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 
Leveraging Stacked Vessel Segment and Channels of Fundus Image for Eye Disease Detection using Hybrid U-Net-Residual Convolutional Candra Dewi; Novanto Yudistira; Daffa Izzuddin; Nazura Wirayuda Tama; Fatyanosa, Tirana Noor
Journal of Information Technology and Computer Science Vol. 10 No. 2: August 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025102928

Abstract

Fundus images can be used to identify symptoms of various eye diseases. However, a limitation of using fundus images for classification is the generalization of information from the entire image, which can reduce recognition accuracy. To address this, this study proposes a combination of RGB channels from fundus images and segmented images for the identification process. Segmentation is performed using U-Net, which produces a segmentation of the blood vessels from the retinal image. The combined image is then used as input for the identification process with different ResNet models, including ResNet18, ResNet34, ResNet50, ResNet101, and ResNet152. Three model tuning scenarios are explored to obtain an optimal hybrid segmentation and classification model: learning using ResNet without U-Net (nounet), learning using a ResNet model with a frozen U-Net model (frozenunet), and learning using both the U-Net and ResNet models (hotunet). Testing is carried out to recognize normal, cataract, and glaucoma classes. The results show that the highest accuracy of 0.82 is achieved with the hybrid U-Net and ResNet152 model using frozenunet learning. This indicates that the addition of segmented images can improve identification results, with the best performance for glaucoma having a precision of 0.90, recall of 0.86, and F1-score of 0.88.
Analisis Kinerja Akselerasi Perangkat Keras Untuk Inferensi Pose Estimation Pada Aplikasi Kebugaran Android Ardana, Arvan Yudhistia; Al Huda, Fais; Yudistira, Novanto
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

Pertumbuhan aplikasi kebugaran berbasis kecerdasan buatan pada perangkat mobile meningkatkan kebutuhan sistem pose estimation yang efisien pada perangkat Android dengan sumber daya terbatas. Penelitian ini menganalisis pengaruh konfigurasi delegate TensorFlow Lite terhadap kinerja inferensi pose estimation serta menentukan konfigurasi model dan delegate dengan keseimbangan terbaik antara kecepatan, efisiensi sumber daya, dan ketepatan penghitungan repetisi. Penelitian menggunakan desain eksperimen faktorial penuh 3×2×2 dengan faktor delegate, model, dan jenis latihan. Konfigurasi yang diuji meliputi CPU Baseline, XNNPACK, dan GPU Delegate pada model MoveNet Lightning FP16 dan BlazePose Lite FP16. Pengujian dilakukan pada Samsung Galaxy A06 dan Samsung Galaxy A33 5G menggunakan pendekatan controlled video replay untuk gerakan squat dan push-up, dengan total 240 sesi pengujian. Metrik yang dianalisis meliputi latensi inferensi, FPS pipeline aplikasi, utilisasi CPU, penggunaan memori, dan akurasi repetisi. Hasil menunjukkan bahwa delegate menjadi faktor utama yang memengaruhi performa inferensi. GPU Delegate menghasilkan latensi terendah dan menurunkan utilisasi CPU pada kedua perangkat. Namun, konfigurasi optimal tidak bersifat universal. XNNPACK menunjukkan anomali pada Galaxy A06, tetapi menjadi alternatif kompetitif pada Galaxy A33 5G. Sistem mencapai akurasi repetisi rata-rata 99,4% pada A06 dan 98,3% pada A33. Temuan ini menunjukkan bahwa pemilihan delegate perlu dievaluasi secara empiris pada perangkat target.
