Article Per Year (5 Year)
p-Index From 2021 - 2026
5.477
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Sisfokom (Sistem Informasi dan Komputer) KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) JURIKOM (Jurnal Riset Komputer) YUME : Journal of Management TEKNOLOGIA TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Data Science and Its Applications Jurnal Sistem Komputer dan Informatika (JSON) Journal of Applied Data Sciences Mosharafa: Jurnal Pendidikan Matematika Indonesian Journal of Social Science Research Open Science and Technology eProceedings of Engineering Innovative: Journal Of Social Science Research AMMA : Jurnal Pengabdian Masyarakat Jurnal INFOTEL
Adiwijaya
Universitas Telkom
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Nursing Public Health Social Sciences Other

Published : 169 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 87 Documents
Search
Journal : eProceedings of Engineering

 3   4   5   6   7 
Identifikasi Parafrasa Bahasa Indonesia Menggunakan Naive Bayes Bayu Julianto; Adiwijaya Adiwijaya; Muhammad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Salah satu tujuan dari Natural Languange Processing adalah mengidentifikasi parafrasa, yang berarti untuk mengajarkan kepada mesin apakah sebuah kalimat memiliki makna yang sama dengan kalimat lainnya. Parafrasa berarti pengungkapan kembali suatu tuturan dari sebuah tingkatan atau macam bahasa menjadi yang lain tanpa merubah pengertian. Dalam penelitian ini dilakukan klasifikasi untuk menentukan apakah dua kalimat Bahasa Indonesia termasuk kedalam parafrasa atau non-parafrasa.. Penelitian dilakukan dengan menggunakan Naïve Bayes sebagai classifer. Performansi terbaik dari sistem menghasilkan akurasi 0.713, presisi 0.688, recall 0.798, dan F1-Measure 0.735. Kata kunci :Naive Bayes, identifikasi parafrasa, preprocessing.
Klasifikasi Multi-Label Pada Topik Berita Berbahasa Indonesia Menggunakan Multinomial Naïve Bayes I Made Riartha Prawira; Adiwijaya Adiwijaya; Mohammad Syahrul Mubarok
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Berita merupakan informasi yang dialirkan dari berbagai sumber mengenai kejadian factual yang dapat mempengaruhi lingkungan sekitar. Klasifikasi label topik biasanya dilakukan dalam pengelompokan artikel berita berdasarkan topiknya. Variabel ciri artikel merupakan penentu dalam klasifikasi label. Namun apabila suatu ciri yang menjadi ciri dari satu label artikel merupakan ciri dari label artikel lainnya maka artikel tersebut memiliki lebih dari satu topik atau disebut topik multi-label. Penelitian ini melakukan pembangunan pemodelan suatu klasifikasi teks berita dengan menggunakan metode multinomial naïve bayes untuk melakukan klasifikasi multi-label dengan metode hamming loss sebagai pengukuran performa model klasifikasi tersebut. Hasil hamming loss yang dihasilkan dari penelitian ini sebesar 0,18. Berdasarkan hasil penelitian, metode multinomial naïve bayes ini mampu untuk menyelesaikan permasalahan klasifikasi teks pada kasus multi-label. Kata kunci : Berita, Klasifikasi, Multi-Label, MNB, Hamming Loss Abstract News is a distributed information from any resources contains factual events that affect the environment. Label topic classification generally used for specifying label topic of news article and gather it according to the same topic. Article feature variable is a definite factor in label classification. However, when a feature from one article feature label become another article feature label then that article may contain more than one topic or generally called multi-label topic. This research is about build a text classification model with multinomial naïve bayes method for classifying a multi-label classification problem with hamming loss method as a performance classification model measurement. Result of hamming loss that we obtain from this research is 0,18. Based on result from this research, this multinomial naïve bayes method can solve text classification problem on multi-label case. Keywords : News, Classification, Multi-Label, MNB, Hamming Loss
