Article Per Year (5 Year)
p-Index From 2021 - 2026
5.783
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 : 172 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 172 Documents
Search

 10   11   12   13   14 
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.
Klasifikasi Sentimen Review Film Menggunakan Algoritma Support Vector Machine Irene Yulietha; Said Faraby; 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

Dengan kemajuan di bidang teknologi, seluruh informasi tentang semua film sudah tersedia di Internet. Jika informasi tersebut diolah dengan baik maka akan diperoleh kualitas dari informasi tersebut. Tugas Akhir ini bertujuan untuk menjelaskan klasifikasi sentimen pada dokumen review film. Satu hal yang penting dalam sebuah review atau ulasan yaitu opini yang terkandung di dalamnya. Metode yang digunakan pada penelitian ini adalah Support Vector Machine (SVM). Metode ini dipilih karena mampu mengklasifikasikan data berdimensi tinggi sesuai dengan data yang digunakan pada Tugas Akhir ini yaitu berupa teks. Pengklasifikasi Support Vector Machine adalah teknik machine learning yang populer untuk klasifikasi teks karena dapat melakukan klasifikasi dengan cara belajar dari sekumpulan contoh dokumen yang telah diklasifikasi sebelumnya dan juga mampu memberikan hasil yang baik. Dari uji skenario yang dilakukan, dapat diketahui bahwa algoritma Support Vector Machine dapat digunakan untuk kasus review film dengan nilai F1-Score sebesar 84.9%. Kata kunci : analisis sentimen, support vector machine, review film, klasifikasi
Kategorisasi Teks Pada Hadits Sahih Al-bukhari Menggunakan Random Forest Muhammad Afianto; 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

Al-Hadits merupakan kumpulan dari sabda, perbuatan, ketetapan, dan persetujuan Rasulullah Shallallahu ‘Alaihi wa Salam yang merupakan sumber hukum Islam kedua setelah Al-Qur’an. Sebagai dasar agama Islam, Muslim wajib mempelajari, menghafalkan, dan mengamalkan Al-Quran dan Al-Hadits. Satu dari imam besar sekaligus orang yang meriwayatkan Al-Hadits adalah Imam Bukhari. Beliau menghabiskan waktu selama 16 tahun dalam meriwayatkan Al-Hadits yang jumlahnya sebanyak 2602 Hadits tanpa perulangan dan lebih dari 7000 jika dengan perulangan. Kategorisasi teks otomatis merupakan sebuah kegiatan membangun perangkat lunak yang mampu mengklasifikasikan teks dokumen atau Hypertext ke dalam kategori atau kode subjek yang sudah ditentukan sebelumnya. Algoritma yang akan digunakan adalah Random Forest yang merupakan perkembangan dari Decision Tree. Dalam penelitian tugas akhir ini, penulis memutuskan untuk membuat sebuah sistem yang mampu mengkategorisasikan teks dokumen yang memuat Hadits yang diriwayatkan oleh imam Bukhari berdasarkan kategori anjuran, larangan, dan informasi. Adapun dalam metode evaluasinya, perhitungan K-Fold Cross Validation dengan F1-Score yang didapat sebesar 90%. Kata kunci : Kategorisasi Teks Dokumen, Hadits Sahih Al-Bukhari, Random Forest, K-fold cross validation, F1-score.
