin besok, regresi hutan acak tampil paling baik dengan jeda satu hari.

Hubungan antara besarnya kesalahan model dan lag

Kita dapat menyimpulkan bahwa di beberapa pasar prediksi populer, terkadang ada terlalu sedikit waktu bagi manusia sibuk untuk mengumpulkan, menganalisis, dan menginterpretasikan jumlah data yang cukup besar untuk membuat prediksi yang baik. Atau, masalahnya terlalu kompleks. Tetapi AI bisa melakukannya.

rekomendasi token AI

KolamSedang membangun model dasar terdesentralisasi dari crypto, yang telah diterapkan dalam rekomendasi token yang dihasilkan oleh AI yang berasal dari perilaku on-chain. Saat ini, jaringan neural grafis besar (GNN) mereka menggunakan data perilaku on-chain untuk memperkirakan probabilitas alpha berbagai token. GNN adalah kelas model AI yang dirancang khusus untuk memproses data yang direpresentasikan sebagai grafik, membuatnya berguna di mana data saling terhubung dengan struktur relasional seperti jaringan transaksional p2p dari blockchain.Ditheradalah rekomendasi token AI lain dengan Telegram yang dikunci tokenbot peringatan, yang mengambil pendekatan pemodelan deret waktu untuk rekomendasi token.

Mengatasi masalah pasar tipis

Salah satu tantangan utama yang dihadapi pasar prediksi adalah bahwa pasar terlalu tipis untuk menarik cukup pemain dan volume. Tetapi ada perbedaan utama antara pasar prediksi tahun 2010-an vs tahun 2020-an, dan itu adalahkemungkinan partisipasi yang merata oleh AIs. Seperti yang dikatakan oleh Vitalik:

Untuk menambahkan, memungkinkan untuk meningkatkanmodel pembuat pasar otomatis (AMM) yang mendasari pasar prediksi. Sebagai contoh, sebuah analisisdari lebih dari 2 juta transaksi di Polymarket mengidentifikasi masalah dengan penyediaan likuiditas dalam pasar prediksi yang konvergen menggunakan AMM produk konstan tradisional (x*y=k), termasuk:

1. Konvergensi dan penghapusan likuiditas. Saat pasar prediksi konvergen (yaitu, saat hasilnya menjadi lebih pasti), LPs didorong untuk menghapus likuiditas mereka. Ini adalah perilaku yang rasional karena risiko memegang token 'kalah' meningkat. Sebagai contoh, dalam pasar yang konvergen menuju 'ya,' token 'tidak' menjadi kurang berharga (yaitu, kerugian sementara), menimbulkan risiko bagi LPs yang mungkin berakhir dengan token tak berharga jika mereka tidak menjualnya lebih awal.
2. Bias dan ketidakakuratan. Pengurangan likuiditas ini dapat menyebabkan akurasi yang kurang dan lebih banyak bias saat pasar prediksi konvergen. Secara khusus, dalam rentang harga berbobot volume 0,2 hingga 0,8, token 'tidak' seringkali dihargai terlalu rendah dan token 'ya' seringkali dihargai terlalu tinggi.

Sumber: Kapp-Schwoerer (2023)

Untuk mengatasi masalah-masalah ini, para penulis mengusulkan model “smooth liquid market maker” (SLMM), dan menunjukkan bahwa itu dapat meningkatkan volume dan akurasi dalam konvergensi pasar prediksi. Ini dilakukan dengan memperkenalkan fungsi konsentrasi ke dalam model (seperti Uniswap v3) di mana LP menyediakan posisi likuiditas yang hanya aktif untuk interval harga tertentu. Hasilnya adalah paparan risiko yang lebih rendah, memastikan bahwa jumlah token berharga (misalnya, token ‘ya’ dalam pasar yang konvergen ke hasil ‘ya’) yang dipegang oleh LP tidak konvergen ke nol saat harga menyesuaikan, tidak seperti dalam AMM produk konstan.

Kompromi pedagang LP

Ada keseimbangan yang harus dicapai saat memilih varian AMM likuiditas terkonsentrasi seperti SLMM untuk menggabungkan pasar prediksi. Saat Anda mencoba mengurangi risiko bagi LPs, Anda malah mengurangi insentif beberapa aktivitas perdagangan.

