Article Per Year (5 Year)
p-Index From 2021 - 2026
6.834
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOIV : International Journal on Informatics Visualization JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) Jurnal Teknik Informatika (JUTIF) Jurnal Ilmu Komputer dan Informatika Journal of Informatics and Communication Technology (JICT) Jurnal Nasional Teknik Elektro dan Teknologi Informasi eProceedings of Engineering Journal of Informatics and Communication Technology (JICT)
SOFIA SAIDAH
Telkom University
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Other

Published : 73 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 73 Documents
Search

 4   5   6   7   8 
Klasifikasi Tulisan Tangan Bahasa Arab Menggunakan Teknik Yolo Firdaus, Muhammad Ilham Zuhruf; Saidah, Sofia; Ibrahim, Nur
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tulisan tangan dalam bahasa Arab memiliki tantangan tersendiri dalam proses pengenalan otomatis karena bentuk hurufnya yang kompleks, bersambung, serta adanya variasi gaya penulisan individu. Permasalahan ini menjadi penting untuk dipecahkan terutama dalam konteks digitalisasi dokumen dan aplikasi pendidikan berbasis teknologi. Penelitian ini bertujuan untuk mengembangkan sistem pendeteksi tulisan tangan bahasa Arab dengan memanfaatkan teknik You Only Look Once (YOLO), sebuah pendekatan object detection berbasis deep learning yang dikenal karena kecepatannya dalam mengenali objek secara real-time. Penelitian ini dibatasi pada deteksi huruf-huruf tunggal dalam tulisan tangan, bukan pada pengenalan kata utuh atau kalimat. Metode yang digunakan melibatkan beberapa tahap utama, dimulai dari pengumpulan dataset tulisan tangan bahasa Arab yang telah dilabeli secara manual. Selanjutnya dilakukan proses pelatihan model menggunakan arsitektur YOLOv9 dengan menyesuaikan parameter agar optimal terhadap karakteristik huruf Arab. Model dilatih untuk mendeteksi dan mengklasifikasikan huruf secara individu dalam gambar tulisan tangan. Setelah pelatihan, dilakukan evaluasi menggunakan metrik seperti mean Average Precision (mAP), presisi, dan recall untuk mengukur performa sistem. Dalam proses ini juga dilakukan augmentasi data untuk meningkatkan generalisasi model terhadap berbagai bentuk tulisan tangan. Hasil dari penelitian ini menunjukkan bahwa penggunaan YOLO efektif dalam mendeteksi tulisan tangan huruf Arab dengan akurasi yang cukup tinggi, terutama dalam kondisi pencahayaan dan latar belakang yang bervariasi. Sistem yang dikembangkan mampu melakukan deteksi secara cepat dan akurat, serta memiliki potensi untuk dikembangkan lebih lanjut dalam aplikasi OCR (Optical Character Recognition) untuk bahasa Arab. Penelitian ini diharapkan dapat menjadi langkah awal dalam pengembangan sistem pengenalan tulisan tangan Arab yang lebih kompleks di masa depan. Kata kunci— YOLO, Tulis tangan, OCR, Bahasa Arab
Penggunaan Compressive Sensing pada Pengenalan Huruf dengan Tulisan Tangan Menggunakan Metode K-Nearest Neighbor Muhammad, Zalfa Alif; Budiman, Gelar; Saidah, Sofia
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 9 No 6: Desember 2022
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2022965612

Abstract