Analisis Sentimen Pada Ulasan Buku Berbahasa Inggris Menggunakan Information Gain Dan Support Vector Machine Muhammad Nurjaman; Mohamad Mubarok; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Informasi yang terdapat di Internet sangat bermacam-macam, salah satunya adalah informasi mengenai buku. Jika informasi tersebut diolah dengan baik maka akan diperoleh kualitas buku dari informasi tersebut. Dengan membaca ulasannya, maka kita akan mengetahui kualitas dan juga menganalisis sentimen positif dan juga sentimen negatif dari buku tersebut. Namun, begitu banyaknya opini akan mempersulit pengguna lain untuk memperoleh kualitas dari informasi tersebut. Analisis sentimen merupakan penilaian seseorang tentang topik yang dibahas baik itu sentimen positif ataupun sentimen negatif. Untuk mempercepat dalam menganalisis banyaknya sentimen yang ada, digunakanlah metode klasifikasi yaitu Support Vector Machine . Kelebihan dari SVM ini yaitu untuk menentukan hyperplane yang dapat menghasilkan margin yang maksimal antara kelas yang satu dengan kelas yang lainnya. Tetapi SVM mempunyai kelemahan terhadap pilihan fitur atau parameter yang dapat mempengaruhi akurasi. Maka dari itu, pada penelitian ini mengunakan metode Information Gain agar dapat meningkatkan akurasi dengan mengurangi jumlah fitur yang akan dianalisis dan Support Vector Machine sebagai metode klasifikasi untuk menangani permasalahan ini dan hasil dari penelitian ini menghasilkan nilai rata-rata F1-score sebesar 82.35% Kata Kunci: Review Buku, Klasifikasi, Support Vector Machine (SVM), Information Gain
Analisis Sistem Rekognisi Iris Menggunakan Jarak Hamming Luke Manuel Daely; Adiwijaya Adiwijaya; Said Al Faraby
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pada makalah ini penulis membuat dan menguji sistem rekognisi iris menggunakan jarak Hamming. Rekognisi iris merupakan topik penelitian yang mempelajari teori-teori yang menjadi dasar penerapan sistem pengenalan identitas manusia berdasarkan pola iris mata. Sistem rekognisi iris yang dibuat menggunakan algoritma Hough Transform untuk proses segmentasi, Rubber Sheet untuk proses normalisasi, Log-Gabor satu-dimensi untuk ekstraksi fitur, dan jarak Hamming untuk proses matching. Dari hasil pengujian, didapatkan nilai threshold yang paling optimal, yaitu threshold=0.2, dengan akurasi=0.65333. Hasil pengujian menunjukkan bahwa akurasi sistem rekognisi iris sangat dipengaruhi oleh dataset yang digunakan, sehingga penggunaan sistem rekognisi iris disarankan untuk dilengkapi dengan modul akuisisi yang dapat mengambil citra iris dengan kualitas tinggi. Kata kunci : rekognisi iris, biometrik, rekognisi pola, pengolahan citra Abstract In this paper we create and evaluate iris recognition system using Hamming distance. Iris recognition is a research topic which study theories behind the application of human identity recognition system based on iris pattern. Developed iris recognition system using Hough Transform algorithm for segmentation process, Rubber Sheet for normalization process, 1D Log-Gabor for feature extraction process, and Hamming distance for matching process. The most optimal threshold is found from testing result, which is threshold=0.2, with accuracy=0.653333. Testing results shows that iris recognition system is highly dependent with dataset which is used. Hence, iris recognition system should be accompanied with acquisition module which can take high-quality iris image. Keywords: iris recognition, biometric, pattern recognition, image processing
Implementasi Support Vector Machine Untuk Klasifikasi Ucapan Huruf Hijaiyah Bertanda Baca Berbasis Ekstraksi Ciri Mfcc Wisnu Adhi Pradana; Adiwijaya Adiwijaya; Untari Novia Wisesty
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Support vector machine atau yang biasa disebut SVM adalah salah satu metode yang dapat digunakan untuk proses klasifikasi suatu data. Pada penelitian kali ini, sistem dibangun dengan menggunakan pendekatan tersebut dalam pengembangan arabic speech recognition. Dalam pembangunan sistem, ada 2 macam tipe speaker yang telah diuji yaitu dependat speaker dan independent speaker. Hasil yang diperoleh dari sistem ini adalah nilai akurasi sebesar 85,32% untuk dependat speaker dan 61,16% untuk independent speaker. Kata Kunci: Arabic Speech Recognition, Support Vector Machine, MFCC
