Article Per Year (5 Year)
p-Index From 2021 - 2026
13.414
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Techno.Com: Jurnal Teknologi Informasi TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmu Komputer dan Agri-Informatika EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Jurnal Litbang Edusaintech Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat) Kohesi: Jurnal Sains dan Teknologi
Novanto Yudistira
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 109 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 109 Documents
Search

 7   8   9   10   11 
Klasifikasi Kanker Paru-Paru pada Citra CT Scan Menggunakan Model ConvNeXt dengan Pre-processing CLAHE dan Konfigurasi Hyperparameter Aprianto, Anda Bagas; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker paru-paru merupakan penyebab utama kematian akibat kanker secara global yang menuntut penanganan cepat dan akurat. Computed Tomography (CT) scan menjadi standar emas deteksi dini, namun interpretasi manual memiliki kekurangan karena bersifat subjektif dan rentan terhadap false positive akibat kemiripan visual yang kompleks antara nodul jinak dan ganas. Penelitian ini mengusulkan klasifikasi kanker paru-paru menggunakan arsitektur deep learning ConvNeXt-Tiny pada dataset IQ-OTH/NCCD. Pembagian data dilakukan secara image-wise yang memperlakukan setiap citra secara independen, sedangkan ketidakseimbangan kelas ditangani menggunakan mekanisme weighted loss dengan pendekatan inverse frequency guna memberikan bobot penalti lebih besar pada kelas minoritas. Tahapan penelitian meliputi penerapan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk mempertegas fitur citra serta pencarian konfigurasi hyperparameter optimal. Hasil pengujian membuktikan bahwa integrasi CLAHE dengan clip limit 2.0 dan grid size 8x8 sangat krusial karena mampu meningkatkan accuracy dari 0.9759 menjadi 0.9940. Konfigurasi pelatihan terbaik tercapai pada learning rate 0.0001, batch size 32, serta optimizer Adam. Dalam analisis komparatif, ConvNeXt-Tiny terbukti superior dengan accuracy 0.9880, precision 0.9880, recall 0.9880, F1-score 0.9880, dan ROC-AUC 0.9988, mengungguli model ResNet-50 dan Swin-T yang keduanya hanya mencapai 0.9639. Meskipun memiliki inference time 1.99 detik yang sedikit lebih lambat, penelitian ini menegaskan potensi ConvNeXt-Tiny dengan pre-processing CLAHE sebagai metode yang robust untuk diagnosis klinis.
Deteksi Teks Manuskrip Kuno Serat Napoleon Menggunakan Detection Transformer (DETR) melalui Pendekatan Grid-Inference dan Variasi Arsitektur Backbone Maulana, Muhammad Rizqon; Yudistira, Novanto; Ridok, Achmad
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Preservasi manuskrip kuno seperti Serat Napoleon merupakan langkah krusial dalam menjaga warisan budaya Indonesia. Upaya digitalisasi menjadi standar utama dalam pelestarian informasi tekstual manuskrip kuno karena warisan ini menghadapi ancaman degradasi fisik serius akibat usia, kelembapan lingkungan tropis, dan serangan organisme perusak, yang berpotensi menghilangkan catatan sejarah secara permanen. Namun, proses digitalisasi yang dilakukan secara manual melalui transkripsi langsung, meskipun akurat, terbukti tidak efisien karena membutuhkan waktu yang lama dan keterlibatan tenaga ahli yang besar. Oleh karena itu, deteksi teks otomatis diperlukan sebagai solusi untuk mempercepat proses digitalisasi dalam skala besar. Tantangan utama dalam deteksi otomatis Serat Napoleon ini adalah visual yang kompleks serta densitas diakritik (sandhangan) yang sangat tinggi. Penelitian ini mengimplementasikan model Detection Transformer (DETR) dengan strategi Grid-Inference untuk mengatasi kendala citra resolusi tinggi pada manuskrip tersebut. Pengujian dilakukan menggunakan tiga variasi arsitektur backbone yaitu ResNet-50, EfficientNet-B0, dan ConvNeXt-Tiny pada dataset 3.629 citra. Hasil penelitian menunjukkan bahwa strategi Grid-Inference terbukti krusial, tanpa metode ini, model gagal mendeteksi objek (mAP = 0) pada citra resolusi tinggi. Arsitektur ConvNeXt-Tiny memberikan performa terbaik dengan nilai mAP@50-95 sebesar 0,519 dan mAP@75 sebesar 0,547. Kombinasi DETR dan Grid-Inference terbukti efektif dalam meningkatkan efisiensi otomatisasi digitalisasi manuskrip kuno yang kompleks