Pipeline Otomasi Anotasi dan Captioning Citra Batik Berbasis DINOv2 dan Qwen2.5-VL dengan Mekanisme Class Injection Fadhillah, Muhammad Dzaka Aufa; Yudistira, Novanto; Sari, Irawati Nurmala
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Mayoritas dataset citra batik publik hanya menyediakan label kelas tunggal tanpa deskripsi teks, sehingga membatasi dokumentasi digital warisan budaya secara komprehensif. Penelitian ini mengembangkan pipeline dua tahap yang mengintegrasikan DINOv2 sebagai pengklasifikasi motif dan Qwen2.5-VL sebagai generator caption batik. Tahap pertama menghasilkan 3.000 pseudo-caption untuk citra tanpa anotasi menggunakan Qwen2.5-VL zero-shot dengan mekanisme class injection dari struktur direktori. Data sintetis tersebut digabungkan dengan 346 citra beranotasi manual untuk fine-tuning Qwen2.5-VL menggunakan Low-Rank Adaptation (LoRA) dan kuantisasi 4-bit NF4. Tahap kedua menempatkan classifier DINOv2+LoRA di awal pipeline untuk menyuntikkan label kelas hasil prediksi ke dalam prompt saat inferensi. Hasil pengujian menunjukkan DINOv2+LoRA mencapai akurasi 96,10%, sementara class injection menaikkan Motif Mention Rate dari 0% menjadi 90,67% dan BLEU-4 dari 0,2004 menjadi 0,2698. Model fine-tuned tanpa class injection meraih skor leksikal tertinggi, namun terindikasi stylistic overfitting dengan CLIPScore terendah (0,3233). Kuantisasi NF4 juga menurunkan penggunaan VRAM dari 9,65 GB menjadi 5,49 GB. Temuan ini membuktikan class injection efektif menekan halusinasi VLM pada domain budaya spesifik.
Analisis Sentimen Multimodal dan Deteksi Rumor Menggunakan TOMBERT dengan Explainability Berbasis Prompt GPT Julian Syaputra, Rangga; Yudistira, Novanto; Widodo, Agus Wahyu
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyebaran informasi di media sosial yang sangat cepat meningkatkan risiko munculnya misinformasi dan rumor, sehingga diperlukan metode deteksi yang akurat dan efektif. Analisis sentimen multimodal merupakan pendekatan yang menggabungkan data teks dan gambar untuk memahami opini secara lebih komprehensif dibandingkan metode berbasis teks saja. Penelitian ini bertujuan membandingkan kinerja TF-IDF + Support Vector Machine (SVM), TOMBERT, dan Graph Neural Network (GNN) pada dataset Twitter15, serta menerapkan Explainable Artificial Intelligence (XAI) untuk meningkatkan interpretabilitas model. Hasil eksperimen menunjukkan bahwa GNN memperoleh akurasi tertinggi sebesar 88.04%, namun TOMBERT memberikan performa paling seimbang dengan akurasi 86.08% dan F1-Score sebesar 81.29%, yang menunjukkan kemampuannya dalam memahami hubungan antara teks dan gambar. GNN juga mampu meningkatkan deteksi kelas minoritas dengan Macro F1-Score sebesar 57.02% dan rumor F1-Score sebesar 20.51%. Sebaliknya, TF-IDF + SVM hanya mencapai akurasi sebesar 64.13%, yang menunjukkan keterbatasan dalam menangani data multimodal dan ketidakseimbangan kelas. Selain itu, implementasi XAI menggunakan GPT yang dikombinasikan dengan caption gambar dari BLIP mampu memberikan penjelasan yang lebih transparan terhadap prediksi model. Penelitian ini menyimpulkan bahwa pendekatan multimodal berbasis deep learning lebih efektif dibandingkan metode klasik, serta teknik optimasi yang diterapkan mampu meningkatkan performa deteksi pada kelas minoritas.