Pengklasifikasian Topik Hadits Terjemahan Bahasa Indonesia Menggunakan Latent Semantic Indexing dan Support Vector Machine Hafizh Fauzan; Adiwijaya Adiwijaya; Said Al Faraby
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Hadits dijadikan sumber hukum dalam agama Islam selain Al-Qur’an, Ijma dan Qiyas, dimana dalam hal ini, hadits merupakan sumber hukum kedua setelah Al-Qur’an. Penelitian ini bertujuan untuk membangun suatu sistem yang dapat mengkategorikan kelas dari hadits shahih Bukhari terjemahan Bahasa Indonesia. Topik ini dipilih untuk membantu masyarakat Islam yang ingin memahami dari setiap hadits merupakan berupa informasi, larangan atau anjuran. Support Vector Machine digunakan karena dapat melakukan klasifikasi dengan memberikan performansi yang baik untuk dataset yang memiliki fitur yang sangat banyak. Latent Semantic Indexing sebagai metode pemilihan fitur digunakan karena dapat mereduksi fitur dengan menghilangkan fitur yang tidak penting (noise term). Penelitian ini juga memanfaatkan metode Bootstrap Aggregating (Bagging) untuk meningkatkan akurasi. Hasil akurasi yang didapatkan dengan menggunakan Latent Semantic Indexing dan Bagging pada klasifikasi Support Vector Machine sebesar 84.67% pada data hadits single label. Kata kunci : hadits, support vector machine, pemilihan fitur, latent semantic indexing, bootstap aggregating, klasifikasi teks, single label Abstract Hadith is used as the source of Islamic law other than Qur’an, Ijma and Qiyas, hadith is the second of Islamic law after the Qur’an. This study attempted to build a system than can classify shahih hadith of Bukhari in Indonesian Translation. This topic was chosen to help Muslims who want to understand from each hadith is in the form of informations, prohibitions or suggestions. Support Vector Machine was chosen because it can perform classification by providing good performance for dataset with a large number of features. Latent Semantic Indexing as a feature selection method was chosen because it can reduce features by eliminating unimportant features (noise term). This study also using Bootstrap Aggregating (Bagging) method to improve accuracy. The accuracy results show that by using Latent Semantic Indexing and Bagging on Support Vector Machine classification is 84.67% of single label hadith data. Keywords: hadith, support vector machine, feature selection, latent semantic indexing, bootstrap aggregating, text classification, single labe
KlasifikasiEmosi Pada Twitter Menggunakan Bayesian Network Muhammad Surya Asriadie; Mohamad Syahrul Mubarok; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Ringkasan. Bahasa digunakan tidak hanya untuk mengutarakan fakta, akan tetapi juga emosi. Emosi tersebut juga dapat terlihat mulai dari perilaku hingga tulisan yang ditulis olehnya. Analisis emosi di dalam teks sendiri dapat dilakukan pada berbagai media, salah satunya adalah Twitter. Pendeteksian emosi bisa memiliki berbagai macam pengaplikasian salah satunya adalah sebagai bahan pertimbangan keputusan politik dalam suatu pemerintahan. Pada tugas akhir ini, penulis meneliti klasifikasi emosi pada twitter menggunakan Bayesian Network. Metode tersebut digunakan karena kemampuannya dalam memodelkan ketidakpastian dan relasi antar fitur. Hasil penelitian menunjukan bahwa, metode yang digunakan untuk melatih jaringan Bayesian Network belum cukup efektif untuk menghasilkan model terbaik, dengan nilai F1-Score tertinggi adalah 53.71%. Model alternatif berbasis Bayesian Network juga dipelajari. Hasil percobaan menunjukan hasil yang lebih baik dibandingkan Multinomial Naive Bayes dengan kompleksitas inferensi yang tidak jauh berbeda. Nilai F1-Score untuk model Multinomial Naive Bayes adalah 51.49%, sedangkan model alternatif berbasis Bayesian Network adalah 52.14%.