Pengambilan, pengiriman, atau pertukaran informasi berupa data sangat dibutuhkan oleh manusia. Kehidupan manusia membutuhkan informasi dengan cepat dan tepat, maka data dimanfaatkan agar tidak memakan banyak kapasitas bandwidth dan memori saat sampai di server. Dalam penelitian ini, dilakukan kompresi dengan teknik CS (Compressive Sensing). Penggunaan CS difokuskan terhadap pengenalan huruf kapital dan angka tulisan tangan yang didapatkan dari sebelas mahasiswa dengan beberapa skenario. Untuk mengetahui hal tersebut dilakukan pengumpulan data lalu diolah menggunakan preprocessing, CS, rekontruksi dengan Orthogonal Matching Pursuit, dan proses terakhir pendeteksian menggunakan K-Nearest Neighbor yang didalamnya terdapat ekstraksi ciri menggunakan Template Matching. Setelah tahapan dirancang, dilakukan pengujian dengan beberapa skenario untuk memperoleh akurasi deteksi yang paling baik dengan mengubah parameter ukuran setiap blok pada suatu citra, mengubah baris kompresi, dan mengubah dimensi citra. Sehingga didapatkan bahwa skenario yang cocok untuk pengenalan huruf kapital dan angka adalah  skenario 1 (perbandingan database citra rekonstruktif pada pengujian dengan database citra asli sebelum akuisisi CS pada pelatihan) dengan akurasi deteksi sebesar 91.95% untuk huruf kapital sedangkan untuk deteksi angka sebesar 93%. AbstractRetrieval, delivery, or exchange of information in the form of data is needed by humans. Human life requires information quickly and precisely, so data are used so it doesn't take up a lot of bandwidth and memory capacity when it arrive at the server. In this study, compression was performed using the CS ( Compressive Sensing) technique. The use of CS is focused on recognizing capital letters and handwritten numbers obtained from eleven students with several scenarios. To find out, the data were collected and then processed using preprocessing, CS, reconstruction with Orthogonal Matching Pursuit, and the last detection process were using K- Nearest Neighbor in which there were feature extraction using Template Matching. After the design stage, several scenarios were tested to obtain the best detection accuracy by changing the size parameters of each block in an image, changing the compression line, and changing the image dimensions. So it is found that the suiTabel scenario for recognizing capital letters and numbers is scenario 1 ( comparison of the reconstructive image database in the test with the original image database before the acquisition of CS in training) with a detection accuracy of 91.95% for capital letters while for number detection it is 93%.
Experimenting with the Hyperparameter of Six Models for Glaucoma Classification Ilham, Muhammad; Prihantoro, Angga; Perdana, Iqbal Kurniawan; Magdalena, Rita; Saidah, Sofia
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26331

Abstract

Glaucoma, being one of the leading causes of blindness worldwide, often presents without noticeable symptoms, making early detection crucial for effective treatment. Numerous studies have been conducted to develop glaucoma detection systems. In this particular study, a glaucoma detection system using the CNN method was developed. The models employed in this study include AlexNet, Custom Layer, MobileNetV2, EfficientNetV1, InceptionV3, and VGG19. For training, an augmented RIM-ONE DL dataset was utilized. Hyperparameter experiments were conducted to determine the most optimal parameters for each model, specifically testing batch size, learning rate, and optimizer. The hyperparameter optimization process yielded the optimal parameters for each model. However, it is important to note that the MobileNetV2, InceptionV1, and VGG19 models exhibited signs of overfitting in the training graph results. Among the models, the custom layer model achieved the highest accuracy of 93%, while InceptionV3 attained the lowest accuracy at 83.5%. Testing of the models was performed using data from Cicendo Eye Hospital and the RIM-ONE DL testing dataset. Based on the testing results, it was found that InceptionV3 outperformed the other models in predicting images accurately. Therefore, the study concluded that high accuracy in training does not necessarily indicate superior performance in testing, particularly when limited variation exists in the training dataset.
