Perbedaan GUNZ dan io.net: GUNZ diperdagangkan di Rp71,87 (kapitalisasi pasar Rp191,51M, volume 24 jam Rp135,83M), sedangkan io.net diperdagangkan di Rp2.887 (kapitalisasi pasar Rp1,06T, volume 24 jam Rp331,11M). Perbedaan utamanya: io.net jauh lebih besar — sekitar 5,5× kapitalisasi pasar GUNZ, dan suplai beredar GUNZ 2,7B / 10B GUN (27%) dibanding 365,5M / 800M IO (46%) milik io.net. Mana yang lebih baik tergantung tujuan investasimu — di Pluang, investor rata-rata menyimpan GUNZ selama 8 Hari dan io.net selama 33 Hari.
| GUN | IO | |
|---|---|---|
Kap. Pasar | Rp191,51M | Rp1,06T |
Volume (24h) | Rp135,83M | Rp331,11M |
Suplai yang Beredar | 2,7B / 10B GUN (27%) | 365,5M / 800M IO (46%) |
Typical Hold Time | 8 Hari | 33 Hari |
Sinyal dari Aura AI Pluang — bukan nasihat finansial
Belum ada sinyal Aura AI.
IO saat ini diperdagangkan di Rp2.893 dengan kapitalisasi pasar Rp1,06 triliun, menunjukkan sinyal teknis bearish dari moving averages dan ADX meskipun RSI netral. Token berada di zona support kritis dengan sirkulasi 46% dari total supply 800 juta IO. Tidak ada perkembangan fundamental signifikan yang tercatat dalam periode terakhir.
Outlook jangka pendek cenderung bearish dengan risiko turun menuju support Rp2.575. Peluang rebound terbatas pada breakout di atas resistance Rp3.055. Risiko utama meliputi volatilitas tinggi, likuiditas terbatas, dan tekanan jual berkelanjutan dari sinyal teknis negatif.
Aktivitas investor Pluang dalam 30 hari terakhir
GUNZ telah berkembang menjadi platform lengkap yang menyediakan infrastruktur native blockchain untuk kebutuhan pengembangan game modern. GUNZ menawarkan rangkaian produk white-label dan SDK yang mudah diintegrasikan, sehingga studio mana pun dapat meluncurkan ekonomi berbasis komunitas secara mulus. Fitur utama mencakup dompet dalam game, marketplace P2P, block explorer, mesin pencetak token dan NFT, dan banyak lagi.
Selengkapnya di halaman GUN →io.net, sebelumnya ANTBIT, memanfaatkan jaringan komputasi terdesentralisasi yang didukung oleh Solana dan Aptos untuk memberi para insinyur machine learning akses ke cluster cloud terdistribusi. Hal ini bertujuan untuk mengatasi tantangan seperti ketersediaan yang terbatas, pilihan yang buruk, dan tingginya biaya yang terkait dengan akses GPU di cloud publik.
Selengkapnya di halaman IO →