Article Per Year (5 Year)
p-Index From 2021 - 2026
5.412
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer EMITTER International Journal of Engineering Technology Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Knowledge Engineering and Data Science JICTE (Journal of Information and Computer Technology Education) Applied Information System and Management Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Journal of Information System,Graphics, Hospitality and Technology Teknika Journal of Applied Data Sciences International Journal of Engineering, Science and Information Technology Insyst : Journal of Intelligent System and Computation Jurnal Nasional Teknik Elektro dan Teknologi Informasi Eduvest - Journal of Universal Studies Jurnal Inovasi Teknologi dan Edukasi Teknik Bulletin of Social Informatics Theory and Application
Esther Irawati Setiawan
Institut Sains Dan Teknologi Terpadu Surabaya
Aerospace Engineering Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Neuroscience Physics Social Sciences Transportation Other

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 38 Documents
Search

 1   2   3   4 
Market Basket Analysis untuk Penjualan Perlengkapan Cetak dengan Algoritma FP Growth Rahmatullah, Dewangga; Setiawan, Esther Irawati; Yuliana
Journal of Information System,Graphics, Hospitality and Technology Vol. 7 No. 1 (2025): Journal of Information System, Graphics, Hospitality and Technology
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37823/insight.v7i1.435

Abstract

Perusahaan yang bertumbuh adalah perusahaan yang terus berkembang dan berinovasi menemukan berbagai macam strategi seiring dengan berjalannya waktu agar meningkatkan omzet usaha yang ditandai dengan penjualan barang. Namun apabila perusahaan serupa atau kompetitor juga melakukan pendekatan strategi yang sama, maka perlu mempersiapkan strategi pemasaran baru untuk meningkatkan penjualan.             Market Basket Analysis merupakan pendekatan analisis data untuk mengenali pola perilaku konsumen terhadap keterkaitan antar produk dalam transaksi penjualan. Metode yang digunakan dalam analisis ini adalah association rule mining, yang berfokus pada pencarian relasi produk yang dibeli secara bersamaan. Terdapat tiga metrik utama dalam metode ini, yaitu support, confidence, dan lift, yang digunakan untuk menilai relevansi aturan asosiasi. Algoritma FP-Growth dipakai karena mampu menemukan aturan asosiasi secara lebih efisien melalui pembuatan struktur data FP-Tree, yang memungkinkan penemuan frequent itemset tanpa perlu menghasilkan kombinasi kandidat secara eksplisit.                 Pengujian dilakukan pada data transaksi penjualan dari tahun 2022-2023 dengan total sebanyak 118.709 transaksi dengan bahasa Python lalu menghasilkan 9 aturan asosiasi. Pelaku bisnis dapat melakukan strategi pemasaran seperti membuat promosi product bundling dan peletakan produk yang berdekatan. Produk-produk tertentu yang memiliki keterkaitan satu sama lain seperti HEAD L210 L1110 L3110 L3150 DUS KECIL NEW dengan FP HEAD CLEANER PREMIUM 20ML (93,99%) dan FP PERMANENT STAMP 10ML – BLACK dengan FP PERMANENT STAMP REMOVER 5ML (97,91%) dapat menjadi kandidat bundel produk yang menjanjikan dikarenakan memiliki nilai confidence yang tinggi.
Sentiment Analysis Twitter Bahasa Indonesia Berbasis WORD2VEC Menggunakan Deep Convolutional Neural Network Juwiantho, Hans; Setiawan, Esther Irawati; Santoso, Joan; Purnomo, Mauridhi Hery
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 7 No 1: Februari 2020
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