Strawberry Plant Diseases Classification Using CNN Based on MobileNetV3-Large and EfficientNet-B0 Architecture Pramudhita, Dyah Ajeng; Azzahra, Fatima; Arfat, Ikrar Khaera; Magdalena, Rita; Saidah, Sofia
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26341

Abstract

Strawberry is a plant that has many benefits and a high risk of being attacked by pests and diseases. Diseases in strawberry plants can cause a decrease in the quality of fruit production and can even cause crop failure. Therefore, a method is needed to assist farmers in identifying the types of diseases in strawberry plants. Currently, there are many methods to assist farmers in identifying types of disease in plants, including strawberry plants. In this study, a system is proposed to be able to detect strawberry plant diseases by classifying the disease based on healthy and diseased strawberry leaf images. The proposed system is the Convolutional Neural Network (CNN) algorithm using MobileNetV3-Large and EfficientNet-B0 models to train pre-processed datasets. The results of this study obtained the best accuracy reaching 92.14% using the MobileNetV3-Large architecture with the hyperparameter optimizer RMSProp, epochs 70, and learning rate 0.0001. The percentage of the evaluation model using MobileNetV3-Large for precision, recall, and F1-Score achieved 92.81%, 92.14%, and 92.25%.  Whereas in the EfficientNet-B0 architecture, the best accuracy results only reach 90.71% with the hyperparameter optimizer Adam, 70 epochs, and a learning rate of 0.003. Then, the precision, recall, and F1-scores for EfficientNet-B0 reached 92.65%, 90.00%, and 90.37%. Overall, it presents fairly good results in classifying strawberry leaf plant disease. Furthermore, in future work, it needs to obtain higher accuracy by generating more datasets, trying other augmentation techniques, and proposing a better model.
Designing UI/UX on Adaptive Skills Learning Application for Autistic Children Using Design Thinking Method and Applied Behavior Analysis Theory Putri, Yusnita; Saidah, Sofia
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 10 No. 4 (2024): December
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v10i4.28560

Abstract

This paper introduces he design of SemaiSelaras, an adaptive learning application tailored for children with Autism Spectrum Disorder (ASD), utilizing the Applied Behavior Analysis (ABA) theory and developed through the Design Thinking (DT) methodology. The application aims to address challenges faced by children with ASD in acquiring essential adaptive living skills. While prior studies have explored applications employing the DT methodology, this research uniquely focuses on integrating ABA theory to better meet the specific needs of users. The user-centered and iterative nature of DT ensured the application was designed to effectively address these requirements. The ABA approach, which breaks learning materials into manageable steps, supports children with ASD in gradually mastering life skills. SemaiSelaras integrates advanced technologies such as Optical Character Recognition (OCR), digital storyboard, audio discrimination learning, and video-based learning. The research contribution emphasizes the role of ICT in supporting accessibility and inclusion, helping children with ASD develop essential life skills. Usability testing was conducted using the System Usability Scale (SUS) and the SemaiSelaras prototype achieved an average score of 86.5, reflecting an excellent rating and demonstrating a high level of acceptance and usability for the application.
Perancangan Sistem Klasifikasi Alzheimer Berbasis Pengolahan Citra MRI Menggunakan Convolutional Neural Network (CNN) Bongso, Dery Febryanto; Patmasari, Raditiana; Saidah, Sofia
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit Alzheimer atau Alzheimer Diseases(AD) adalah penyakit otak yang menyebabkan penurunan dayaingat, menurunnya kemampuan berpikir dan berbicara, sertaperubahan perilaku. Seiring dengan waktu, Penyakit Alzheimerdapat membuat penderitanya tidak mampu melakukanperkerjaan sehari-hari. Penyakit Alzheimer umumnya terjadipada seseorang yang berusia di atas 65 tahun. Dalammendeteksi Alzheimer para medis menggunakan pencitraanpada otak salah satu metode yang banyak digunakan MagneticResonance Imaging (MRI). Dengan perkembangan teknologipengolahan citra dan komputasi tenaga medis menggunakandeep learning sebagai metode identifikasi. Hal ini dikarenakandeep learning memiliki average precision yang tinggi dalammengklasifikasikan citra. Dari pengujian performa sistem padasistem yang dirancangkan berdasarkan hasil terbaik dari setiapskenario dengan ukuran citra 224×224, optimizer adam, learingrate 0,0001, epoch 80, dan batch size didapatkan tingkat akurasisebesar 92%, tingkat presisi sebesar 94%, recall sebesar 92%,dan f1-score sebesar 93%.Kata kunci— penyakit alzheimer, convolutional neuralnetwork, hidden layer, learning rate, batch rate, resize.