Implementasi Mutual Information Dan Bayesian Network Untuk Klasifikasi Data Microarray Mahendra Dwifebri Purbolaksono; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Abstract.Kanker merupakan salah satu penyebab utama kematian seseorang diseluruh dunia. Menurut data WHO, ada sekitar 14 juta kasus kanker baru di tahun 2012. Karena hal itu pengawasan sejak dini dibutuhkan guna mencegah pertumbuhan kanker. Selain itu pendeteksian secara dini juga merupakan hal yang dibutuhkan. Salah satu cara mendeteksi yaitu melalui ekspresi gen. Ekspresi gen merupakan metode ekstrasi gen menjadi data yang menjadi data bernama microarray. Data microarray memungkinkan terjadi proses pengklasifikasi secara langsung namun atribut dalam suatu record sangat besar sehingga memakan waktu komputasi yang lama. Karenanya dibutuhkan sistem yang dapat menyelesaikan masalah tersebut. Pada penelitian ini, sistem menggunakan pendekatan machine learning yaitu Bayesian Network. Sedangkan untuk seleksi fitur menggunakan Mutual information. Hal ini berguna untuk mengurangi attribute yang terlalu banyak. Untuk pengukuran menggunakan F1-score. Sistem yang dibangun mampu mengklasifikasi kanker dengan f1-score tertinggi mencapai 91.06%. Keyword: Bayesian Network, Mutual Information, Microarray.
Klasifikasi Sentimen Pada Ulasan Buku Berbahasa Inggris Menggunakan Information Gain Dan Naïve Bayes Laila Putri; Mohamad Mubarok; Adiwijaya Adiwijaya
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Semakin berkembangnya teknologi informasi, mengakibatkan pertumbuhan data mengenai ulasan buku semakin besar dan pesat. Dengan membaca review atau ulasan berdasarkan pengalaman pembaca lain, maka kita akan mengetahui kualitas dari buku tersebut. Begitu banyaknya ulasan akan mempersulit pengguna lain untuk menyimpulkan hasil dari ulasan tersebut mengandung opini positif atau negatif. Oleh karena itu, peneliti memberikan solusi dengan menggunakan klasifikasi sentimen ulasan buku. Metode yang digunakan adalah Information Gain dan Naïve Bayes. Information Gain digunakan sebagai metode pemilihan fitur yang dapat membuat akurasi penelitian menjadi meningkat dengan mengurangi fitur-fitur yang kurang. Naïve Bayes digunakan untuk mengatasi masalah ketidakpastian yang terdapat pada pengklasifikasian teks, dan Naïve Bayes mengklasifikasikan ulasan, cenderung beropini positif atau negatif berdasarkan nilai probabilitasnya. Berdasarkan skenario pengujian yang telah dilakukan, performa klasifikasi sentimen pada ulasan buku berbahasa inggris menggunakan Information Gain dan Naive Bayes dari rata-rata F1-score menggunakan 5-fold-cross validation adalah 88,28%. Kata kunci: ulasan buku, analisis sentimen, naïve bayes, information gain
Klasifikasi Dokumen Menggunakan Kombinasi Algoritma Principal Component Analysis Dan Svm Michael Sianturi; Adiwijaya Adiwijaya; Said Faraby
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Klasifikasi dokumen teks adalah masalah yang sederhana namun sangat penting karena manfaatnya cukup besar mengingat jumlah dokumen yang ada setiap hari semakin bertambah. Dalam melakukan klasifikasi dokumen, pada tugas akhir ini digunakan algoritma. Principal Component Analysis merupakan suatu teknik yang dapat digunakan untuk mengekstrasi struktur dari suatu data yang berdimensi tinggi tanpa menghilangkan informasi yang signifikan pada keseluruhan data. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space. Hasil dari pengujian sistem menggunakan data yang direduksi oleh Principal Component Analysis (PCA) memiliki akurasi yang sedikit lebih rendah untuk dataset tertentu dibandingkan tanpa menggunakan PCA. Akurasi terbaik pada penelitian ini dihasilkan dari metode SVM dengan akurasi rata-rata 98.95%, sedangkan untuk metode SVM + PCA akurasi yang diperoleh rata-rata 96.7866%. Kata kunci: Klasifikasi Dokumen, Principal Component Analysis, Support Vector Machine.