Analisis Performa Model TimeMixer terhadap Eskalasi Dimensi Data dan Studi Komparatif pada Prediksi Data Time Series Galih Wicaksana Putra, Achmad; Yudistira, Novanto; Andy Soebroto, Arief
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Peningkatan dimensionalitas dalam analisis time series memicu curse of dimensionality yang mengaburkan informasi esensial akibat redundansi dan noise. Penelitian ini mengevaluasi model TimeMixer, arsitektur berbasis Multi-Layer Perceptron (MLP) dengan pendekatan multiscale-mixing, dalam menangani eskalasi dimensi data dibandingkan model state-of-the-art lainnya. Metodologi mencakup evaluasi multivariate long-term forecasting pada empat dataset benchmark utama: ETTh1, ETTh2, Weather, dan Traffic. TimeMixer memanfaatkan mekanisme Past-Decomposable-Mixing (PDM) serta Future-Multipredictor-Mixing (FMM) guna menangkap dependensi temporal secara komprehensif. Hasil eksperimen menunjukkan skalabilitas unggul; pada dataset Traffic (862 variabel), penggunaan sequence length 336 berhasil mereduksi MAE secara signifikan menjadi 0,2570. Secara komparatif, TimeMixer mengungguli model TimesNet dengan rata-rata peningkatan MSE hingga 23,71% pada dataset Traffic, serta menunjukkan selisih galat sangat kontras hingga 3,1 kali lipat dibandingkan Transformer dan LSTM. Meskipun integrasi Retrieval Augmented Forecasting (RAF) efektif pada data reguler, hasilnya marginal pada data kompleks akibat dimensionality bottleneck. Disimpulkan bahwa TimeMixer merupakan model yang tangguh, efisien secara komputasi, dan sangat adaptif terhadap berbagai skala dimensi data time series.
Implementasi Resnet-50 Dalam Deteksi Anomali Tekstur Pada Gambar Yang Dihasilkan Oleh AI Kaluge, Hendrika Rosa Vincensia; Yudistira, Novanto; Marji
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan pesat model kecerdasan buatan generatif, khususnya berbasis diffusion dan generative adversarial networks, telah menghasilkan citra sintetis dengan tingkat realisme visual yang semakin sulit dibedakan dari citra nyata. Kondisi ini menimbulkan tantangan serius bagi forensik digital dan keandalan sistem verifikasi media visual. Artikel ini mengkaji deteksi citra hasil kecerdasan buatan dengan menitikberatkan pada analisis tekstur tingkat rendah, bukan pada representasi semantik. Novelty utama penelitian ini terletak pada evaluasi komparatif terkontrol antara CNN konvensional, ResNet-50 yang dilatih dari awal (from scratch), dan ResNet-50 dengan transfer learning berbasis ImageNet, menggunakan dataset CIFAKE beresolusi rendah yang secara metodologis menekan informasi semantik. Hasil empiris menunjukkan bahwa CNN berbasis tekstur mampu mencapai performa yang kompetitif, sementara ResNet-50 from scratch memberikan peningkatan moderat dan konsisten. Sebaliknya, transfer learning tidak menunjukkan keunggulan signifikan dan dalam beberapa skenario justru menurunkan performa akibat bias semantik dari bobot pralatih. Temuan ini menantang asumsi umum mengenai superioritas transfer learning dalam deteksi citra sintetis dan menegaskan pentingnya kesesuaian antara desain arsitektur dan sifat sinyal diskriminatif. Studi ini berkontribusi pada literatur forensik visual dengan menunjukkan bahwa arsitektur ringan yang berfokus pada tekstur mikro dapat menjadi solusi yang efektif, efisien, dan lebih selaras dengan karakteristik citra AI-generated.