OPTIMALISASI ARSITEKTUR MOBILENET UNTUK PENGKLASIFIKASIAN CUACA Aditya S.B, I Dewa Agung; Saidah, Sofia; Usman, Koredianto
eProceedings of Engineering Vol. 10 No. 6 (2023): Desember 2023
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Cuaca adalah kondisi atmosfer dengan periode waktu yang singkat. Diketahui ada beberapa jenis cuaca yaitu cuaca cerah, berawan, hujan, dan panas. Kondisi cuaca juga berpengaruh terhadap aktifitas manusia sehari-hari. Adapun beberapa sektor yang dipengaruhi oleh kondisi cuaca yaitu sektor pertanian, peternakan, akuakultur, penerbangan, dan lain-lain. Perubahan cuaca yang ekstrim dengan waktu cepat, membutuhkan analisis klasifikasi cuaca yang cepat juga. Pada penelitian ini diusulkan desain sistem klasifikasi cuaca menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNet. Selain itu, penelitian ini memanfaatkan citra digital yang berasal dari data sekunder yaitu platform Kaggle. Dengan penelitian ini dilakukan proses akuisisi citra dengan dataset yang terdiri dari 4 kelas. Kelas tersebut terdiri dari 300 citra berawan, 215 citra hujan, 253 citra cerah, dan 357 citra cerah berawan. Dari dataset keseluruhan dibagi menjadi 80% data latih, 20% data uji. Dalam Penelitian ini dilakukan pengujian beberapa parameter yang mempengaruhi peformansi sistem antara lain image size, optimizer, learning rate, nilai epoch, dan batch size. Dari kelima parameter tersebut diuji menjadi 5 skenario. Masing-masing skenario dipilih hasil yang paling baik. Sehingga diperoleh parameter yang optimal yaitu resize citra 224´224 pixel, optimizer Adamax, epoch 50, batch size 16 dan learning rate 0,0001. Dengan nilai akurasi sebesar 95,56% dan nilai loss 0,194.Kata kunci : citra, convolutional neural network (CNN), MobileNet
Integrasi Algoritma CNN pada Backend Sistem Identifikasi Sidik Bibir Berbasis Website Pratama, Irsyad Fadil Augusta; Saidah, Sofia; Hidayat , Bambang
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Identifikasi individu merupakan aspek krusial dalam bidang forensik dan keamanan digital, namun metode biometrik konvensional memiliki sejumlah keterbatasan. Sidik bibir menawarkan alternatif yang menjanjikan karena polanya yang unik dan permanen. Namun, sistem identifikasi sidik bibir yang ada seringkali belum terintegrasi secara efektif dan efisien. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah sistem identifikasi individu berbasis website dengan mengintegrasikan algoritma Convolutional Neural Network (CNN) pada sisi backend. Metode yang digunakan meliputi serangkaian tahapan pengolahan citra digital yang komprehensif, dimulai dari segmentasi area bibir menggunakan model U-Net, peningkatan kontras dengan Contrast Limited Adaptive Histogram Equalization (CLAHE), ekstraksi tekstur melalui Gabor Filter, hingga binarisasi adaptif dan operasi morfologi untuk memperjelas pola. Model klasifikasi dibangun menggunakan arsitektur MobileNetV2 melalui pendekatan transfer learning. Hasil pengujian sistem pada dataset yang dikembangkan menunjukkan kinerja yang sangat optimal, dengan keberhasilan mencapai akurasi identifikasi sebesar 100% dan tingkat presisi 100%. Keberhasilan ini membuktikan bahwa integrasi algoritma CNN pada backend sistem berbasis web merupakan solusi yang efektif, akurat, dan potensial untuk dikembangkan lebih lanjut sebagai teknologi identifikasi biometrik modern.Kata kunci — CNN, identifikasi individu, sidik bibir, backend, website, pengolahan citra
Perancangan Antarmuka dan Integrasi Algoritma CNN pada Sistem Identifikasi Sidik Bibir Berbasis Web Wahyu, I Komang Trisna; Saidah, Sofia; Hidayat , Bambang