Optimasi Arsitektur Trans-MUF untuk Klasifikasi Multikelas Stadium DM-CKD Menggunakan Citra Fundus Retina dan Data Klinis dengan Mekanisme Mixture-of-Experts Silalahi, Gratia Yudika Morado; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Diabetes Melitus (DM) dan Chronic Kidney Disease (CKD) merupakan komorbiditas progresif yang memerlukan deteksi stadium dini secara non-invasif. Penelitian ini mengusulkan modifikasi arsitektur Trans-MUF untuk klasifikasi empat kelas stadium DM-CKD menggunakan citra fundus retina dan data klinis tabular. Image encoder Trans-MUF pretrained dibekukan sebagai feature extractor yang menghasilkan representasi visual 512-dimensi dari input 5-channel. Tabular MLP baru dengan arsitektur FC(8→64→128) memproses delapan fitur klinis termasuk eGFR, HbA1c, dan GDP. Kedua representasi digabungkan melalui late fusion concatenation menjadi vektor 640-dimensi yang diproyeksikan ke empat kelas oleh Fusion Classifier. Ekstensi Mixture-of-Experts (MoE) dengan empat expert network dan gating network linear juga dievaluasi sebagai pengganti Fusion Classifier. Eksperimen dilakukan pada dataset 591 citra dari 280 pasien RS Panti Nirmala Malang dengan pembagian patient-level 70/15/15. Model Trans-MUF 5-Channel Multimodal mencapai akurasi 85,06%, Macro F1 0,8680, dan Macro AUC 0,9485 pada test set 87 sampel, melampaui skenario unimodal. Analisis SHAP mengkonfirmasi eGFR sebagai fitur tabular paling berpengaruh secara konsisten. Mekanisme MoE tidak meningkatkan kinerja pada skala dataset ini, konsisten dengan prediksi teoritis bahwa spesialisasi expert membutuhkan skala data yang lebih besar.
Prediksi Penjualan Multi-Produk Menggunakan Metode Long Short-Term Memory (LSTM) pada Data Point of Sale (POS) (Studi Kasus Toko Sahabat Baru di Kabupaten Blitar) Aziz Musthofa; Novanto Yudistira
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi penjualan pada lingkungan retail penting untuk mendukung demand planning dan pengendalian persediaan. Data penjualan berbasis Point of Sale (POS) dapat dimanfaatkan sebagai dasar prediksi, namun umumnya memiliki karakteristik fluktuatif, mengandung banyak periode tanpa transaksi (intermittent demand), serta menunjukkan pola permintaan yang berbeda antar produk. Kondisi tersebut meningkatkan kompleksitas prediksi dan membatasi efektivitas metode statistik tradisional. Penelitian ini bertujuan menganalisis performa model Long Short-Term Memory (LSTM) dalam prediksi penjualan multi-produk berbasis data POS serta membandingkannya dengan ARIMA dan naive forecasting. Dataset penelitian terdiri atas 4.279 transaksi dari 25 produk dan 9 kategori selama periode Maret 2025 hingga Februari 2026. Setelah transformasi full grid dan imputasi nol, jumlah observasi meningkat menjadi 9.125 data dengan tingkat sparsity sebesar 53,11%. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada rasio split 70:20:10 dengan parameter look-back = 7 dan units = 16, menghasilkan MAE sebesar 2,2690, RMSE sebesar 3,1621, dan MASE sebesar 0,8816. Secara keseluruhan, LSTM menghasilkan performa lebih baik dibandingkan ARIMA dan naive forecasting. Hasil prediksi juga dapat digunakan sebagai dasar analisis demand planning.
Deteksi dan Klasifikasi Karakter Wayang Kulit Menggunakan YOLOv8n dan Arsitektur Deep Learning Berbasis Transfer Learning Dzikron, Ahmad Ahdani; Firdaus Mahmudy, Wayan; Yudistira, Novanto
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Wayang kulit merupakan warisan budaya tak benda Indonesia yang diakui UNESCO sejak 2003, namun minat generasi muda terhadap kesenian ini menurun seiring sulitnya masyarakat awam mengidentifikasi karakter wayang, khususnya para dewa yang memiliki kemiripan visual tinggi. Penelitian ini mengembangkan pipeline deteksi dan klasifikasi karakter dewa wayang kulit purwa gagrak Jawa menggunakan pendekatan deep learning dua tahap. Dataset dibangun dari 1.300 citra daring dengan 13 kelas karakter yang dianotasi bounding box menggunakan Label Studio. Tahap deteksi objek menggunakan YOLOv8n, sedangkan tahap klasifikasi membandingkan enam arsitektur CNN berbasis transfer learning (ConvNeXt-Tiny, EfficientNet-V2-S, DenseNet-121, MobileNet-V2, GoogLeNet, dan ResNet-50) dengan skema 5-fold stratified cross-validation. Hasil evaluasi menunjukkan YOLOv8n mencapai mAP@50 sebesar 89,59% dan mAP@50-95 sebesar 73,08%. Pada tahap klasifikasi, ConvNeXt-Tiny memberikan performa terbaik dengan akurasi 92,69% dan F1-Score 0,91, diikuti EfficientNet-V2-S (91,69%) dan ResNet-50 (91,38%). Kelas Indra menjadi kelas yang paling sulit dikenali akibat kemiripan visual dengan karakter lain. Penelitian ini diharapkan dapat menjadi salah satu rujukan teknis bagi pengembangan sistem identifikasi karakter wayang kulit berbasis deep learning, sebagai bagian dari upaya dokumentasi visual yang lebih luas terhadap warisan budaya ini.
