Metadata Proyek
Tertarik Berdiskusi?
Buka peluang kerja sama riset, pertukaran data, atau bimbingan mahasiswa pada tema proyek ini.
Hubungi Peneliti ↗Plagiarisme kode sumber menjadi ancaman serius dalam pendidikan tinggi bidang komputer, terutama dengan kemudahan akses terhadap Generative AI seperti ChatGPT yang memungkinkan mahasiswa memodifikasi kode secara sulit terdeteksi. Metode deteksi yang ada memiliki keterbatasan: pendekatan berbasis token seperti Winnowing efisien namun lemah terhadap modifikasi struktural, sementara metode berbasis Abstract Syntax Tree (AST) akurat namun berat secara komputasi. Penelitian ini mengembangkan kerangka kerja hibrida yang mengintegrasikan Winnowing dan AST dalam satu pipeline terpadu melalui mekanisme tiga zona keputusan (three-zone cascading). Pertama, jika skor Winnowing < 30% (zona rendah), sistem langsung memutuskan bukan plagiat tanpa memanggil AST. Kedua, jika skor Winnowing melampaui ambang atas dinamis (80%–90% sesuai jumlah fingerprint), sistem mengambil keputusan langsung dari Winnowing (fast path). Ketiga, jika skor berada pada zona abu-abu (30% hingga ambang atas dinamis), sistem memanggil analisis AST dan skor akhir dihitung sebagai nilai maksimum antara Winnowing dan AST. Keputusan akhir menggunakan dua ambang batas dinamis (dynamic threshold) yang sama-sama memperketat kriteria pada kode berukuran kecil untuk mencegah false positive: (a) ambang Winnowing berbasis jumlah fingerprint yang menentukan batas atas zona abu-abu sekaligus keputusan pada jalur early-exit, yaitu 90% untuk ≤40 fingerprint, 85% untuk 41–80 fingerprint, dan 80% untuk >80 fingerprint; serta (b) ambang AST berbasis jumlah node yang berlaku ketika analisis AST dipanggil, yaitu 90% untuk ≤25 node, 80% untuk 26–65 node, dan 70% untuk >65 node. Sistem diimplementasikan sebagai aplikasi web full-stack dengan backend FastAPI dan frontend React. Evaluasi dilakukan menggunakan dua skenario utama: (1) Dataset 1 berisi 277 pasangan kode Java (160 pasangan positif dengan lima level perubahan terkontrol dan 117 pasangan negatif) untuk validasi akurasi klasifikasi, dan (2) Dataset 2 berisi 24.715 pasangan kode tugas mahasiswa untuk uji efisiensi waktu. Berbeda dari evaluasi sebelumnya yang hanya memuat pasangan positif, penambahan pasangan negatif memungkinkan pengukuran presisi, recall, dan spesifisitas yang bermakna. Berdasarkan hasil pada Dataset 1, sistem memperoleh akurasi 92,78%, presisi 94,87%, recall 92,50%, spesifisitas 93,16%, dan F1-Score 93,67%, dengan confusion matrix TP=148, FN=12, FP=8, dan TN=109. Seluruh kesalahan terkonsentrasi pada kasus tersulit: 12 false negative pada Level 4 (kombinasi seluruh teknik modifikasi) dan 8 false positive pada pasangan negatif yang kebetulan memiliki kerangka solusi serupa. Pada Dataset 2, pendekatan hibrida menghemat 29,29% total waktu komputasi dibandingkan AST murni (1.121.715 ms menjadi 793.217 ms) atau rata-rata 1,41× lebih cepat, dengan 56,16% pasangan melakukan early exit dan rasio panggilan AST hanya 43,84% (di bawah target <50%). Penelitian ini merupakan bagian dari peta jalan riset tiga tahun (TKT Level 4). Luaran target meliputi prototipe perangkat lunak, hak cipta program, dan publikasi jurnal internasional bereputasi. Sistem diharapkan mengotomatisasi penilaian tugas pemrograman di Universitas Negeri Medan, mengurangi beban dosen, serta menegakkan kejujuran akademik secara objektif dan transparan.
Buka peluang kerja sama riset, pertukaran data, atau bimbingan mahasiswa pada tema proyek ini.
Hubungi Peneliti ↗