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Identifikasi individu merupakan aspek penting dalam bidang forensik dan keamanan digital, namun metode biometrik konvensional masih memiliki keterbatasan dalam penerapannya. Sidik bibir sebagai biometrik unik memiliki potensi besar untuk dimanfaatkan dalam proses identifikasi forensik. Penelitian ini bertujuan merancang antarmuka berbasis prinsip UI/UX serta mengimplementasikan algoritma Convolutional Neural Network (CNN) pada sistem identifikasi sidik bibir berbasis web. Perancangan antarmuka dilakukan dengan prinsip UI/UX agar sistem mudah digunakan, responsif, dan informatif. Sistem memungkinkan pengguna mengunggah citra sidik bibir yang kemudian diproses secara otomatis oleh model CNN untuk mengklasifikasikan pola sesuai data pelatihan. Proses pengolahan citra meliputi segmentasi bibir menggunakan U-Net, peningkatan kualitas dengan Contrast Limited Adaptive Histogram Equalization (CLAHE), serta ekstraksi tekstur menggunakan Gabor Filter untuk menangkap orientasi dan frekuensi garis sidik bibir. Citra hasil ekstraksi selanjutnya diproses melalui binarisasi adaptif dan operasi morfologi untuk mempertegas pola serta mengurangi noise. Model klasifikasi dibangun menggunakan arsitektur MobileNetV2 dengan transfer learning dari pre-trained model ImageNet, disesuaikan pada lapisan akhir untuk klasifikasi sidik bibir. Hasil pengujian pada dataset yang dikembangkan menunjukkan akurasi 100% dan presisi 100%, membuktikan bahwa integrasi antarmuka web yang responsif dengan model CNN dan preprocessing yang tepat mampu menghasilkan sistem identifikasi sidik bibir yang akurat, efisien, dan potensial diterapkan pada bidang forensik serta keamanan digital.Kata kunci— identifikasi sidik bibir, CNN , mobilenetv2, ui/ux, unet, gabor filter
Implementasi Metode Convolutional Neural Network dalam Pengolahan Citra Digital Sidik Bibir Irwansyah, Irwansyah; Saidah, Sofia; Hidayat, Bambang
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas pengembangan sistem identifikasi individu berbasis sidik bibir menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sidik bibir dipilih sebagai alternatif biometrik karena memiliki pola unik dan dapat digunakan baik pada individu hidup maupun korban, sehingga relevan dalam bidang forensik dan keamanan. Dataset diperoleh melalui pengambilan GAMBAR langsung terhadap sepuluh individu (total 200 citra), yang kemudian diproses melalui segmentasi U-Net, konversi grayscale, peningkatan kontras menggunakan CLAHE, ekstraksi fitur dengan Gabor filter, binarisasi adaptif, operasi morfologi, normalisasi, dan augmentasi data untuk meningkatkan kemampuan generalisasi. MobileNetV2 digunakan sebagai feature extractor dengan bobot awal ImageNet, diikuti dense layer tambahan untuk klasifikasi multikelas. Proses pelatihan dilakukan dengan optimasi hyperparameter meliputi augmentasi, batch size, optimizer, learning rate, dan jumlah epoch. Hasil pengujian menunjukkan konfigurasi terbaik pada optimizer Adam dengan learning rate 0,001 dan pelatihan selama 200 epoch, yang mampu mencapai akurasi, presisi, recall, dan F1-score sebesar 100% pada data uji. Sistem yang dikembangkan terbukti efektif dalam mengenali pola sidik bibir, menunjukkan potensi tinggi sebagai metode identifikasi biometrik alternatif. Pengembangan lebih lanjut direkomendasikan dengan memperluas variasi dataset dan menguji data untuk meningkatkan kemampuan generalisasi.Kata kunci— CNN, MobileNetV2 Identifikasi Individu, Klasifikasi Biometrik, Pengolahan Citra, Sidik Bibir.