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

Abstract

Media sosial sebagai media informasi dan komunikasi mulai berkembang pesat sejak internet mudah diakses. Orang dengan mudah menyatakan pendapat, ekspresi, opini, dan informasi melalui tulisan pada media sosial. Opini atau informasi pada media sosial dapat digunakan untuk menilai baik atau buruk suatu brand perusahaan. Orang cenderung jujur dalam mengungkapkan perasaan terhadap sesuatu pada media sosial. Dengan menggunakan sentiment analysis terhadap opini dari pelanggan, analisis opini dapat dilakukan secara otomatis. Perusahaan dapat secara langsung mengetahui tingkat kepuasan pelanggan dan digunakan untuk meningkatkan kualitas pelayanan hingga menaikan brand perusahaan. Penggunaan metode classical machine learning yang sudah banyak diterapkan pada sentiment analysis, tetapi metode tersebut tidak memperhatikan pentingnya urutan kata pada suatu kalimat. Metode deep learning dengan algoritme Deep Convolutional Neural Network ditawarkan untuk menjawab permasalahan tersebut dengan melakukan operasi convolution menggunakan filter sebesar ukuran window untuk mendapatkan fitur berdasarkan urutan kata. Model Word2Vec untuk Bahasa Indonesia digunakan sebagai representasi kata dalam bentuk vektor. Penggunaan Word2Vec juga mempercepat proses pelatihan dan meningkatkan akurasi algoritme Deep Convolutional Neural Network. Data yang digunakan dalam makalah ini adalah data Twitter Bahasa Indonesia dengan jumlah 999 tweet. Hasil percobaan yang telah dilakukan dengan algoritme Deep Convolutional Neural Network memiliki nilai akurasi terbaik sebesar 76,40%. AbstractSocial media as information media and communication is growing rapidly since the internet is easily accessible. People easily express opinions, expressions, and information by writing on social media. Opinion or information on social media can be used to assess how good or bad a companies is. People tend to be honest in expressing feelings towards something on social media. With sentiment analysis, analysis of the opinions of customers can be done automatically. The company will know the level of customer satisfaction and can be used to improve the quality of service to raise the company's brand. The use of classical machine learning methods that have been widely applied to sentiment analysis ignoring the importance of the word order in a sentence. Deep Convolutional Neural Network algorithm is offered to answer these problems by carrying out convolution operations using filters as large as window size to get features based on word order. Word2Vec model for Indonesian is used as a word vector representation. The use of Word2Vec also reduce the training time and improve the accuracy of the Deep Convolutional Neural Network algorithm. The data used in this paper is Indonesian Twitter data with 999 tweets. The results of experiments that have been carried out with the Deep Convolutional Neural Network algorithm have the best accuracy value of 76.40%.
Klasifikasi SMS Center RSUD SMART Berdasarkan Jenis Keluhan Pelayanan Menggunakan Naive Bayes Rachmatullah, Sholeh; Setiawan, Esther Irawati; Harianto, Reddy Alexandro
Intelligent System and Computation Vol 1 No 1 (2019): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i1.37

Abstract

RSUD SMART memiliki layanan SMS Center yang digunakan untuk berinteraksi dengan masyarakat dalam menerima pertanyaan, masukan, saran dan kritik maupun pengaduan. Informasi yang diterima dalam bentuk sms hanya disimpan dan tidak dikelompokkan berdasarkan unit atau layanan yang dituju sehingga pihak manajemen rumah sakit tidak bisa mengukur tingkat pelayanan di tiap unit. Penelitian ini melakukan klasifikasi terhadap data SMS dan saran responden dari masyarakat yang ditujukan kepada Direktur Rumah Sakit. Data SMS yang diklasifikasi berasal dari database aplikasi SMS Center RSUD SMART Pamekasan. Data SMS dan saran responden diklasifikasikan dalam 10 kelas yaitu Rawat Inap, Rawat jalan, Laboratorium, Farmasi, BPJS, Humas, Loket Pembayaran, Sarana dan Prasarana, Profesi dan tidak Terklasifikasi, serta melakukan scoring sms. Sebelum melakukan proses klasifikasi terlebih dahulu dilakukan pre-processing seperti penyamaan karakter, penghapusan tanda baca, mengembalikan singkatan, terjemah bahasa daerah (Bahasa Madura), penghapusan angka, penghapusan kata yang tidak penting dalam SMS, dan stemming untuk mengubah kata menjadi kata dasar. Penelitian ini menggunakan algoritma Naive Bayes dengan Two Stage (TS) Smoothing. Dalam beberapa uji coba yang telah dilakukan terhadap 2292 data dengan presentase data traning sebesar 20%, 30%, 40% dan 50% mendapatkan rata-rata akurasi sebesar 82,97% dengan nilai λ=0.2, μ=2000 dan threshold=3. Bahkan dalam salah satu uji coba klasifikasi dengan threshold statis mencapai akurasi 86,73% sedangkan akurasi terendah dengan threshold dinamis mencapai 74,28%. Pengaturan threshold statis terbukti meningkatkan akurasi klasifikasi sebesar 6,14%
Aspect Based Sentimen Analysis Opini Publik Pada Instagram dengan Convolutional Neural Network Muhammad Arief Rahman; Herman Budianto; Setiawan, Esther Irawati
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.83

