🎯 Ruang Lingkup & Definisi
Metodologi ini mendeskripsikan prosedur audit untuk sistem acak digital (RNG) dan algoritma penentuan hasil. Tujuan utama: menilai fairness, randomness, dan konsistensi terhadap baseline teoretis, tanpa mendorong praktik atau transaksi apa pun.
Objektif
- Menilai distribusi keluaran vs baseline.
- Mendeteksi korelasi serial dan pola non-acak.
- Mengevaluasi varians & volatilitas jangka pendek.
Definisi Singkat
- RNG: Generator bilangan acak.
- RTP: Rasio pengembalian teoretis jangka panjang.
- Baseline: Distribusi teoretis acuan/Monte Carlo.
🧪 Strategi Sampling
Data diambil per event/putaran dalam skala besar untuk mengurangi bias. Sampling mencakup rentang waktu berbeda dan kondisi variasi input yang dikontrol.
| Parameter | Nilai Disarankan | Catatan |
|---|---|---|
| Ukuran Sampel | ≥ 1.0e6 event | Semakin besar semakin baik untuk power statistik |
| Rentang Waktu | ≥ 24 jam | Mencakup variasi periodik potensial |
| Seed | Acak/terkontrol | Jika tersedia, dokumentasikan |
📊 Uji Statistik
Uji Utama
- Kolmogorov–Smirnov (KS): kesesuaian distribusi kumulatif.
- Chi-Square: perbedaan frekuensi kategori vs ekspektasi.
- Autocorrelation: korelasi serial lag-k untuk pola berulang.
Ambang & Interpretasi
- p-value ≥ 0.05 → tidak menolak H0 (sesuai baseline).
- Anomali lokal dikaji ulang dengan subset & koreksi multipel.
- Hasil dilaporkan dengan CI 95% bila relevan.
// Pseudocode: uji ringkas
data = load_events("batch.log")
baseline = simulate_baseline(n=len(data)) // Monte Carlo
ks = ks_test(cdf(data), cdf(baseline))
chi = chi_square(buckets(data), buckets(baseline))
ac = autocorr(data, lags=[1..k])
report(ks, chi, ac)🧮 Simulasi Monte Carlo (Baseline)
Simulasi digunakan sebagai pembanding saat distribusi teoretis sulit diturunkan secara analitik. Setiap skenario dijalankan berulang (mis. 10–100 juta iterasi) hingga konvergen.
- Dokumentasikan parameter skenario (state, payout table, probabilitas).
- Gunakan seed berbeda untuk menguji stabilitas.
- Bandingkan metrik agregat (mean/var) & sebaran penuh (CDF/PDF).
🔐 Verifikasi & Hash Publik
Setiap batch pengambilan sampel disertai checksum SHA-256 dan ringkasan metadata untuk replikasi independen.
# Contoh hash
sha256sum 2025-08-10-batch.log
# output:
# 7b3f9c8f1a1b... <hash>Berkas contoh: /data/2025-08-10-batch.log · /data/2025-08-10-batch.sha256
⚖️ Batasan & Etika
- Non-promosi: dokumen ini edukatif, bukan ajakan bermain/bertransaksi.
- Keterbatasan: akses parameter internal mungkin terbatas; asumsi dinyatakan jelas.
- Privasi: data tidak mengandung identitas personal.
- Transparansi: publikasi log, parameter, dan versi alat uji.
📦 Paket Replikasi
Unduh paket replikasi yang berisi skrip uji, contoh data, dan petunjuk:
❓ FAQ
Apakah hasil uji menjamin fairness?
Tidak ada jaminan mutlak. Hasil mencerminkan sampel & asumsi; audit berkala diperlukan.
Bisakah pihak ketiga mereplikasi?
Ya. Gunakan log & checksum yang kami sediakan; laporkan perbedaan ke tim editorial.
Apakah ada konflik kepentingan?
Kebijakan konflik kepentingan dicantumkan di halaman disclaimer.