Co-Authors A F Akbar Abdillah, Obey Muhammad Abel Bima Wiratama Aditya S.B, I Dewa Agung Aditya, Hendra Akbar Trisnamulya Putra Al Brando Ardes Harjoko Aliefiya Rachman Alif Fajri Ryamizard Alrizqi, Naufal Dwi Andre Megantoro, Andre Megantoro Angga Prihantoro Arfat, Ikrar Khaera ARIS HARTAMAN Azzahra, Fatima Bainuri, Aulia Novria Bambang Hidayat Bambang Hidayat Bambang Hidayat Bongso, Dery Febryanto Darwindra Darwindra, Darwindra Dea Sifana Ramadhina Denny Darlis Desi Dwi Prihatin Dyah Ajeng Pramudhita Effendi , Doni Oktavian Ibnu Efri Suhartono Enrico Wiratama Purwanto Fadia Qothrunnada Fardiyanti, Defitriana Fathurrahman, Muhammad Hanif Fatima Azzahra Fellia Rizki Kusumowardani Fiera Meiristika Utami Firdaus, Muhammad Ilham Zuhruf Fitria, Ismaulida Nur Gaol, Satya Wira Fernanda Lumban Gelar Budiman Givalle , Zerricho Helsa Bagus Hidayat , Bambang Hilman Fauzi, Hilman Hurianti Vidya I Putu Yowan Nugraha Suparta Ibnu Da'wan Salim Ibnu Da’wan Salim Ubaidah Ibnu Da’wan Salim Ubaidah Ikhwanda, Alfan Ikrar Khaera Arfat Inung Wijayanto Iqbal Kurniawan Perdana Irwansyah Irwansyah Israndy Yainahu Iwan Iwut Tritoasmoro Jangkung Raharjo Kintan Veriana Koredianto Koredianto Koredianto Usman Mas, Muhammad Sabri Masykur, Muhammad Fadhel Affandi Muhamad Rokhmat Isnaini Muhammad Bayu Adinegara Muhammad Ilham Muhammad Ilham Muhammad, Zalfa Alif Nabila Herman Nidaan Khofiya Nimra , Fadhil Julian Nor Kumalasari Caecar Nor Kumalasari Caecar Pratiwi Nur Alyyu Nur Ibrahim Perdana, Iqbal Kurniawan Pramudhita, Dyah Ajeng Pratama, Irsyad Fadil Augusta PRATIWI, NOR KUMALASARI CAESAR Prayudi, Yoshi Prihantoro, Angga Putra, Akbar Trisnamulya Putri, Tasya Busrizal Qothrunnada, Fadia R. Yunendah Nur Fu’adah Rachmat Hidayat Ashary Raditiana Patmasari Ratna Sari Ratri Dwi Atmaja Reza Ahmad Nurfauzan Richard Bina Jadi Simanjuntak Rita Magdalena Rita Magladena Rita Purnamasari Robinzon Pakpahan Salsabil Farah Aqilah Wijaya Salsabila, Afap Sangkala, Muh Aslam Mahdi Sevierda Raniprima Subiakto, Septiaini Dela Susilo, Mochammad Hilmi Suwandhi, Adhisty Putrina Syamsul Rizal Syamsul Rizal Tahta Restu Adiguna Tasya Busrizal Putri Tita Haryanti Trisaputra , Andi Farhan Tsabita Al Asshifa Hadi Kusuma Vidya, Hurianti Wahid, Gloria Shekinah Florensia Wahyu, I Komang Trisna Wibisono Sabdo Utomo WIDIANTO, MOCHAMMAD HALDI Widya Alisya Kusuma Ningrum Yunendah Fu’adah Yusnita Putri Zakiah Zakiah