Implementasi Partial Least Square dan K-Nearest Neighbor - Support Vector Machines Untuk Klasifikasi Data Microarray A Rakha Ahmad Taufiq; Adiwijaya Adiwijaya; Annisa Aditsania
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 Kanker menjadi salah satu penyebab kematian paling banyak di dunia. Diperkirakan setiap tahun jumlahnya akan terus bertambah. Salah satu pendeteksiannya adalah menggunakan ekspresi gen. Microarray dapat mengoleksi kumpulan besar ekspresi gen dalam satu waktu, sehingga DNA microarray mempunyai karakteristik data tersendiri, yaitu mempunyai dimensi data yang sangat besar dibanding dengan jumlah datanya. Oleh karena itu, dibutuhkannya sistem untuk menyelesaikan masalah tersebut. Pada penelitian ini, dibangun sistem yang mengimplementasikan ekstraksi fitur Partial Least Square (PLS) dan metode klasifikasi K-Nearest Neighbor - Support Vector Machines (KNN-SVM). Ekstraksi fitur berguna untuk mengurangi dimensi microarray yang sangat besar dengan membentuk data baru yang merupakan representasi data asli. Performansi sistem diukur menggunakan akurasi. PLS berhasil menaikkan akurasi dari classifier KNN-SVM. Nilai akurasi tertinggi yang didapatkan oleh PLS KNN-SVM adalah sebesar 96.17% Kata kunci: k-nearest neighbor, support vector machines, partial least square, microarray. Abstract Cancer is one of the most common causes of death in the world. Estimated every year the number will continue to grow. One of the detection is using gene expression. Microarray can collect a large number of gene expression at the same time, DNA Microarray have their own data characteristic, which have a very large data dimension compared with the amount of data. Therefore, a system needed to solve the problem. In this research, we built a system that implements Partial Least Square (PLS) feature extraction and KNearest Neighbor - Support Vector Machines (KNN-SVM) for the classification. Feature extraction is useful for reducing very large dimension of microarray by forming new data. System performance is measured using accuracy. PLS managed to increase the accuracy of the KNN-SVM classifier. The highest accuracy obtained by PLS KNN-SVM is 96.17%. Keywords: k-nearest neighbor, support vector machines, partial least square, microarray
Klasifikasi Polycystic Ovary Syndrome Berdasarkan Citra Ultrasonografi Menggunakan Principal Component Analysis Dan NaÏve Bayes Untuk Membantu Mendeteksi Kesuburan Wanita Nanda Prayuga; Adiwijaya Adiwijaya; Mohamad 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

Polycystic Ovary Syndrome (PCOS) adalah kelainan sindrom yang diderita wanita di sistem reproduksinya, seseorang dikatakan menderita Polycystic Ovary Syndrome (PCOS) jika ada lebih dari 12 follicle berukuran 2-9 mm atau bertambah besarnya volume follicle di ovarium hingga lebih dari 10 cm3[3]. Saat ini untuk mendeteksi Polycystic Ovary Syndrome (PCOS) dokter harus melakukan scan USG, dan secara manual menghitung jumlah follicle yang ditandai dengan area hitam di gambar. Pada penelitian sebelumnya [1, 3, 5] hanya berfokus pada peningkatan kualitas citra dan juga pendeteksian ukuran dan jumlah follicle untuk mempermudah tenaga medis melihat follicle dan menentukan diagnosis pasien. Sehingga saat ini dokter membutuhkan suatu sistem yang dapat membantunya dalam mendiagnosis Polycystic Ovary Syndrome (PCOS) secara otomatis berdasarkan citra USG untuk pendeteksian kesuburan wanita. Pada tugas akhir ini dibangun sebuah sistem klasifikasi dengan menggunakan kombinasi metode Principal Component Analysis (PCA) yang berfungsi sebagai dimensi reduksi dan Naïve Bayes yang merupakan salah satu turunan dari Bayesian Network sebagai classifiernya. Dari hasil pengujian menggunakan metode k-fold cross validation dengan k=8 dan pengujian dilakukan sebanyak 50x pengujian, dapat dilihat sistem yang dibangun dengan menggunakan metode Principal Component Analysis (PCA) dan Naïve Bayes, memiliki performansi rata-rata F1 Score tertinggi sebesar 84.76%, dengan parameter uji jumlah distribusi data ditiap kelas pada data training masing-masing 40 gambar, dan jumlah principal component sebanyak 53 serta data telah dinormalisasi. Kata Kunci: Polycystic Ovary Syndrome, ovarium, citra USG, follicle, Naïve Bayes, Principal Component Analysis, Cross Validation, Imbalanced Data, Normalisasi.
