<![CDATA[Digitalisasi dokumen akademik meningkatkan potensi kemiripan ide dan praktik plagiarisme yang tidak hanya berupa penyalinan langsung, tetapi juga parafrase dan penggantian sinonim. Sistem deteksi kemiripan yang tersedia umumnya hanya menghasilkan skor kemiripan tanpa menjelaskan posisi suatu penelitian terhadap penelitian terdahulu. Penelitian ini bertujuan menganalisis implementasi dan kemampuan GPT API dalam mendeteksi similarity dan novelty teks akademik pada aplikasi SIMANTAP, serta mengidentifikasi kebutuhan sistem, perspektif pengguna, dan implikasinya terhadap integritas akademik. Penelitian menggunakan pendekatan kuantitatif dengan metode pengembangan Waterfall. Sistem dibangun menggunakan PHP, Laravel, dan MySQL dalam bentuk pipeline analisis sembilan tahap yang mencakup ekstraksi teks, segmentasi dokumen menjadi chunk, ekstraksi kata kunci berbasis GPT, pencarian dokumen pembanding internal dan eksternal, pembangkitan embedding, perhitungan cosine similarity antar-chunk, agregasi skor, hingga analisis kebaruan kontekstual. Pengujian kebutuhan dilakukan dengan black-box testing, pengujian keluaran terhadap 29 dokumen proposal lintas domain, dan evaluasi persepsi terhadap lima dosen menggunakan kuesioner skala Likert. Seluruh kebutuhan dinyatakan valid, dengan similarity score rata-rata 36,09% (SD 24,33) dan novelty score rata-rata 58,07% (SD 9,92). Kalibrasi menunjukkan ambang konvensional 0,85 menghasilkan similarity index 0% pada dokumen yang relevan secara tematik sehingga ambang dikalibrasi ke 0,60. Evaluasi pengguna memperoleh nilai 91,2% berkategori Sangat Baik.]]>
Copyrights © 2026