Abstract

Internet sebagai sarana informasi dan komunikasi sudah sangat dikenal di kalangan masyarakat dalam menawarkan kemudahan dan fleksibilitas yang cukup memadai ketika menjadi media. Oleh karena itu opini publik terhadap Operator Telekomunikasi merupakan hal yang sangat penting untuk dijadikan patokan. Namun, untuk mengevaluasi umpan balik online itu, bukan masalah sederhana. Kadang-kadang ketika menganalisis ulasan online yang berkembang pesat ini, menjadi sulit untuk mengkategorikan apakah opini pelanggan puas atau tidak puas terhadap produk dan layanan. Selain itu, sebagai bagian dari peningkatan kualitas mereka, organisasi seperti jasa ini perlu mengklasifikasikan aspek produk dan layanan yang paling disukai pelanggan. Deep Learning adalah area baru dalam penelitian Machine Learning, yang telah diperkenalkan dengan tujuan menggerakkan Machine Learning lebih dekat dengan salah satu tujuan aslinya yaitu Artificial Intelligence. Deep Learning adalah tentang belajar beberapa tingkat representasi dan abstraksi yang membantu untuk memahami data seperti gambar, suara, dan teks. Convolutional Neural Network adalah salah satu contoh metode Deep Learning. Metode Convolutional Neural Network diharapkan dapat digunakan dalam pengimplementasian opini publik untuk keperluan data training yang dikumpulkan dari beragam data yang dianotasikan kelas sentimennya secara otomatis. Hasil dari penelitian menunjukkan dari 4 aspek dan 3 sentimen maka didapatkan nilai rata-rata precision, recall, dan f1-score adalah precision 97.6%, recall 84%, f1-score 90.3%. Bisa disimpulkan score representation ini dapat digunakan untuk klasifikasi sentimen.
Stance Classification Post Kesehatan di Media Sosial Dengan FastText Embedding dan Deep Learning Lim, Ernest; Setiawan, Esther Irawati; Santoso, Joan
Intelligent System and Computation Vol 1 No 2 (2019): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v1i2.86

Abstract

Misinformasi merupakan fenomena yang semakin sering terjadi di media sosial, tidak terkecuali Facebook, salah satu media sosial terbesar di Indonesia. Beberapa penelitian telah dilakukan mengenai teknik identifikasi dan klasifikasi stance di media sosial Indonesia. Akan tetapi, penggunaan Word2Vec sebagai word embedding dalam penelitian tersebut memiliki keterbatasan pada pengenalan kata baru. Hal ini menjadi dasar penggunaan fastText embedding dalam penelitian ini. Dengan menggunakan pendekatan deep learning, penelitian berfokus pada performa model dalam klasifikasi stance suatu judul post kesehatan di Facebook terhadap judul post lainnya. Stance berupa for (setuju), observing (netral), dan against (berlawanan). Dataset terdiri dari 3500 judul post yang terdiri dari 500 kalimat klaim dengan enam kalimat stance terhadap setiap klaim. Model dengan fastText pada penelitian ini mampu menghasilkan F1 macro score sebesar 64%.
Stance Classification Pada Berita Berbahasa Indonesia Berbasis Bidirectional LSTM Setiawan, Esther Irawati; Ika Lestari
Intelligent System and Computation Vol 3 No 1 (2021): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v3i1.148

