Klasterisasi Multilevel Source Code C Berbasis Representasi AST dan Disassembly untuk Deteksi Potensi Plagiarisme

Abstract

Plagiarisme kode sumber merupakan permasalahan penting dalam pembelajaran pemrograman karena kemiripan kode dapat muncul melalui penyalinan langsung maupun modifikasi struktur program. Penelitian ini mengusulkan pendekatan klasterisasi multilevel untuk mendeteksi indikasi plagiarisme kode sumber C dengan mengombinasikan representasi Abstract Syntax Tree (AST) dan disassembly. AST digunakan untuk merepresentasikan struktur sintaksis program, sedangkan disassembly digunakan untuk merepresentasikan struktur semantik program. Dataset yang digunakan terdiri atas tiga dataset kode sumber C, yaitu dua dataset sintetis dan satu dataset organik dari platform online judge. Ekstraksi fitur dilakukan menggunakan TF-IDF, reduksi dimensi menggunakan Singular Value Decomposition (SVD). Kombinasi fitur dilakukan menggunakan concatenation, baik tanpa Canonical Correlation Analysis (CCA) maupun dengan tambahan CCA. Proses klasterisasi dilakukan menggunakan DBSCAN dan dievaluasi dengan Rand Index (RI), Silhouette Score, serta Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa representasi AST memperoleh rata-rata RI, Silhouette Score, dan DBI masing-masing sebesar 0.7537, 0.6570, dan 0.7390, sedangkan representasi disassembly meningkat menjadi 0.8320, 0.7362, dan 0.6584. Multilevel tanpa CCA menghasilkan RI tertinggi sebesar 0.8618, sementara multilevel dengan CCA menghasilkan kualitas internal terbaik dengan Silhouette Score 0.8781 dan DBI 0.4115. Hasil tersebut menunjukkan bahwa representasi multilevel mampu meningkatkan efektivitas klasterisasi kode sumber.