Article Per Year (5 Year)
p-Index From 2021 - 2026
12.066
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Industri Pertanian Jurnal Masyarakat Informatika JUTI: Jurnal Ilmiah Teknologi Informasi Seminar Nasional Informatika (SEMNASIF) JOIN (Jurnal Online Informatika) JOIV : International Journal on Informatics Visualization Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Jurnal Ecodemica : Jurnal Ekonomi Manajemen dan Bisnis Jurnal Teknik Informatika STMIK Antar Bangsa JITK (Jurnal Ilmu Pengetahuan dan Komputer) Jurnal Ekonomi, Manajemen Akuntansi dan Perpajakan (Jemap) J I M P - Jurnal Informatika Merdeka Pasuruan Applied Information System and Management Jurnal Teknoinfo JURNAL PENDIDIKAN TAMBUSAI Jurnal Nasional Komputasi dan Teknologi Informasi Energi & Kelistrikan Indonesian Journal of Applied Informatics Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Literasiologi CSRID (Computer Science Research and Its Development Journal) Antivirus : Jurnal Ilmiah Teknik Informatika Industri Inovatif : Jurnal Teknik Industri Jurnal Ilmu Komputer dan Bisnis Aisyah Journal of Informatics and Electrical Engineering Jurnal Sistem Informasi dan Informatika (SIMIKA) Journal of Innovation and Future Technology (IFTECH) TIN: TERAPAN INFORMATIKA NUSANTARA JURNAL AKTUAL AKUNTANSI KEUANGAN BISNIS TERAPAN (AKUNBISNIS) Journal of Intelligent Computing and Health Informatics (JICHI) Teknika Jurnal Sistem Informasi Journal of Industrial and Engineering System Jurnal Sains Indonesia Bulletin of Computer Science Research Journal of Students‘ Research in Computer Science (JSRCS) Journal Software, Hardware and Information Technology Jurnal Media Informatika JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Mandiri IT J-Intech (Journal of Information and Technology) Jurnal Pustaka Mitra : Pusat Akses Kajian Mengabdi Terhadap Masyarakat Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Jurnal Sains dan Teknologi Jurnal Sains Informatika Terapan (JSIT) Paradigma Indonesian Journal Computer Science (ijcs) Jurnal Ilmiah Teknik Informatika dan Komunikasi Innovative: Journal Of Social Science Research Jurnal Komputer dan Teknologi (JUKOMTEK) CHAIN: Journal of Computer Technology, Computer Engineering and Informatics Journal of Information Technology, Software Engineering and Computer Science Jurnal Ilmiah Sistem Informasi Bulletin of Artificial Intelligence Riau Jurnal Teknik Informatika International Journal of Education, Vocational and Social Science Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Journal of Information Technology Jurnal Teknoinfo Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA) Jurnal Teknik Informatika dan Teknologi Informasi Journal of Decision Support Systems and Multi-Criteria Decision Making (JODESMA)
Sumanto Sumanto
Universitas Bina Sarana Informatika
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 118 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 118 Documents
Search

 6   7   8   9   10 
Analisis Pendeteksian dan Klasifikasi Produk di Lingkungan Supermarket Menggunakan Dataset Roboflow Yamani, Teuku Arrasy; Rofiqi, Ainur; Fauzan, Muhammad Indra; Sumanto, Sumanto; Taufiq, Ghofar; Kumalasari, Kumalasari
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 2 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i2.1468