Abstract

Berita palsu masih menjadi masalah yang harus mendapat perhatian khusus. Media sosial, termasuk Facebook menjadi salah satu sarana yang mudah dan murah untuk menyebarkan suatu informasi yang bahkan belum tentu kebenarannya. Informasi tentang kesehatan menjadi salah satu topik berita palsu yang banyak tersebar ke masyarakat. Cara yang berbeda untuk mendeteksi berita palsu yaitu dengan menggunakan deteksi sikap (stance detection). Tujuan utama dari penelitian ini adalah merancang model yang memiliki kemampuan terbaik untuk melakukan tugas stance classification pada konteks bahasa Indonesia. Model ini diharapkan dapat digunakan untuk berkontribusi dalam menanggulangi masalah penyebaran berita palsu, khususnya di Indonesia. Metode BiLSTM dan GRU diusulkan untuk digunakan dalam melakukan stance classification terhadap headline berita dengan kelas for (mendukung), against (menentang), dan observing (netral). Stance classification pada penelitian ini menggunakan data sebanyak 3.941 headline berita yang terdiri dari 563 klaim dengan 7 tanggapan. Dataset dikumpulkan dari artikel-artikel berita kesehatan berbahasa Indonesia yang diposting pada laman Facebook. Model pada penelitian ini mampu menghasilkan akurasi F1-score paling tinggi sebesar 64% dengan FastText embedding. Metode GRU dapat menjadi salah satu pilihan tepat untuk melakukan stance classification dengan komputasinya yang lebih sederhana. Kinerja FastText jauh lebih unggul dibandingkan dengan Word2Vec dalam melakukan pembentukan vektor kata karena mampu mengatasi masalah out-of-vocabulary (OOV).
Market Basket Analysis untuk Swalayan KSU Sumber Makmur dengan Algoritma FP Growth Ramadhan, Ramadhan; Setiawan, Esther Irawati
Intelligent System and Computation Vol 2 No 1 (2020): INSYST:Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v2i1.149

Abstract

Salah satu teknik data mining yang populer digunakan adalah association data mining atau yang biasa disebut dengan istilah market basket analysis. Market basket didefinisikan sebagai suatu itemset yang dibeli secara bersamaan oleh pelanggan dalam suatu transaksi. Market basket analysis adalah suatu sarana untuk meningkatkan penjualan. Metode ini dimulai dengan mencari sejumlah frequent itemset dan dilanjutkan dengan pembentukan aturan-aturan asosiasi. Algoritma Apriori dan frequent pattern growth adalah dua algoritma yang sangat populer untuk menemukan sejumlah frequent itemset dari data-data transaksi yang tersimpan dalam basis data. Dalam penelitian ini algoritma frequent pattern growth (FP Growth) digunakan untuk menemukan sejumlah aturan asosiasi dari basis data transaksi penjualan di Swalayan KSU Sumber Makmur (Trenggalek). Dari hasil pengolahan data didapatkan pola pembelian paling kuat berupa jika membeli pasta gigi maka dimungkinkan juga akan membeli sabun dan jika membeli shampo juga akan membeli sabun dengan tingkat keyakinan (confidence) 63% dan 62%.
Deteksi Validitas Berita pada Media Sosial Twitter dengan Algoritma Naive Bayes Setiawan, Esther Irawati; Johanes, Sugiharto; Hermawan, Arya Tandy; Yamasari, Yuni
Intelligent System and Computation Vol 3 No 2 (2021): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v3i2.164

