Indonesia 
English 
Yogyakarta, 15 September 2026 – Mahasiswa Program Studi Sarjana Ilmu Komputer, Departemen Ilmu Komputer dan Elektronika (DIKE), Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada, Maulana Arya Alambana, bersama dosen pembimbing Arif Nurwidyantoro dari Lab Rekayasa Perangkat Lunak dan Data, berhasil meraih Best Paper Award pada 2026 IEEE 1st International Conference on Artificial Intelligence Implementation & Applications (ICAIIA 2026) melalui penelitian berjudul “Comparative Analysis of Rewriting-Based Large Language Model-Generated Synthetic Code Detection.” ICAIIA 2026 diselenggarakan pada 1–4 September 2026 di The Everly, Putrajaya, Malaysia, dengan tema “Driving the Future with Intelligent Systems.” Konferensi internasional yang diselenggarakan oleh Universiti Malaysia Pahang Al-Sultan Abdullah (UMPSA) tersebut menjadi wadah bagi peneliti, praktisi industri, mahasiswa pascasarjana, serta pembuat kebijakan untuk mendiskusikan perkembangan dan implementasi kecerdasan artifisial di berbagai bidang.
Penelitian yang dilakukan Maulana berangkat dari pesatnya pemanfaatan Large Language Models (LLM) dalam pengembangan perangkat lunak. Model generatif saat ini tidak hanya mampu menghasilkan teks, tetapi juga dapat membantu menghasilkan, memperbaiki, dan melakukan refactoring terhadap kode program. Perkembangan tersebut memberikan banyak manfaat, namun sekaligus menghadirkan tantangan baru, khususnya dalam dunia pendidikan dan keamanan perangkat lunak. Dalam pendidikan, misalnya, semakin sulit untuk membedakan kode yang benar-benar ditulis mahasiswa dengan kode yang dihasilkan menggunakan AI. Permasalahan tersebut menjadi semakin penting karena sistem pendeteksi konten AI yang ada belum tentu dapat bekerja secara andal pada kode program. Banyak pendekatan deteksi masih bergantung pada probabilitas token atau classifier yang dilatih menggunakan keluaran model tertentu. Akibatnya, performanya dapat menurun ketika dihadapkan pada kode yang berasal dari model AI atau gaya pemrograman yang berbeda.
Untuk menjawab tantangan tersebut, penelitian ini mengevaluasi pendekatan zero-shot berbasis rewriting similarity. Alih-alih menentukan apakah sebuah kode dihasilkan AI hanya berdasarkan karakteristik permukaannya, pendekatan tersebut meminta model bahasa untuk menulis ulang suatu kode, kemudian mengukur tingkat kemiripan antara kode awal dan hasil penulisan ulang. Dasar pendekatannya adalah bahwa kode buatan manusia dan kode yang dihasilkan AI memiliki pola perubahan yang berbeda ketika ditulis ulang oleh sebuah LLM. Dalam eksperimen, Qwen2.5-Coder-7B-Instruct digunakan untuk melakukan proses rewriting. Selanjutnya, representasi kode dianalisis menggunakan dua arsitektur model, yaitu CodeT5 dan GraphCodeBERT, baik dalam konfigurasi dasar maupun setelah fine-tuning menggunakan SimCSE. Penelitian juga menggunakan sebelas variasi kode, termasuk perubahan nama variabel, perubahan nama fungsi, penambahan test case, hingga penambahan dead code.
Hasil penelitian menunjukkan bahwa konfigurasi berbasis CodeT5 memperoleh rata-rata AUROC sebesar 0,5805, sedikit lebih tinggi dibandingkan konfigurasi berbasis GraphCodeBERT yang memperoleh rata-rata 0,5731. Performa AUROC terbaik diperoleh CodeT5-BASE dengan nilai 0,5904 pada empat kali rewriting, sementara CodeT5-SimCSE menghasilkan Pairwise Accuracy tertinggi sebesar 0,6116 pada delapan kali rewriting. Meskipun demikian, penelitian ini juga menunjukkan bahwa pendeteksian kode buatan AI masih merupakan persoalan yang kompleks dan kinerjanya sangat dipengaruhi oleh bentuk modifikasi kode. Pada sejumlah variasi, khususnya ketika nama variabel dan fungsi diubah, kemampuan deteksi dapat mendekati tebakan acak. Sebaliknya, pada variasi berupa penambahan dead code, nilai AUROC dapat mencapai 0,8529. Temuan tersebut menunjukkan bahwa pendekatan yang dikembangkan menjanjikan sebagai dasar penelitian lebih lanjut, tetapi belum cukup andal untuk digunakan sebagai sistem deteksi mandiri dalam lingkungan nyata.
Atas penelitian tersebut, Maulana berhasil memperoleh Best Paper Award pada ICAIIA 2026. Capaian ini menjadi semakin bermakna karena ICAIIA merupakan konferensi internasional yang berfokus pada implementasi dan aplikasi AI, dengan cakupan antara lain AI untuk pendidikan dan pengembangan manusia, AI untuk industri dan masyarakat, serta pengembangan perangkat lunak.
Riset ini turut menjadi bagian dari kontribusi sivitas akademika DIKE FMIPA UGM dalam mendukung pencapaian Sustainable Development Goals (SDGs). Dalam konteks SDG 4: Pendidikan Berkualitas, penelitian ini relevan melalui pengembangan metode untuk mengidentifikasi kode yang dihasilkan AI sehingga pemanfaatan AI generatif dalam pembelajaran dapat dievaluasi secara lebih bertanggung jawab. Sementara itu, SDG 9: Industri, Inovasi, dan Infrastruktur diwujudkan melalui pengembangan dan pengujian metode zero-shot rewriting similarity untuk mendeteksi karakteristik kode hasil AI. Melalui prestasi tersebut, DIKE FMIPA UGM terus mendorong mahasiswa menghasilkan penelitian yang tidak hanya berkontribusi secara akademik, tetapi juga mendukung pengembangan AI yang lebih bertanggung jawab, terpercaya, dan bermanfaat bagi pendidikan maupun masyarakat.
Author: Arif Nurwidyantoro
Editor: Hikmah Nursidik
#SDGs4 #SDGs9