Analisis Churn Prediction Pada Data Pelanggan Pt. Telekomunikasi Menggunakan Underbagging Dan Logistic Regression Tesha Tasmalaila Hanif; Adiwijaya Adiwijaya; Said Al-Faraby
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

Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Persaingan untuk mendapatkan pendapatan antar perusahaan telekomunikasi menimbulkan adanya Churn. Churn adalah pindahnya pelanggan dari satu provider ke provider lainnya. Perusahaan lebih memilih untuk mempertahankan customer, karena dibutuhkan biaya yang lebih sedikit daripada menambah customer yang baru. Namun dalam permasalahan ini churn memiliki data yang tidak seimbang dan ekstrim dibanding dengan non-churn, sehingga perlu adanya penanganan pada distribusi kelas mayoritas (non-churn) dan minoritas (churn). Pada metode pendekatan dengan data mining, data yang tidak seimbang akan mengakibatkan proses klasifikasi yang cenderung keliru pada kelas minoritas (churn). Oleh karena itu, diperlukan penanganan kelas tidak seimbang dengan teknik sampling. Metode yang digunakan pada penelitian Tugas Akhir ini adalah metode Underbagging untuk menangani imbalance data yang dikombinasikan dengan metode klasifikasi menggunakan Logistic Regression (LR). Pengujian dilakukan dengan menggunakan dataset pelanggan WITEL PT. Telekomunikasi Regional 7 dengan 53 atribut. Jumlah data churn 7.513 record dan data non-churn 192.848 record. Penelitian ini menghasilkan nilai performansi akurasi tertinggi sebesar 85,531% dan meningkatkan nilai f1-measure lebih dari 20% terhadap hasil klasifikasi tanpa penanganan imbalance data. Kata Kunci: klasifikasi, data mining, churn prediction, logistic regression, imbalance data, underbagging.
Klasifikasi Sentimen Review Produk Otomotif Menggunakan Back Propagation Neural Network Fuad Ash Shiddiq; Said Al Faraby; Adiwijaya Adiwijaya
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- Perkembangan teknologi sekarang menuntut untuk dapat mengikuti perubahan jaman. Salah satunya dalam transaksi jual-beli yang dilakukan secara online. Sebuah toko online dapat menjual berbagai jenis barang misalnya barang elektronik, mainan, bahkan barang otomotif. Dengan adanya transaksi secara digital banyak pembeli yang ingin mengetahui bagaimana ulasan atau review tentang barang yang dijual di toko online dari pembeli yang sebelumnya telah membeli barang tersebut. Banyaknya review yang diberikan oleh konsumen menimbulkan data review untuk suatu produk di toko online menjadi sangat besar. Untuk melakukan klasifikasi data yang besar tersebut diperlukan sistem yang terotomatisasi. Dalam penelitian ini, system yang dibangun menggunakan metode Back-propagation Neural Network untuk melakukan klasifikasi data review. Hasil yang didapatkan dengan akurasi paling tinggi adalah dengan jumlah hidden layer : 1000, epoch:400, dan learning rate : 0.2 dengan akurasi sebesar 60%. Untuk pengujian tanpa menggunakan proses stopword removal didapatkan dengan akurasi paling tinggi dengan jumlah hidden layer : 1000, epoch:400, dan learning rate : 0.2 dengan akurasi sebesar 56.7%. Hal ini dikarenakan proses stopword removal dapat mengurangi noise dalam sebuah data dan mempercepat proses klasifikasi. Kata kunci : review, klasifikasi, back-propagation, stopword removal
Analisis Dan Implementasi Metode Minutiae Extraction Dan Template Matching Untuk Klasifikasi Sidik Jari Aras Teguh Prakasa; Said Al Faraby; 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

Fungsi penting sidik jari salah satunya untuk alat verifikasi indentitas manusia. Apabila sebuah gambar sidik jari dilihat lebih dekat, maka akan terlihat pola garis yang membentuk sidik jari. Setiap sidik jari manusia memiliki pola yang berbeda dan bersifat unik. Fitur pada sebuah sidik jari dapat berupa pola sidik jari yang terputus atau bercabang, fitur ini biasa disebut minutiae. Agar dapat dilakukan proses klasifikasi, minutiae yang terdapat pada sidik jari harus di ekstrak terlebih dahulu ke dalam bentuk informasi yang mewakili masing-masing sidik jari. Banyak metode ditawarkan untuk melakukan klasifikasi sidik jari. Metode yang dilakukan biasanya berbasis machine learning misalnya metode SVM (Support Vector Machine), adapun metode lain yang dapat diteliti lebih lanjut misalnya template matching, metode ini mempunyai tingkat kesulitan yang sulit karena klasifikasi langsung dilakukan pada fitur yang telah di ekstrak. Kelebihannya metode template matching jika tepat penggunaannya maka akan menghasilkan teknik cepat tanpa learning tepat. Dengan demikian klasifikasi sidik jari dengan menggunakan metode ekstraksi fitur minutiae extraction dan metode klasifikasi template matching dapat menjadi kombinasi untuk memecahkan permasalahan klasifikasi sidik jari. Kata kunci : template matching, minutiae extration, fingerprint classification, klasifikasi sidik jari, ekstraksi fitur minutia.