Abstract

Kemajuan teknologi visi komputer telah memberikan kontribusi signifikan dalam bidang ritel, khususnya dalam pendeteksian dan klasifikasi produk di supermarket. Penelitian ini menganalisis kinerja model You Only Look Once (YOLO) dalam mengidentifikasi berbagai produk menggunakan dataset Roboflow yang berisi 1.200 citra dengan 10 kelas produk. Dataset mencakup variasi kondisi nyata, seperti perubahan pencahayaan, orientasi objek, serta kemunculan latar yang kompleks. Model dievaluasi menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasil menunjukkan bahwa YOLO mencapai mAP50 sebesar 0,95 dan mAP50–95 sebesar 0,89, menandakan akurasi deteksi yang tinggi. Sebagai kontribusi utama, penelitian ini membandingkan performa YOLO dengan arsitektur deteksi ringan seperti MobileNet-SSD, di mana YOLO menunjukkan hasil lebih stabil pada kondisi visual yang bervariasi. Temuan ini menegaskan bahwa YOLO efektif digunakan untuk otomatisasi inventori dan pemantauan stok di lingkungan ritel modern.Kata kunci: Deteksi objek, YOLO, Visi komputer, Klasifikasi produk supermarket, Dataset Roboflow.
Implementasi Lightweight Neural Network Berbasis YOLOv8n untuk Klasifikasi Sampah Real-Time Ali, Muhamad Hafis; Sulaiman, Sulaiman; Ardiyansyah, Rizqi; Sumanto, Sumanto; Taufiq, Ghofar; Kumalasari, Jefina Tri
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8895

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi sampah real-time yang efisien pada perangkat edge dengan memanfaatkan arsitektur Deep Learning ringan berbasis YOLOv8. Klasifikasi sampah otomatis merupakan solusi krusial dalam Smart Waste Management, namun model jaringan saraf tiruan yang kompleks sering terkendala oleh keterbatasan sumber daya komputasi pada perangkat IoT. Penelitian ini menerapkan model YOLOv8n (nano) menggunakan teknik Transfer Learning untuk menyeimbangkan akurasi deteksi dan efisiensi komputasi. Dataset yang digunakan bersumber dari repositori publik Roboflow sebanyak 1.123 citra yang telah melalui proses augmentasi. Hasil pelatihan selama 50 epoch menunjukkan performa impresif dengan nilai mean Average Precision (mAP@50) mencapai 0.995, Presisi 0.998, dan Recall 1.0. Selain itu, model memiliki ukuran file yang sangat ringkas (±6 MB) dengan kecepatan inferensi yang memadai untuk operasi real-time. Hasil penelitian ini membuktikan bahwa algoritma lightweight neural network mampu diimplementasikan secara efektif untuk mendukung sistem pemilahan sampah cerdas berbasis Computer Vision.
Klasifikasi Penyakit Daun Tanaman Berbasis Citra Menggunakan Convolutional Neural Network Data Augmentation Suci, Bintang Dyas; Musfiroh, Musfiroh; Sefriani, Shintia Putriayu; Sumanto, Sumanto; Pakpahan, Roida; Budiawan, Imam
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8894

Abstract

Penelitian ini membahas penerapan Convolutional Neural Network (CNN) yang dikombinasikan dengan teknik augmentasi data untuk klasifikasi penyakit daun tanaman berbasis citra. Permasalahan utama penelitian ini adalah keterbatasan jumlah data latih yang dapat memengaruhi kinerja model klasifikasi. Tujuan penelitian adalah mengevaluasi efektivitas augmentasi data dalam meningkatkan performa model CNN pada dataset berskala terbatas. Dataset yang digunakan adalah Plant Disease Recognition Dataset yang terdiri dari 1.523 citra dengan tiga kelas, yaitu Healthy, Powdery Mildew, dan Rust. Penelitian ini menggunakan metode eksperimen dengan tahapan praproses data, augmentasi data, pelatihan model, serta evaluasi performa yang seluruhnya dilakukan menggunakan Google Colab. Teknik augmentasi yang diterapkan meliputi rotasi, zoom, dan horizontal flip. Hasil penelitian menunjukkan bahwa model CNN mampu mencapai akurasi validasi yang baik, meskipun performa klasifikasi antar kelas masih bervariasi, khususnya pada kelas Rust yang memiliki karakteristik visual kompleks, sebagaimana ditunjukkan melalui confusion matrix dan classification report. Selain itu, penelitian ini mengimplementasikan skema prediksi real-time sebagai proof-of-concept. Secara keseluruhan, hasil penelitian menunjukkan bahwa kombinasi CNN dan augmentasi data efektif untuk klasifikasi penyakit tanaman pada kondisi keterbatasan data dan sumber daya komputasi.
Analisis Kinerja Model Yolov8 Berbasis Roboflow pada Deteksi Sampah Plastik Non-Plastik Otomatis Alghiffary, Muhammad Adya; Saputra, Yusup; Ali, Satrio Nur; Sumanto, Sumanto; Taufig, Ghofar; Kumalasari, Jefina Tri
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8896