Generasi Motif Batik Multimodal Dengan Dreambooth– Controlnet Dalam Pipeline Kuncoro, Jovan Prabowo; Yudistira, Novanto; Nurmala Sari, Irawati
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Batik merupakan warisan budaya Indonesia yang menghadapi tantangan pelestarian di era digital. Penelitian ini mengusulkan Sequential Pipeline yang mengintegrasikan DreamBooth dan ControlNet untuk generasi logo batik multimodal dengan keseimbangan antara autentisitas motif dan preservasi struktur logo. Metode yang digunakan meliputi pengembangan Integration Layer dengan mekanisme weighted blending adaptif, optimalisasi parameter, serta evaluasi hybrid menggunakan metrik kuantitatif (FID, IS, LPIPS, SSIM, MSE) dan kualitatif Mean Opinion Score (MOS) dari 10 responden pada 5 motif batik utama. Sequential Pipeline mencapai FID 154.5, IS 3.685, SSIM 0.790, dan Overall MOS 4.083 dengan acceptance rate 77%, melampaui pendekatan single-stage DreamBooth-only dan ControlNet-only. Penelitian ini berkontribusi pada pengembangan metodologi integrasi teknik generatif dalam heritage-aware generative AI serta menyediakan kerangka evaluasi hybrid yang komprehensif, dengan keterbatasan pada jumlah motif, resolusi 512×512 piksel, komposisi responden, dan kebutuhan komputasi tinggi.
Pengukuran dan Reduksi Tingkat Halusinasi pada Large Language Model (LLM) Berbasis Retrieval-Augmented Generation (RAG) Rahmansyah, Farhan; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penelitian ini bertujuan untuk menganalisis tingkat halusinasi pada Large Language Model berbasis Retrieval-Augmented Generation (RAG) serta mengevaluasi efektivitas berbagai strategi mitigasi dalam menurunkan tingkat halusinasi tersebut. Halusinasi merupakan permasalahan utama pada model bahasa karena menghasilkan informasi yang tidak akurat atau tidak didukung oleh fakta, sehingga menurunkan reliabilitas sistem. Oleh karena itu, diperlukan pendekatan yang mampu meningkatkan akurasi sekaligus keterpercayaan model. Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan membandingkan performa baseline RAG dan beberapa strategi mitigasi, yaitu Hybrid Retrieval, Prompt Engineering, Citation Forcing. Eksperimen dilakukan menggunakan tiga dataset, yaitu RAGTruth, HaluEval, dan DROP, yang merepresentasikan berbagai skenario tugas seperti question answering, summarization, dan reasoning. Evaluasi dilakukan menggunakan metrik Hallucination Rate, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa baseline RAG masih menghasilkan tingkat halusinasi yang signifikan. Penerapan strategi mitigasi terbukti mampu menurunkan tingkat halusinasi secara konsisten, dengan Hybrid Retrieval sebagai metode yang paling efektif dalam meningkatkan relevansi dokumen dan mengurangi kesalahan faktual. Selain itu, kombinasi strategi mitigasi memberikan peningkatan performa yang lebih baik dibandingkan penerapan tunggal. Integrasi strategi mitigasi dalam pipeline RAG dapat meningkatkan akurasi dan reliabilitas model secara signifikan. Pendekatan ini berpotensi diterapkan dalam berbagai domain untuk menghasilkan sistem LLM yang lebih terpercaya.
Prediksi Network Traffic Penyedia Layanan Internet PT APEX Menggunakan Algoritma Long Short Term Memory Syafiq, Roid Muhammad; Yudistira, Novanto; Santoso, Edy
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Akses internet telah menjadi kebutuhan mendasar manusia, bahkan disebut sebagai “data is the new oil” untuk menggambarkan betapa berharganya data network traffic bagi penyedia layanan (Shevchuk, 2021). PT Adisesha Palladium Interchange Network (APEX) sebagai penyedia internet di Malang menghadapi urgensi untuk mengelola dan memprediksi traffic jaringan secara akurat agar mampu bersaing di Jawa Timur. Penelitian ini membandingkan pendekatan linear seperti ARIMA, yang terbukti menghasilkan kesalahan signifikan (Zhao, 2022), dengan pendekatan non-linear berbasis deep learning, khususnya Long Short-Term Memory (LSTM), yang mampu menangani dependensi jangka panjang pada data time series (Fleischer, 2021). Hasil pengujian menunjukkan bahwa LSTM memiliki performa terbaik dibandingkan ARIMA, SVM, RNN, dan GRU, dengan tingkat kesalahan terendah serta akurasi tertinggi pada dataset MAWI dan APEX. Kesimpulannya, LSTM dapat beradaptasi dengan karakteristik data yang berbeda dan menjadi model prediksi paling kompetitif untuk kebutuhan perusahaan, sekaligus membuka peluang peningkatan kualitas layanan melalui pengelolaan traffic data yang lebih presisi.
