DETEKSI PLAGIARISME KODE PROGRAM MENGGUNAKAN GRAPH NEURAL NETWORK BERBASIS ABSTRACT SYNTAXT TREE

Abstract

lagiarisme kode program merupakan permasalahan yang sering terjadi dalam dunia pendidikan dan pengembangan perangkat lunak, yang sulit dideteksi secara akurat menggunakan pendekatan berbasis teks. Metode konvensional seperti Term Frequency–Inverse Document Frequency (TF-IDF) dan cosine similarity cenderung hanya memperhatikan kesamaan token, sehingga kurang efektif dalam menangani perubahan struktur kode. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi plagiarisme kode program berbasis struktur menggunakan Abstract Syntax Tree (AST) dan Graph Neural Network (GNN). Metode yang digunakan melibatkan proses parsing kode program menjadi AST, kemudian direpresentasikan dalam bentuk graph dan diproses menggunakan model GNN dalam skema pairwise. Selain itu, dilakukan perbandingan dengan metode baseline berbasis TF-IDF dan cosine similarity untuk mengevaluasi kinerja model. Dataset yang digunakan terdiri dari data rekayasa dan data nyata yang dibagi menjadi data pelatihan dan pengujian. Hasil penelitian menunjukkan bahwa model GNN memiliki performa yang sangat baik dengan nilai accuracy sebesar 0.9946, precision sebesar 0.9949, recall sebesar 0.9974, dan F1-score sebesar 0.9962, sedangkan metode baseline hanya mencapai accuracy sebesar 0.7392 dan recall sebesar 0.6343. Hal ini menunjukkan bahwa model GNN mampu mendeteksi plagiarisme secara lebih efektif, terutama dalam menangani perubahan struktur kode. Dengan demikian, dapat disimpulkan bahwa pendekatan berbasis struktur menggunakan AST dan GNN lebih unggul dibandingkan pendekatan berbasis teks dalam mendeteksi plagiarisme kode program.