Abstract

Meningkatnya jumlah sampah plastik menuntut adanya sistem pemilahan yang lebih efisien dan akurat. Pemilahan sampah secara manual masih memiliki keterbatasan dari segi waktu dan ketelitian. Oleh karena itu, diperlukan sistem deteksi otomatis berbasis computer vision menggunakan model YOLOv8 dan Roboflow untuk membedakan sampah plastik dan non-plastik secara efektif. Penelitian ini berfokus pada evaluasi kinerjamodel YOLOv8 untuk mengotomasi deteksi sampah Plastik dan Non-Plastik, sebuah langkah krusial dalam pengelolaan limbah modern. Menggunakan dataset yang disediakan Roboflow, model dikembangkan dan diuji coba seluruhnya di lingkungan Google Colab. Model YOLOv8 menunjukkan hasil yang sangat memuaskan, dengan capaian mean Average Precision (mAP) mencapai 95,2% dan akurasi 94,5%. Kinerja tinggi ini didukung oleh nilai presisi dan recall yang kuat, menandakan kemampuan klasifikasi yang handal. Studi ini menyimpulkan bahwa YOLOv8 adalah pilihan yang efektif dan efisien untuk penerapan dalam teknologi pemilahan sampah otomatis, yang berpotensi meningkatkan produktivitas dan keberlanjutan pengelolaan sampah di berbagai skala.
Analisis Tren Popularitas Musik Spotify Menggunakan Chi-Square, Regresi Linear & Anova Sentanu, Quinn Abrar Athallah; Alamsyah, Muhammad Arkan; Rivaldi, Muhammad; Sumanto, Sumanto; Taufiq, Ghofar
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8897

Abstract

Musik adalah fenomena budaya yang dinamis, dengan platform streaming seperti Spotify merevolusi konsumsi. Penelitian ini bertujuan menganalisis tren karakteristik akustik dan popularitas musik menggunakan Dataset Spotify dari tahun 2018 hingga 2022, periode krusial dominasi digital. Pentingnya topik ini terletak pada identifikasi pergeseran selera digital dan faktor-faktor yang mendorong keberhasilan musikal kontemporer. Penelitian ini menggunakan metode analisis statistik deskriptif dan pemodelan deret waktu pada metrik popularitas serta karakteristik akustik seperti danceability, energy, dan valence.Genre R&B dan Indie mencatat pertumbuhan popularitas yang paling signifikan. Disimpulkan bahwa dalam era streaming, danceability telah menjadi prediktor kuat popularitas, menandakan preferensi pendengar terhadap musik yang lebih berirama, sebuah temuan penting bagi produser musik dan pemasar
Analisis Klaster Tingkat Stres Generasi Z Berdasarkan Pola Tidur dan Aktivitas Media Sosial Menggunakan Metode K-Means Clustering Putra, Imam Hanif; Nurrahman, Alvin; Saputra, Sabita Abigail; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida
Semnas Ristek (Seminar Nasional Riset dan Inovasi Teknologi) Vol 10, No 1 (2026): SEMNAS RISTEK 2026
Publisher : Universitas Indraprasta PGRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30998/semnasristek.v10i1.8898