Co-Authors A Rakha Ahmad Taufiq Abu Bakar, Muhammad Yuslan Ade Iriani Sapitri Ade Romadhony Ade Sumiahadi, Ade Adhitia Wiraguna Adhitia Wiraguna Aditya Arya Mahesa Adnan Imam Hidayat Adwin Rahmanto Afrian Hanafi Al Faraby, Said Al Mira Khonsa Izzaty Alfian Akbar Gozali Alvi Syah Amalya Citra Pradana Amir Andi Ahmad Irfa ANDI FUTRI HAFSAH MUNZIR Andina Kusumaningrum Andri Saputra Andrian Fakhri Andriyan B Suksmono Anggitha Yohana Clara Aniq Atiqi Aniq Atiqi Rohmawati Anisa Salama Annas Wahyu Ramadhan Annisa Adistania Annisa Aditsania Antika Putri Permata Wardani Aras Teguh Prakasa Ardiansyah, Yusfi Astrid Frillya Septiany Astrima Manik Aziz, Muhammad Maulidan Azmi Hafizha Rahman Zainal Arifin Bambang Riyanto T. Bayu Julianto Bayu Munajat Bayu Munajat Bayu Rahmat Setiaji Bernadus Seno Aji Bernadus Seno Aji Bintang Peryoga Bisma Pradana Brama Hendra Mahendra Chiara Janetra Cakravania Clarisa Hasya Yutika D. R. Suryandari Dana Sulistiyo Kusumo Danang Triantoro Danang Triantoro Murdiansyah Daniel Tanta Christopher Sirait Dany Dwi Prayoga Dany Dwi Prayoga Della Alfarydy Akbar Deni Saepudin Denny Alriza Pratama Desi Sitompul Dewangga, Dhiya Ulhaq Dian Chusnul Hidayati Didi Rosiyadi Didit Adytia Dinda Karlia Destiani Dody Qori Utama Dody Qory Utama Dwi Yanita Apriliyana Dwi Yanita Apriliyana Dwifebri, Mahendra Eko Darwiyanto Eliza Jasin Elza Oktaviana Elza Oktaviana Endro Ariyanto Ergon Rizky Perdana Purba F. A. Yulianto Fachri Pane, Syafrial Fahmi Salman Nurfikri Faris Alfa Mauludy Faris Alfa Mauludy Farudi Erwanda Farudi Erwanda Fathur Rohman Fathurrohman Elkusnandi Fhira Nhita Fikri Rozan Imadudin Firda A. Ma’ruf Firdausi Nuzula Zamzami Firly Juanita Surahman Fuad Ash Shiddiq Gde Agung Brahmana Suryanegara Gheartha, I Gusti Bagus Yogiswara Ghozy Ghulamul Afif Gia Septiana Gia Septiana Gia Septiana Gilang Rachman Perdana Gilang Rachman Perdana Gilang Titah Ramadhani Grace Tika Guntoro Guntoro Guntoro Guntoro Guntoro Guntoro Hadyan Arif Hafidudin . Hafizh Fauzan Hafizh Fauzan Hendro Prasetyo Henri Tantyoko Honakan Honakan I Kadek Haddy W. I Made Riartha Prawira I.G.N.P.Vasu Geramona Ilham Kurnia Syuriadi Ilham Yunirakhman Imadudin, Fikri Rozan Imam Prayoga Indriani Indriani Irene Yulietha Irma Irma Irma Palupi Irwinda