Deteksi Objek APD Menggunakan Model YOLOV11n Dengan Pendekatan Adaptasi Domain Dataset Virtual SURBAKTI, PRAMA; Yudistira, Novanto; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Deteksi Alat Pelindung Diri (APD) pada lingkungan industri migas menghadapi tantangan utama berupa objek berukuran kecil dan variasi visual yang rumit pada citra lapangan. Penggunaan dataset virtual mampu mengatasi keterbatasan data latih, namun perbedaan karakteristik visual memicu terjadinya fenomena domain gap. Penelitian ini bertujuan mengevaluasi penerapan model YOLOv11n menggunakan pendekatan adaptasi domain melalui metode Correlation Alignment (CORAL) dan strategi Head Freezing. Metode penelitian yang digunakan adalah eksperimen komputasi Transfer Learning Virtual-to-Real dengan membandingkan model baseline dan beberapa skenario pelatihan dari dataset virtual VW-PPE ke dataset riil. Evaluasi dilakukan berbasis analisis statistik deskriptif secara data-driven (Q1 dan Q3) untuk mendefinisikan skala objek secara objektif. Hasil penelitian menunjukkan bahwa Skenario D (Skenario Head Freezing) mencapai nilai mAP@50 sebesar 0.6904, sedikit lebih unggul dari baseline (0.6900) namun mencatatkan peningkatan Presisi yang signifikan menjadi 0.7396. Skenario ini terbukti sangat efektif meningkatkan akurasi deteksi pada objek berukuran mikro (Small Object), seperti peningkatan mAP@50 sebesar 11.3% pada kelas tidak menggunakan sepatu keselamatan (no safety shoes). Penelitian ini menyimpulkan bahwa adaptasi domain berbasis CORAL dan Head Freezing mampu menstabilkan fitur geometri objek kecil dan mencegah terjadinya catastrophic forgetting pada model deteksi.
Sistem Monitoring Keselamatan Kerja : Deteksi Alat Perlindungan Diri (APD) Menggunakan YOLO Dengan Penjelasan Berbasis LLM Zamzami, Fayadh Rizqi; Yudistira, Novanto; Widodo, Agus
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 5 (2026): Mei 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Tingginya angka kecelakaan kerja akibat ketidakpatuhan penggunaan Alat Pelindung Diri (APD) mendorong kebutuhan sistem monitoring otomatis yang dapat menghasilkan interpretasi bermakna bagi petugas Keselamatan dan Kesehatan Kerja (K3). Penelitian ini mengembangkan sistem monitoring keselamatan kerja yang mengintegrasikan model You Only Look Once (YOLO) dengan Large Language Model (LLM) dalam satu pipeline sistematis. YOLO bertugas mendeteksi delapan kelas APD dari citra masukan, kemudian hasilnya diteruskan sebagai masukan kontekstual kepada LLM untuk menghasilkan penjelasan tekstual berbahasa Indonesia yang dapat ditindaklanjuti. Dataset PPE-Dataset-for-Workplace-Safety ditingkatkan melalui augmentasi untuk mengatasi ketidakseimbangan kelas. Sebanyak 16 varian model YOLO dari tiga generasi (YOLOv8, YOLOv10, YOLOv11) dievaluasi menggunakan metrik Precision, Recall, mAP, dan latency, sementara enam varian LLM dievaluasi menggunakan Feasibility Score berbasis skala Likert pada lima aspek. Hasil menunjukkan seluruh 16 model YOLO mencapai mAP ≥99,39% tanpa overfitting signifikan, dengan YOLOv8m sebagai model terbaik yang menawarkan keseimbangan optimal antara akurasi (mAP50-95 98,13%) dan efisiensi komputasi. Seluruh enam varian LLM menghasilkan nilai kelayakan di atas 4,00, dengan Bahasa-4b-chat meraih skor tertinggi sebesar 4,51, mengonfirmasi bahwa pipeline YOLO-LLM yang dikembangkan layak sebagai komponen interpretasi otomatis dalam sistem monitoring K3 berbasis kecerdasan buatan.