Abstract

Penelitian ini bertujuan untuk mengidentifikasi pola kecenderungan stres pada Generasi Z melalui analisis klaster berbasis perilaku tidur dan penggunaan media sosial. Data yang digunakan berasal dari dataset kesehatan mental publik tahun 2025 yang terdiri dari 5.000 data responden, dengan dua variabel utama yaitu durasi tidur harian dan lama penggunaan media sosial. Pendekatan kuantitatif eksploratori diterapkan menggunakan metode unsupervised learning, tanpa melibatkan label kelas. Proses analisis dilakukan melalui tahap pembersihan data, normalisasi, dan klasterisasi menggunakan algoritma K-Means yang diimplementasikan pada aplikasi Orange Data Mining. Penentuan jumlah klaster optimal dilakukan dengan evaluasi Silhouette Score, yang menunjukkan bahwa konfigurasi enam klaster memberikan kualitas pemisahan terbaik dibandingkan variasi klaster lainnya. Hasil klasterisasi memperlihatkan perbedaan karakteristik yang jelas antar kelompok, mulai dari individu dengan durasi tidur rendah dan penggunaan media sosial tinggi hingga kelompok dengan pola tidur lebih seimbang dan aktivitas digital lebih terkendali. Temuan ini menunjukkan bahwa kombinasi pola tidur dan intensitas penggunaan media sosial dapat digunakan sebagai indikator awal dalam memetakan potensi stres pada Generasi Z, serta menjadi dasar bagi penelitian lanjutan terkait kesehatan mental berbasis perilaku digital.
Real-Time Detection of Huanglongbing (HLB) Disease in Citrus Leaves Using Enhanced YOLO V8 Algorithm Sumanto Sumanto; Rachmat Adi Purnama; Hendra Supendar; Ade Christian; Teuku Vaickal Rizki irdian; Kaisar Ages Querio
Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Vol. 23 No. 1 (2026): Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika.
Publisher : Program Studi Ilmu Komputer, Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/komputasi.v23i1.82

Abstract

This study addresses the complex challenge of detecting Huanglongbing (HLB) disease in citrus leaves, which is known as one of the most lethal plant diseases with no known cure. The primary issue in HLB detection is the difficulty in identifying symptoms early and accurately, particularly in dynamic and uncontrolled field environments. Therefore, the main focus of this research is the development of a real-time detection approach using the YOLO V8 algorithm to more accurately detect and classify HLB symptoms in citrus leaf images. The objective of this study is to design a technique that can enhance the detection of HLB disease and compare its performance with the conventional YOLO V8 method. This research also aims to address the limitations of previous studies that used the Support Vector Machine (SVM) method, which only achieved an accuracy of 80%. To achieve this objective, the study utilizes a dataset consisting of 1200 citrus leaf images, representing various levels of severity, including mild, moderate, severe, and healthy leaves. The method employed in this research involves the use of the YOLO V8 algorithm to detect and classify HLB symptoms in citrus leaf images. This approach was tested through a series of experiments to measure accuracy, precision, recall, and computational efficiency. The experimental results consistently demonstrate that the developed approach outperforms the basic YOLO V8 and previous methods using SVM, with an improvement in HLB disease detection accuracy reaching 98%. This study provides critical insights into early detection of HLB disease, potentially serving as a powerful tool to support efforts in preventing the spread of this disease across citrus orchards. Additionally, this research opens opportunities for further development in real-time plant disease detection by integrating more advanced AI technologies and applying similar methods to other plant diseases. Future research can focus on developing more efficient and scalable algorithms for use in various field conditions, as well as exploring the integration of sensors and IoT technology for more comprehensive plant health monitoring.
Analisis Perbandingan Algoritma Random Forest, SVM, dan Logistic Regression untuk Menentukan Model Terbaik Prediksi Penyakit Diabetes Alghifar Firgiawan; Fauzan Nawwir Andriansyah; Raihan Naufal Ramadhan; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6213