Secara khusus, sementara likuiditas yang terkonsentrasi dapat membuat lebih tidak mungkin bagi LP untuk kalah saat pasar berkonvergensi pada hasil yang pasti (sehingga mengurangi penarikan dini), hal ini juga dapat mengurangi peluang perdagangan untuk mengambil keuntungan dari perubahan harga kecil (misalnya, seperti bergerak dari $0.70 menjadi $0.75) karena adanya slippage yang meningkat, terutama untuk pesanan besar. Konsekuensi langsungnya adalah bahwa margin keuntungan potensial para trader disusutkan. Sebagai contoh, jika mereka mengharapkan pergerakan harga kecil dari $0.70 menjadi $0.75, slippage dapat membatasi modal yang dapat mereka gunakan secara efektif untuk menangkap keuntungan yang diharapkan. Ke depannya, akan penting untuk mencoba berbagai penyesuaian pada istilah tradeoff dalam rumus maker pasar ini untuk menemukan titik optimal.

Kesimpulan

Primitive pasar prediksi adalah yang sangat kuat. Tentu, seperti primitive crypto lainnya, ia menghadapi tantangan tetapi kami yakin bahwa mereka akan dapat diatasi. Saat mereka secara bertahap diatasi, kita dapat mengharapkan melihat primitive ini digunakan kembali untuk menjawab berbagai macam pertanyaan dalam berbagai konteks digital. Dengan kemajuan dalam penargetan dan solusi likuiditas, kita dapat mengharapkan pengembangan pasar prediksi niche. Misalnya, ambil pengguna X (sebelumnya Twitter):

• Akankah X memperkenalkan Premium++ atau setara pada akhir tahun?
• Apakah X akan membuat fitur edit tweet tersedia untuk semua pengguna pada Q3?
• Apakah X akan melaporkan peningkatan pengguna aktif harian dalam laporan kuartalan berikutnya?
• Apakah pendapatan iklan X akan meningkat atau menurun di kuartal berikutnya?
• Apakah X akan mengumumkan kemitraan baru dengan pencipta konten utama menjelang akhir tahun?
• Apakah X akan merilis fitur terkait blockchain atau cryptocurrency pada Q3?

Menariknya, pertanyaan-pertanyaan ini tidak perlu tetap terbatas pada situs web pasar prediksi mandiri. Mereka dapat diintegrasikan langsung ke dalam X atau platform lain melalui ekstensi browser. Kita mungkin mulai melihat pasar prediksi mikro muncul secara teratur dalam pengalaman online sehari-hari kita, memperkaya penjelajahan biasa dengan peluang perdagangan spekulatif.

Saya dengan sengaja menulis beberapa pertanyaan di atas dan meminta ChatGPT menulis yang lainnya. Mana yang saya tulis dan mana yang ditulis oleh AI pencipta konten? Jika sulit untuk diketahui, itu karena AI pencipta konten ChatGPT sudah sangat baik. Begitu juga dengan AI agregasi informasi dan mesin rekomendasi yang dibangun oleh Big Tech lainnya (lihat iklan yang diberikan Google dan Instagram kepada Anda). Meskipun mencocokkan kinerja model-model ini akan membutuhkan kerja dan waktu, mereka menunjukkan kelayakan kategori-kategori AI ini. Pertanyaan utama yang belum memiliki preseden lebih cenderung pada arah AI alokator likuiditas, pemain AI, dan pengembangan self-improvement dan goal-directedness dalam AI — evolusi dari pembelajaran mesin dasar menjadi agen AI yang dapat diverifikasi.

Jika Anda sedang membangun di ruang-ruang ini atau pos ini membuat Anda terkesan, lakukanmencapai keluar!

Bacaan yang Relevan

• Buterin, V. (2024). Janji dan tantangan aplikasi crypto + AI.
• Rein Y. Wu, dkk., Pasar Prediksi yang Berpusat pada Niat dengan Teknologi AI dan Web3, Blockchain — Merintis Infrastruktur Web3 untuk Masa Depan yang Cerdas, 2024.
• Kapp-Schwoerer, L. (2023). Peningkatan Likuiditas untuk Pasar Prediksi.

Penafian:

1. Artikel ini diambil dari [ Inception Capital], Semua hak cipta adalah milik penulis asli [Hiroki Kotabe]. Jika ada keberatan terhadap cetak ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya segera.
2. Penolakan Tanggung Jawab Kewajiban: Pandangan dan opini yang terdapat di dalam artikel ini semata-mata merupakan pandangan dari penulis dan tidak merupakan nasihat investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau melakukan plagiarisme terhadap artikel yang diterjemahkan dilarang.