PENGEMBANGAN MODEL MULTI-STAGE OBJECT DETECTION MENGGUNAKAN YOLOV11 UNTUK DETEKSI KEPATUHAN PEMAKAIAN ALAT PELINDUNG DIRI DI LINGKUNGAN KERJA BERISIKO TINGGI Ambary, Ahmad; Yudistira, Novanto; Rahman, Muh. Arif
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 6 (2026): Juni 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pemantauan kepatuhan penggunaan Alat Pelindung Diri (APD) merupakan aspek kritis dalam Keselamatan dan Kesehatan Kerja (K3) di lingkungan industri berisiko tinggi. Pengawasan manual dinilai tidak efisien dari sisi konsistensi dan cakupan area, sehingga diperlukan solusi otomatis berbasis computer vision. Penelitian ini mengusulkan dan membandingkan empat pendekatan deteksi APD, yaitu: (1) model deteksi bounding box, (2) model segmentasi dengan konversi bounding box, (3) model bounding box dengan Pose-Guided Anchoring (PGA), dan (4) model segmentasi dengan konversi bounding box dan PGA. PGA memanfaatkan informasi keypoint pose manusia dari YOLOv11 untuk membangkitkan Region of Interest (ROI) anatomis sehingga deteksi APD lebih terfokus pada area tubuh yang relevan. Model dilatih dan dievaluasi pada dataset industri migas dengan 14 kelas APD menggunakan metrik mAP@50, mAP@75, dan mAP@50–95. Hasil pengujian menunjukkan bahwa model segmentasi dengan konversi bounding box secara konsisten mengungguli model deteksi langsung, mengindikasikan bahwa pelatihan berbasis target segmentasi mendorong pembelajaran fitur spasial yang lebih kaya. Integrasi PGA menunjukkan potensi pada skenario terkontrol, namun performanya menurun pada dataset yang lebih beragam akibat variasi sudut kamera dan kegagalan deteksi pose. Secara keseluruhan, model segmentasi dengan konversi bounding box tanpa PGA menjadi solusi paling andal untuk sistem deteksi APD berskala umum di lingkungan industri nyata.
Co-Authors Abdurrachman Bachtiar, Fitra Abel Filemon Haganta Kaban Achmad Basuki Achmad Ridok Adam Hendra Brata Adhi Setiawan Aditama, Gustian Agi Putra Kharisma Agus Wahyu Widodo Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu AGUS WIDODO Akbar, Alvin Tarisa Al Huda, Fais Aldi Fianda Putra Alfen Hasiholan Ali, Mustafa Almasyhur, Muhammad Bin Djafar Alwan, Muhammad Fajrul Ambary, Ahmad Amin, Muhammad Basil Musyaffa Anarya Indika Putra Andina, Sherla Puspa Andy Soebroto, Arief Anggraheni, Hanna Shafira Annisa Sukmawati Aprianto, Anda Bagas Apriyanti -, Apriyanti Ardana, Arvan Yudhistia Ardhani, Luthfi Afrizal Ardhanto, Riyadh Ilham Arianto, Dawud Rizky Arifandis Winata Arifien, Zainal Asmani, Wahayu Widyaning Austin, Yehezkiel Stephanus Aziz Musthofa Bagidya, Moga Taufiq Bahrur Rizki Putra Surya Bana Falakhi Bayu Rahayudi Budi Darma Setiawan Caesar Rio Anggina Toruan Cahyo Prayogo, Cahyo Candra Dewi Candra Dewi Cevita Detri Intan Suryaningrum Chandra, Lucas Chindy Aulia Sari Christopher, Juan Young Daffa Izzuddin Darmawan, Abizard Hashfi Darmawan, Hanif Daud, Nathan Daut Daman Dewa Gede Trika Meranggi Dhaifullah, Afif Naufal Dhifan Diandra H Didik Suprayogo Dytha Suryani