Abstract

Diabetes is a chronic metabolic disorder characterized by elevated blood glucose levels caused by the body’s inability to produce or effectively respond to insulin. The increasing prevalence of diabetes in Indonesia requires accurate data-driven early detection systems to assist the diagnostic process. This study aims to compare the performance of three machine learning algorithms—Support Vector Machine (SVM), Random Forest, and Logistic Regression—in predicting diabetes disease based on patient clinical data. The dataset used was obtained from the Kaggle repository titled 100,000 Diabetes Clinical Dataset. The research process was conducted using the Orange Data Mining software through several stages, including data preprocessing, One-Hot Encoding transformation, model training, and evaluation using the 10-Fold Cross Validation method. The results show that the Random Forest algorithm achieved the best performance with an accuracy of 97.1%, followed by Logistic Regression at 96.0% and SVM at 92.3%. These findings indicate that ensemble-based methods such as Random Forest outperform others in producing stable and accurate predictions for diabetes diagnosis
Komparasi Algoritma Machine Learning (Random Forest, Gradient Boosting, dan Ada Boosting) untuk Prediksi Tingkat Penyakit Alzheimer Muhammad Raviansyah; Andika Amansyah; Farhan Fadhilah; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6227

Abstract

Alzheimer’s disease is one of the most common forms of progressive dementia and has become a major global health challenge as the aging population continues to increase. Early detection of this disease is crucial to mitigate its social, economic, and health impacts. In this context, data-driven approaches using machine learning algorithms can be utilized to predict Alzheimer’s risk more accurately. This study aims to compare the performance of three ensemble learning algorithms—Gradient Boosting, Random Forest, and AdaBoost—in predicting the risk level of Alzheimer’s disease using the public Alzheimer’s Disease Dataset, which includes demographic, clinical, and lifestyle data. The research process involved several stages, including data preprocessing, splitting data into training and testing sets, model training using cross-validation, and performance evaluation based on accuracy, precision, recall, F1-score, and AUC metrics. The experimental results show that the Gradient Boosting algorithm achieved the best performance with an accuracy of 0.956, an F1-score of 0.956, and an AUC of 0.985, demonstrating its ability to capture complex non-linear relationships among features such as age, MMSE score, and lifestyle factors. Meanwhile, Random Forest and AdaBoost achieved competitive yet slightly lower performance. These findings indicate that ensemble boosting approaches, particularly Gradient Boosting, hold great potential for medical decision-support systems in the early detection of Alzheimer’s disease and can serve as a foundation for developing more accurate and adaptive predictive models in the future.
Analisis Pola Pergerakan dan Prediksi Harga Emas Menggunakan Regresi Linear serta Model Time Series ARIMA dan VAR Roni Saputra Pratama; Ryehan Alfiansyah; Prasetyo Adi Suwignyo; Sumanto Sumanto; Imam Budiawan; Roida Pakpahan
Jurnal Teknik Informatika dan Teknologi Informasi Vol. 5 No. 3 (2025): Desember: Jurnal Teknik Informatika dan Teknologi Informasi
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jutiti.v5i3.6233