Pelabelan Sinyal Elektrokardiogram (ekg) Pada Klasifikasi Fibrilasi Atrium Menggunakan Hidden Markov Model Zakia Firdha Razak; Adiwijaya Adiwijaya; Dody Qori Utama
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 Penyakit jantung telah menjadi salah satu penyebab kematian terbesar di dunia. Di antaranya yang paling sering terjadi adalah Fibrilasi Atrium, yaitu kondisi yang meliputi aktivitas sangat cepat dan tidak beraturan dalam atria serta menimbulkan gejala-gejala seperti jantung berdebar, sakit kepala, kehilangan kesadaran, sesak nafas dan rasa letih. Untuk mengenali penyakit ini, akan dikembangkan sebuah sistem pengenalan gelombang EKG. Hidden Markov Model yang menggunakan pendekatan probabilitas telah terbukti menghasilkan performansi yang bagus dalam pengenalan sinyal suara. Oleh karena itu, dalam tugas akhir ini akan diujikan metode HMM dalam kasus elektrokardiogram (EKG). Dalam sistem pendeteksian penyakit jantung terdapat 2 proses yaitu pemodelan dan pengenalan. Pada proses pemodelan akan dibuat suatu model pelabelan sinyal EKG dengan menghitung parameterparameter HMM, yaitu distribusi inisial state, distribusi probabilitas transisi antar state, dan distribusi probabilitas symbol observasi pada suatu state. Setelah diperoleh ketiga nilai tersebut yang optimal, maka terbentuklah suatu model HMM untuk jenis penyakit jantung. Sedangkan proses pengenalan penyakit jantung dilakukan pada tiap data EKG dengan menghitung likelihood dari data testing yang akan dikenali terhadap semua model data EKG yang telah dilatih sebelumnya. Dengan pelabelan yang teliti dan penentuan nilai probabilitas observasi yang optimal, HMM dapat digunakan untuk mengenali penyakit jantung. Hasil dari pengujian menunjukkan, nilai probabilitas observasi yang didapat dari nilai random selalu menghasilkan akurasi yang berubah-ubah, berbeda jika disama ratakan dengan jumlah state dan jumlah pengamatan. Selain itu, perbandingan jumlah state serta proporsi data juga berpengaruh terhadap akurasi. Akurasi terbesar adalah 100% dengan 2 dan 4 state ketika proporsi data training sebanyak 75% dan nilai probabilitas observasi diatur random. Kata kunci : hidden markov model, elektrokardiogram, distribusi inisial state, distribusi probabilitas transisi antar state, distribusi probabilitas simbol observasi Abstract Heart disease has become one of the biggest causes of death in the world. Among the most common is Atrial Fibrillation, a condition that includes very fast and irregular activities in atria and causes many symptoms such as palpitations, headaches, loss of consciousness, shortness of breath and tiredness. To recognize this disease, an ECG wave recognition system will be developed. Hidden Markov Model that use a probability approach has been proven to make good performance in speech signal recognition. Therefore, in this final project the HMM method will be tested on electrocardiogram (ECG) signal. In the detection system for heart disease there are 2 processes; modeling and recognition. In the modeling process, ECG signal labeling model will be made by calculating HMM parameters, namely the initial state distribution, the state transition probability distribution, and the observation symbol probability distribution. After obtaining these three optimal values, an HMM then formed for each type of heart disease. The recognition process of heart disease is carried out on each ECG data by calculating likelihood from testing data that will be identified by all models of ECG record after they have been previously trained. With appropiate labeling and determination of optimal observation probability values, HMM can be used to identify heart disease. The results showed that the probability value of the observations obtained from random values always results in varying accuracy. The comparison of the state number and the data proportion also affects accuracy. The highest accuracy is 100% with 2 states when the proportion of training data is 75% and the probability value is arranged randomly. Keywords: hidden markov model, elektrocardiogram, initial state distribution, state transition probability distribution, observation symbol probability distribution
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