Abstract

Banyaknya berita-berita online sering menarik minat masyarakat untuk membacanya, tetapi kadang dengan terlalu banyaknya berita tersebut membuat orang susah mendapatkan informasi yang terpercaya. Berita palsu merupakan kumpulan kata atau kalimat yang mengandung informasi yang tidak benar yang berupaya untuk membohongi atau mengarahkan pembaca atau pendengarnya agar mendukung atau percaya dengan isi beritanya. Penyebar berita palsu umumnya mengetahui bahwa berita yang disebarkan tidak benar. Tujuan penelitian ini adalah mendeteksi berita palsu yang tersebar pada media sosial. Dalam mengklasifikasi berita palsu, deteksi validitas berita digunakan algoritma naïve bayes sebagai kategorisasi teks berbasis pembelajaran mesin. Penelitian ini juga membangun website yang menyediakan fitur web service, pencarian berita yang ada di Twitter, dan klasifikasi berita secara manual. User interface merupakan website berbasis PHP dimana pengguna dapat melakukan interaksi secara langsung sepeti komentar, login, atau melihat artikel-artikel yang sudah diklasifikasi. Sedangkan back-end dari website ini adalah program klasifikasi teks berbasis Python. Dari percobaan yang telah dilakukan ternyata algoritma Naïve Bayes dapat digunakan untuk mengklasifikasi berita palsu. Berdasarkan eksperimen, penggunaan metode naive bayes untuk deteksi validitas berita dengan data uji media social Twitter dapat mencapai nilai akurasi dengan persentase terbaik yaitu 92% pada data ujicoba sebesar 309 artikel.
Pembentukan Aturan Fuzzy Untuk Pemberian Rekomendasi Penerima Bantuan Keluarga Berumah Tidak Layak Huni Menggunakan K-means Clustering Aidil; Sugiono, Judi Prajetno; Setiawan, Esther Irawati; Putra, Adi Surya
Intelligent System and Computation Vol 4 No 2 (2022): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v4i2.216

Abstract

Bantuan bagi keluarga yang rumah tidak layak huni merupakan salah satu manfaat sosial yang diberikan kepada keluarga yang mengalami kesulitan keuangan dan/atau memiliki rumah tidak layak huni. Variabel yang dipertimbangkan saat menentukan penerima manfaat sering kali membuat keputusan sulit diambil. Oleh karena itu, diperlukan sistem penalaran fuzzy yang secara otomatis menghasilkan aturan-aturan sebagai pembuat keputusan yang diharapkan. Untuk membentuk aturan fuzzy diperlukan seorang pakar. Pakar adalah seorang ahli yang berpengalaman dalam suatu bidang yang mampu menjelaskan suatu aturan yang terkait dengan suatu bidang. Dalam penelitian ini dibentuk suatu rule secara otomatis yang tidak tergantung dengan seorang pakar. Aturan fuzzy dibangkitkan bisa diperoleh dari beberapa teknik seperti proses clustering. Metode yang digunakan dalam membangkitkan aturan fuzzy ini yaitu metode k-means clustering. Dalam hal rekomendasi penerima bantuan rumah tidak layak huni, K-means clustering digunakan untuk mengelompokkan data dan mengembangkan aturan. Hasil dari pembangkitan aturan fuzzy digunakan untuk proses inferensi fuzzy menggunakan metode Fuzzy Inference System Sugeno. Metode sugeno menghasilkan output (konsekuen) berupa konstanta atau persamaan linier. Dalam penelitian ini digunakan 1000 data training dan dilakukan proses pengujian 300 data uji untuk mendapatkan rekomendasi penerima bantuan rumah tidak layak huni. Hasil pengujian digunakan untuk mengetahui akurasi aturan yang terbentuk.Dari hasil penelitian menunjukkan bahwa hasil k- means clustering dapat membentuk rule secara otomatis untuk pembangkitan aturan Fuzzy Inference System Sugeno dapat dilihat dari hasil akurasi perhitungan pengujian data uji skenario global sama-sama menghasilkan akurasi minimal di atas 75%.
Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN Imron, Syaiful; Setiawan, Esther Irawati; Santoso, Joan
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.267