Abstract

Gold is one of the most popular investment instruments due to its stable value and ability to protect assets against inflation. However, its price tends to fluctuate significantly, influenced by macroeconomic factors such as exchange rates, interest rates, and global geopolitical conditions. This study aims to analyze the movement patterns and predict gold prices based on historical data from 2019 to 2024 using the Linear Regression method and Time Series models, namely ARIMA and VAR. The analysis process was carried out using Orange Data Mining software, which enables the application of machine learning algorithms through a visual and interactive interface without manual coding. The dataset used consists of daily gold closing prices, processed and tested to evaluate model accuracy using Root Mean Square Error (RMSE) and Correlation Coefficient (R) indicators. The results indicate that the Linear Regression model effectively captures the general trend of gold prices, while ARIMA and VAR models produce more accurate forecasts based on historical fluctuations. The integration of regression and time series approaches improves prediction reliability. Overall, this research contributes to the development of financial data analysis and provides insights for investors in making more informed and data-driven investment decisions.
Co-Authors Aberahamo Onoma Marundrury Achmad Rivai Syahputra Ade Budiman, Ade Ade Christian Ade Christian Ade Christian Ade Christian Adhiani, Budhi Adi Pangestu Adi Supriyatna Adinugroho, Wisnu Aditia Yudhistira Adryan Raihan Syakir Agung Wibowo Agus Buono Agus Santoso Ahmad Habibullah Ahmad Rais Ruli Ahmad Syukri Gozali Ahmad Yani Ahmad Yani ahmad yani Ahmad Yani , Ahmad Yani Alamsyah, Muhammad Arkan Alghifar Firgiawan Alghiffary, Muhammad Adya Ali Mahmudi Ali, Muhamad Hafis Ali, Satrio Nur Alwan Kapi Muntaha Alya Avisa Andi Diah Kuswanto Andi Setiawan Andika Amansyah Andri Amico Andriansyah Tri Laksono Anggreani, Namira Anita Adelia Syahfitri Apip Supiandi Ardiyansyah, Rizqi Ari Sulistiyawati Ariskawati, Mila Arnata Nur Rasyid Arshad, Muhammad Waqas Arya, Yudi Asmawati Asmawati Audy Aulia Azzahra Aulia Rachmat, Daffa Aziz Bayu Permata Azkia, Farah Diba Bib Paruhum Silalahi Bismo Raharjo, Yohanes Aryo Budhi Adhiani Budhi Adhiani Christina Budi Santoso Budiman, Ade Surya Cahya, Titus Dwi Cahyani Ayu Sulistyawati Damayanti Damayanti Darmawi . Dedi Darwis Dedi Triyanto Dedi Triyanto Deny Kurniawan DENY KURNIAWAN Desiana Nuranudin Putri Desyanti Desyanti Dewi, Revinta Arrova Diah, Andi Dinda Aprillia Dwiki Gilang Ramadhani Dyah Ayu Megawaty Dyani Kalyana Mitta Eka Dyah Setyaningsih Eka Putri Alvi Syahrina Elisabeth Sri Hendrastuti Erlangga Rizki Ekaptra Fadila Shely Amalia Fahrian Fahroni, Aldiwa Alfa Thira Nur Faiz Djarot, Raihan Jamal Faiz Najwan Zaky Fajar Akbar Fajar Yoga Adiansyah Fajrian, Ihsan Fardha Hasykir Farhan Fadhilah Faris Syahrendra Faruk Ulum Fathur Rismansyah Fauzan Nawwir Andriansyah Fauzan, Muhammad Indra Fransiscus Andre Suwarno Ganda Wijaya Ganda Wijaya, Ganda Ghofar Taufiq Gilang Virgiawan Ginting Wibi Prasetyo Hafis Nurdin Harianto Harianto Hariyanto Hariyanto HARIYANTO HARIYANTO Hartanti Hartanti Hartono Hartono Heni Nur Kusumawati Herdinan Tito Hetty Rohayani Hidayat, Manarul Hilmy Ibrahim, Farras Idha Rizqi Pratiwi Imam