Dzikron, Ahmad Ahdani Edy Santoso Edy Santoso Elmira Faustina Achmal Eriq Muhammad Adams Jonemaro Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fadhillah, Muhammad Dzaka Aufa Fahmi Achmad Fauzi Fajrina, Julia Nur Fathina Atsila F Fauzi, Muhammad Rifqi Firhan Fauzan Hamdani Firman Maulana, Firman Fitra Abdurrachman Bachtiar Galih Wicaksana Putra, Achmad Griselda Anjeli Sirait Griselda Anjeli Sirait Hafshah Durrotun Nasihah Hakim, Gibran Hakim, Sulthan Abiyyu Hanum, Assyfa Rasida Haris, Asmuni Harlan, Fajri Rayrahman Hawari, Rahmada Zulvia Azzahra Hermanto, Putri Tsania Maulidia Heru Nurwarsito Huda, Fais Al Hutamaputra, William Ikhwanul Kiram, Muh Zaqi Imam Cholissodin Indriati Indriati Iqra Ilhamsyah Irfan Ardiansyah Irfannanto, Adimas Irfano, Haikal Irwanto, M. Sofyan Izzatul Azizah Jauhar Bariq Rachmadi Javier Ardra Figo Julian Syaputra, Rangga Kaluge, Hendrika Rosa Vincensia Karina Amadea Katrina Puspita Kevin Nadio Dwi Putra Khalid Rahman Khoirullah, Habib Bahari Krisnabayu, Rifky Yunus Kuncoro, Jovan Prabowo Kurnia Fakhrul Izza Kurnianingtyas, Diva Lailil Muflikhah Laksono, Khansa Salsabila Sangdiva Larasati, Saqina Salsabila Lutfi, Raniyah Mahardika, Mohammad Alfiano Rizky Manurung, Daniel Geoffrey Marasitua, Wahyu Valentino Marji Marpaung, Veronika Oktafia Maulana Ahmad Maliki Maulana, Muhammad Rizqon Maulana, Muhammad Taufik Mawarni, Marrisaeka Meilinda Dwi Puspaningrum Michael David Mufidah, Haniefa Azhari Fathni Muh. Arif Rahman Muhammad Rizaldi Muhammad Rizaldi Muhammad Tanzil Furqon Muhammad Zaini Rahman Natanniel Eka Christyanto Naufal, Muhammad Jilan Nazura Wirayuda Tama Niluh Putu Vania Dyah Saraswati Nisa, Lisa N. Nisa, Septia Khoirin Novianti, Siska Nurannisa, Nadhira Nurmala Sari, Irawati Oakley, Simon Pangondian, Yosia Permadhi, Raditya Atmaja Satria Pinasthika, Mohammad Ryan Prais Sarah Kayaningtias Prasetia, Anugrah Prayata, Rakan Fadhil Putra Pandu Adikara Putra, Octo Perdana Putri, Rania Aprilia Dwi Setya Putri, Salwa Cahyani Qurrata Ayuni Rahmadi, Anang Bagus Rahman, Muhammad Arif Rahmansyah, Farhan Raihan Hanif F RAMADHAN, ADITYA RIZKY Randy Cahya Wihandika Renata Rizki Rafi' Athallah Rian Nugroho Rilinka Rilinka Rishani Putri Aprilli Rizal Setya Perdana Rizky, Audhinata Bebytama RR. Ella Evrita Hestiandari Sabriansyah Rizqika Akbar, Sabriansyah Sahirah, Rafifa Addin Saputra, Kylix Eza Sari, Irawati Nurmala Sastomo, Yogi Puji Selle, Nurfatima Setyawan Purnomo Sakti Sholeh, Mahrus Silalahi, Gratia Yudika Morado Stephen Lui, Michael Sugihdharma, Joseph Ananda Sukma, Lintang Cahyaning Sulthon Akhdan G Suprapto Suprapto SURBAKTI, PRAMA Sutrisna, Naufal Putra Syafiq, Roid Muhammad Syafira, Putri Amanda Tampubolon, Agustinus Parasian Thiodorus, Gustavo Tibyani Timothy Bastian Sianturi Tirana Noor Fatyanosa, Tirana Noor Usfita Kiftiyani Vasya, Muhammad Azka Obila Wa Ode May Zhara Averina Wahyu Taufiqurrahman, Rayhan Waludi, Ikbal Wayan Firdaus Mahmudy Wulandari, Rafifah Ayud Yuita Arum Sari Yuita Arum Sari Zamzami, Fayadh Rizqi Zetha, Ivykaeyla Adriana