Famesa Iyon Priyono Jendral Muhamad Yusuf Zia Ul Haq Jenepte Wisudawati Simanullang K, Kasnaeny Kamal Hasan Mahmud Kemas Muslim Lhaksmana Kemas Rahmat Saleh Raharja Kemas Rahmat Saleh Wiharja Kurnia C Widiastuti Kurniawan W. Handito Laila Putri Lalu Gias Irham Lisa Marianah Lisa Marianah Luke Manuel Daely Mahendra Dwifebri P Mahendra Dwifebri Purbolaksono Mahmud Dwi Sulistiyo Melanida Tagari Melanida Tagari Michael Sianturi Milah Sarmilah Moc. Arif Bijaksana Mochamad Agusta Naofal Hakim Mochammad Naufal Rizaldi Mohamad Irwan Afandi Mohamad Mubarok Mohamad Syahrul Mubarok Mohamad Syahrul Mubarok Mohammad Syahrul Mubarok Monica Triyani Muhammad Afianto Muhammad Enzi Muzakki Muhammad Fauzan Muhammad Feridiansyah Muhammad Ghufran Muhammad Irvan Tantowi Muhammad Kenzi Muhammad Mubarok Muhammad Mujaddid Muhammad Naufal Mukhbit Amrullah Muhammad Nurjaman Muhammad Shiddiq Azis Muhammad Shiddiq Azis Muhammad Surya Asriadie Muhammad Syahrul Mubarok Muhammad Yuslan Abu Bakar Nanda Prayuga Nida Mujahidah Azzahra Nida Mujahidah Azzahra Niken Dwi Wahyu Cahyani Novelty Octaviani Faomasi Daeli Novia Russelia Wassi Nuklianggraita, Tita Nurul Nur Ghaniaviyanto Ramadhan Oscar Ramadhan Pinem, Joshua Pratama Dwi Nugraha Preddy Desmon Purbalaksono, Mahendra Dwifebri Putri, Dinda Rahma Putri, Dita Julaika Raihana Salsabila Darma Wijaya Rendi Kustiawan Reynaldi Ananda Pane Riche Julianti Wibowo Riko Bintang Purnomoputra Riska Chairunisa Rizki Syafaat Amardita Rizky Pujianto Rizma Nurviarelda Roberd Saragih Rosyadi, Ramadhana Said Faraby Satria Mandala Sekar Kinasih Semeidi Husrin Sheila Annisa Shidqi Aqil Naufal Shuni’atul Ma’wa Sigit Bagus Setiawan St.Sukmawati S. Sugeng Hadi Wirasna Suriyanti Suriyanti Syafrial Fachri Pane, Syafrial Fachri Syahrizal Rizkiana Rusamsi Syam, Mukhlisah Syifa Khairunnisa Talitha Kayla Amory Tati LR Mengko Tesha Tasmalaila Hanif Timami Hertza Putrisanni Tita Nurul Nuklianggraita Triyani, Monica Try Moloharto Untari Novia Wisesty Untari Wisesty Untari. N. Wisesty Untary Novia Wisesty Vina Mutiara Purnama Warih Maharani Widi Astuti Widi Astuti Widi Astuti Winda Christina Widyaningtyas Wisnu Adhi Pradana Yana Meinitra Wati Yoga Widi Pamungkas Yuliant Sibaroni Zahra Putri Agusta Zakia Firdha Razak Zulfikar Fauzi