Budiawan Imam Budiawan Imam Budiawan Imam Budiawan Imam Budiawan Imam Wahyudi Iman Febriansya Putra Indah Oktavia Zalmi Indra Chaidir, Indra Indra, Ahmad Indriani , Karlena Indriyanti, Zahra Kiky Dwi Insani Abdi Bangsa Iqro Mukti Arto Jefina Tri Kumalasari Jefina Tri Kumalasari Jefina Tri Kumalasari Joko Tri Haryanto Joseph Melchior Nababan Juanny Cheristy Souisa Julkarnaen Karo-Karo Jumaryadi, Yuwan Junhai Wang Junhai Wang Junhai Wang Junhai Wang Junhai Wang Kadir, Fauwas Abdul Kaisar Ages Querio Karlena Indriani Karlisa Priandana Kevin Dwi Satria Kotjek, Rafie Kumalasari Kumalasari Kuswanto, Andi Diah Laura Gabriel da Silva Lia Mazia, Lia Lise Pujiastuti Lise Pujiastuti Lita Sari Marita Maharani Rona Makom Makom, Maharani Rona Mantriwira, Daniel Mardinawat Mardinawat Mardinawati Mardinawati Mardinawati, Mardinawati Megawaty, Dyah Ayu Meydina Aulia Savitri Micho Respati Putra Mochamad Fathur Milzam Mochamad Wahyudi Muhamad Fadli Fadhlullah Muhamad Rendi Gibran Muhammad Furqon Prasetyo Muhammad Haikal Abidin Muhammad Hendra Hernawan Muhammad Hussein Umar Muhammad Raviansyah Muhammad Rifqi Asy'ari Muksin Hi Abdullah Musfiroh Musfiroh, Musfiroh Nabilla, Adinda Naufal Hermawan, Rezan Nindya Dwi Lestari Ningtyas, Listina Ade Widya Nirwana Hendrastuty Noviyanto Noviyanto Nurfia Oktaviani Syamsiah Nurrahman, Alvin Paduloh Paduloh Pakpahan, Roida Pasaribu, A. Ferico Octaviansyah Paulus Paulus Permata, Permata Prasetyo Adi Suwignyo Prasetyo, Romadhan Edy Pribadi, Denny Pricillia Pujiastuti, Lise Purwandani, Indah Putra Satria Putra, Imam Hanif Qais Abdurrachman Rachmat Adi Purnama Raditya Rimbawan Oprasto Rafi Kurniawan Rafi Rasendriya Raihan Naufal Ramadhan Raihan Primadana Raihan Raihan Ramadani, Achmes Dade Ramadhan, Muhammad Gilang Ramadhani, Varla Octavia Rani, Maulidina Cahaya Rasya Abel Putra Gumulija Ratiyah* Ratiyah Ratnasari, Arum Retno Winarti Reynaldi , Reynaldi Rian Hidayat Riansyah Gustian Ridwan, Asrifia Rifda Ilahy Rosihan Rifki Nur Hidayat Putra Riska Aryanti Rivaldi, Muhammad Rizal Maulana Rizky Daud Antony Pangaribuan Rizqi Ramadhani, Muhammad Rofiqi, Ainur Roida Pakpahan Roida Pakpahan Roida Pakpahan Roida Pakpahan Roida Pakpahan Roni Saputra Pratama Ruhul Amin Rumidjan Rumidjan, Rumidjan Rusda Wajhillah Ryan Dwi Aprilyanto Ryan Randy Suryono Ryehan Alfiansyah Safinah Faatin Sanriomi Sintaro Santosa, Teguh Budi Saputra, Sabita Abigail Saputra, Yusup Saputri, Fifin Sefriani, Shintia Putriayu Sentanu, Quinn Abrar Athallah Sentot Achmadi Setiawan, Dandi Setiawansyah Setiawansyah Setiawansyah Siregar, Denny Solihin Solihin Sopyan Sri Hendrastuti, Elisabeth Sri Sugiharti Suci, Bintang Dyas SUKAMTI . Sulaiman Sulaiman Sulistyo Sulistyo Sumarna Sumarna Sumarna Sumarna Suparno Suparno Suwandi Suwandi Tabrani, Tabrani Tarmidzi Ibrahim Taufig, Ghofar Teguh Budhi Santosa Teguh Budi Santosa Temi Ardiansah Teuku Vaickal Rizki irdian Tri Widian Ratnasari Trisna Andhika Saputra Ulum, Faruk Umam, Hairul Ummu Radiyah, Ummu Vemi Januar Pratama Vera Agustina Yanti Wahyudi, Agung Deni Wang, Junhai Wardani, Maidy Tri Wattilah, Florentina Widya Viona Septi Tanjung Wijaya, Filzah Wina Ningsih Yakobus Linus Jumadi Yamani, Teuku Arrasy Yanuar Laik, Abraham Adrian Yunardus Yunardus Yundari, Yundari Yuri Rahmanto Zahwa Asfa Rabbani Zayyan Nauval Araf Zidan, Muhammad `Diah Kuswanto, Andi