Penerapan Deep Learning untuk Deteksi Dini Komplikasi Chronic Kidney Disease pada Pasien Diabetes Melitus melalui Citra Fundus Retina Mufidah, Haniefa Azhari Fathni; Novanto Yudistira; Dewi, Candra
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Chronic Kidney Disease (CKD) merupakan komplikasi serius pada pasien Diabetes Melitus (DM) yang di Indonesia menyumbang 27,2% kasus gagal ginjal terminal. Deteksi dini CKD konvensional bersifat invasif dan sulit diakses di layanan kesehatan primer, sementara citra fundus retina berpotensi menjadi biomarker non-invasif karena retina dan ginjal berbagi struktur mikrovaskular yang serupa. Penelitian ini mengevaluasi klasifikasi citra fundus retina menggunakan ResNet-50 dan EfficientNet-B0 pada dataset terbatas (273 citra dari Rumah Sakit Panti Nirmala Malang) yang terbagi tiga kelas: DM, DM+CKD Stadium III, dan DM+CKD Stadium V. Lima rumusan masalah diuji melalui ablation study bertahap menggunakan Stratified 5-Fold Cross Validation, mencakup pengaruh pra-pemrosesan citra, weighted loss, transfer learning, strategi mitigasi overfitting (layer freezing, Dropout, Early Stopping, ReduceLROnPlateau), serta perbandingan arsitektur dengan Test-Time Augmentation (TTA). Hasil menunjukkan transfer learning ImageNet memberikan kontribusi terbesar (+9,52 poin persen dibanding random init), backbone frozen terbukti mencegah catastrophic forgetting, sementara preprocessing dan weighted loss tidak memberikan perbedaan signifikan. ResNet-50 dengan TTA (n=10) mencapai akurasi rata-rata tertinggi 79,87%, unggul dibandingkan EfficientNet-B0 (71,42%). Model tetap mengenali sempurna kelas CKD stadium paling parah pada seluruh kondisi pengujian.
Klasifikasi Stadium Chronic Kidney Disease Menggunakan Citra Fundus Berbasis YOLO-CLS Arianto, Dawud Rizky; Dewi, Candra; Yudistira, Novanto
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 08 (2026): Agustus 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit ginjal kronis (Chronic Kidney Disease/CKD) memerlukan deteksi dini untuk mencegah penurunan fungsi ginjal. Citra fundus retina berpotensi dimanfaatkan sebagai media skrining non-invasif karena mencerminkan perubahan mikrovaskular akibat diabetes dan CKD. Penelitian ini menganalisis pengaruh preprocessing citra (Wavelet Transform dan Gaussian Filter) serta strategi pelatihan (augmentasi data, regularisasi, dan penyetelan hyperparameter) terhadap kinerja model YOLO-CLS dalam klasifikasi stadium CKD menggunakan 273 citra fundus yang terdiri atas kelas DM_Only, DM+CKD_III, dan DM+CKD_V. Eksperimen dilakukan dengan grouped ablation study menggunakan validation set untuk pemilihan pipeline dan test set untuk evaluasi akhir. Hasil menunjukkan bahwa preprocessing dan augmentasi tidak meningkatkan performa model, sedangkan regularisasi (dropout 0,3 dan weight decay 0,001) serta batch size 16 memberikan hasil terbaik. Pipeline akhir menghasilkan Precision Macro 70,97%, Recall Macro 67,09%, F1-score Macro 66,95%, dan AUPRC Macro 76,01%. Temuan ini menunjukkan bahwa optimasi strategi pelatihan lebih berpengaruh terhadap generalisasi model dibandingkan modifikasi citra masukan.
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