Integrasikan analisis kesantunan ke platform Anda

Autentikasi

Daftar akun, verifikasi email, lalu buat API key di menu API Keys. Kirim key pada setiap request melalui header Authorization:

Authorization: Bearer 1|AbCdEf...
Content-Type: application/json
Accept: application/json

POST /analyze

Menganalisis satu teks (maks. 2.000 karakter). Umpan balik pedagogis disertakan secara default; kirim "include_feedback": false untuk respons ringkas.

POST /api/v1/analyze
{ "text": "Kak, boleh minta tolong jelasin lagi? Makasih ya 🙏" }

200 OK
{
  "data": {
    // --- label utama (model "primary_model", default XLM-RoBERTa) ---
    "label_id": 2,
    "label": "santun",
    "label_name": "Santun",
    "confidence": 0.9132,
    "probabilities": { "tidak_santun": 0.0201, "netral": 0.0667, "santun": 0.9132 },
    "primary_model": "xlmr",
    "ambiguous": false,          // true jika model utama ragu ATAU ketiga model tidak sepakat
    "agreement": true,           // ketiga model memberi label yang sama?
    "votes": { "tidak_santun": 0, "netral": 0, "santun": 3 },

    // --- hasil SETIAP model penelitian ---
    "models": {
      "xlmr":  { "label": "santun", "confidence": 0.9132, "probabilities": {...},
                 "name": "XLM-RoBERTa", "checkpoint": "xlm-roberta-base", "f1_macro_gold": 0.6586 },
      "bert":  { "label": "santun", "confidence": 0.8410, ..., "name": "BERT multilingual" },
      "xlnet": { "label": "santun", "confidence": 0.7795, ..., "name": "XLNet" }
    },
    "ensemble": { "label": "santun", "confidence": 0.8446, ..., "validated": false },

    "feedback": { "title": "...", "message": "...", "tips": ["..."] }
  },
  "meta": {
    "primary_model": "xlmr",
    "models": { "xlmr": {...}, "bert": {...}, "xlnet": {...} },
    "ensemble_validated": false,
    "model_version": "2026.09-gold382",
    "latency_ms": 118.4,
    "model_latency_ms": { "xlmr": 44.1, "bert": 38.0, "xlnet": 36.3 },
    "count": 1,
    "disclaimer": "..."
  }
}

Setiap request selalu diproses oleh ketiga model penelitian (BERT multilingual, XLM-RoBERTa, XLNet), dan hasil masing-masing dikembalikan di data.models. Field di level atas data berasal dari model utama agar integrasi sederhana (mis. moderasi komentar) cukup membaca data.label.

ambiguous: true berarti keyakinan model utama di bawah ambang (0.55) atau ketiga model tidak sepakat. Tampilkan hasil sebagai bahan diskusi, bukan keputusan otomatis. ensemble.validated: false berarti ensemble belum divalidasi pada set uji emas.

POST /analyze/batch

Hingga 50 teks per request. Cocok untuk memeriksa forum diskusi atau komentar secara massal. Setiap teks dihitung terhadap kuota harian.

POST /api/v1/analyze/batch
{ "texts": ["Makasih infonya!", "Dasar ga guna"], "include_feedback": false }

200 OK
{ "data": [ { "label": "santun", ... }, { "label": "tidak_santun", ... } ], "meta": { "count": 2, ... } }

Endpoint lain

Kode error & rate limit

Contoh kode

curl -X POST https://belajarsantun.id/api/v1/analyze \
  -H "Authorization: Bearer $BERORNET_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text":"Makasih ya udah bantuin!"}'

<?php
// Laravel (Http client). Simpan key di .env -> BERORNET_API_KEY
$response = Http::withToken(env('BERORNET_API_KEY'))
    ->acceptJson()->timeout(15)
    ->post('https://belajarsantun.id/api/v1/analyze', ['text' => $text]);

if ($response->successful()) {
    $label = $response->json('data.label');        // tidak_santun | netral | santun
    $conf  = $response->json('data.confidence');
}

import os, requests

r = requests.post(
    "https://belajarsantun.id/api/v1/analyze",
    headers={"Authorization": f"Bearer {os.environ['BERORNET_API_KEY']}"},
    json={"text": "Makasih ya udah bantuin!"},
    timeout=15,
)
r.raise_for_status()
print(r.json()["data"]["label_name"])

// Jalankan di SERVER (Node 18+), jangan di browser
const res = await fetch("https://belajarsantun.id/api/v1/analyze", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.BERORNET_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({ text: "Makasih ya udah bantuin!" }),
});
const { data } = await res.json();
console.log(data.label_name, data.confidence);

Plugin WordPress

Plugin BerorNet Politeness menyediakan:

• Shortcode [berornet_checker]: kotak cek kesantunan untuk halaman/artikel sekolah.
• Moderasi komentar: komentar terdeteksi Tidak Santun otomatis ditahan untuk ditinjau admin.
• API key disimpan di server WordPress (disarankan via konstanta di wp-config.php) dan tidak pernah dikirim ke browser.

Unggah folder berornet-politeness ke wp-content/plugins/, aktifkan, lalu isi pengaturan di Settings → BerorNet.

LMS / Moodle

Pola integrasi yang disarankan: backend LMS memanggil /analyze/batch saat posting forum dibuat (mis. lewat event observer \mod_forum\event\post_created di Moodle), menyimpan label, lalu menampilkan umpan balik ke siswa dan ringkasan ke guru. Jangan memanggil API langsung dari browser siswa.

Praktik aman

• Simpan API key sebagai secret di server (environment variable / secret manager), bukan di repositori atau JavaScript publik.
• Gunakan satu key per integrasi agar bisa dicabut terpisah; key memiliki masa berlaku.
• Hormati 429 dan Retry-After; gunakan exponential backoff untuk 503.
• Hasil adalah prediksi. Jangan gunakan sebagai satu-satunya dasar sanksi terhadap siswa.
• Jika key bocor, segera cabut di menu API Keys. Mengganti kata sandi juga mencabut semua key.