Abstract

Dengan semakin berkembangnya teknologi informasi, maka muncul istilah e-commerce dalam dunia bisnis. Pada e-commerce ada fitur review, pelanggan dapat memberikan review berupa teks, gambar, dan bintang. Review tersebut merupakan opini dari pelanggan terkait barang yang dibeli. Tetapi pada kebanyakan e-commerce tidak ada fitur kategori terkait review hal ini membuat calon pembeli kesusahan dalam menganalisa secara manual. Aspect-based sentiment analysis (ABSA) merupakan solusi dari permasalahan tersebut. ABSA memiliki tiga tugas salah satunya Aspect Category Detection yang memiliki fungsi untuk menggabungkan review pelanggan menjadi beberapa aspek dimana aspek-aspek tersebut sudah didefinisikan terlebih dahulu. Cukup banyak penelitian terkait Aspect Category Detection dengan mengunakan machine learning. Dari beberapa metode yang diuji, Convolutional Neural Network (CNN) merupakan metode terbaik. Selain itu penggunaan BERT sebagai word embedding menghasilkan output yang bagus baik dari pada word embedding konvensional. Penelitian ini menggunakan dataset dari e-commerce Bukalapak dengan 3114 review dan 6 aspek (Akurasi, Pengiriman, Kualitas, Harga, Pengemasan, dan Pelayanan). Berdasarkan ujicoba dengan menggunakan IndoBERT sebagai word embedding dan CNN untuk deteksi aspek, maka didapatkan akurasi sebesar 94,86%. Dengan demikian model tersebut dapat digunakan untuk deteksi aspek. Selain itu, metode CNN mendapatkan hasil yang lebih baik dari pada metode LSTM.
Co-Authors Adi Sutanto Adriel Ferdianto Aidil Aji Prasetya Wibawa Albertus Josef Andika Arif Priyambodo Arya Tandy Hermawan Christian Nathaniel Purwanto Collantes, Leonel Hernandez Daniel Gamaliel Saputra Dhaniswara, Erwin Edwin Pramana Edwin Pramana Effendy Hadi Sutanto Eko Mulyanto Yuniarno Endang Setyati F.X. Ferdinandus Fachrul Kurniawan Fachrul Kurniawan Ferdinandus, F. X. Ferdinandus, Fransiskus Xaverius Fitria Fitria Fitria Fitria Fujisawa, Kimiya Gunawan Gunawan Gunawan Halim, Kevin Jonathan Hans Juwiantho Hans Keven Budi Prakoso Harianto, Reddy Alexandro Harits Ar Rosyid Hartono, Luluk Setiawati Hartono, Patrick Heppi Siswanto Herman Budianto Herman Thuan To Saurik Honoris Setiahadi I Ketut Eddy Purnama Ika Lestari Imron, Syaiful Joan Santoso Johanes, Sugiharto Kimiya Fujisawa Kristian, Yosi Langgeng, Yudo Sembodo Hastoro Leonel Hernandez Lia Safitri Lim, Ernest Lukman Zaman Mauridhi Hery Purnomo Mauridhi Hery Purnomo Mohamad Fahmi Yusuf Mohammad Farid Machfudin Muhammad Arief Rahman Mustaqin, Farhan Faisal Zainul Nagari, Widean Natalie, Valerynta Purwanto, Christian Nathaniel Putra, Adi Surya Rachmatullah, Sholeh Rahmatullah, Dewangga Samuel Budi Wardhana Kusuma Santoso , Joan Setya Ardhi Singh, Vrijraj Sugiono, Judi Prajetno Surya Sumpeno Syaiful Imron Syaiful Imron Titis Arwindarti Tjendika, Patrick Tjwanda Putera Gunawan Vu, Tong Nam Tuan Wardoyo, Nikko Riestian Putra Yosi Kristian Yuliana Yuliana YUNI YAMASARI Zaman, Lukman