Article Per Year (5 Year)
p-Index From 2021 - 2026
7.81
P-Index
This Author published in this journals
All Journal Jupiter Jurnal Media Infotama Syntax Jurnal Informatika Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Kursor Scan : Jurnal Teknologi Informasi dan Komunikasi Proceeding International Conference on Information Technology and Business Jurnal Informatika dan Teknik Elektro Terapan International conference on Information Technology and Business (ICITB) Journal of Animation & Games Studies Format : Jurnal Imiah Teknik Informatika Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer INTEGER: Journal of Information Technology JPP IPTEK (Jurnal Pengabdian dan Penerapan IPTEK) Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Antivirus : Jurnal Ilmiah Teknik Informatika Jusikom: Jurnal Sistem Informasi Ilmu Komputer bit-Tech Journal of Appropriate Technology for Community Services Jurnal Teknik Elektro dan Komputasi (ELKOM) JATI (Jurnal Mahasiswa Teknik Informatika) CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics Ihsan: Jurnal Pengabdian Masyarakat Jifosi Nusantara Science and Technology Proceedings Jurnal Ilmiah Teknologi Informasi dan Robotika Jurnal Nasional Pengabdian Masyarakat International Journal of Data Science, Engineering, and Analytics (IJDASEA) Unram Journal of Community Service (UJCS) KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Jurnal Minfo Polgan (JMP) Literasi Nusantara Jurnal Sistem Informasi dan Ilmu Komputer Jurnal Informatika Polinema (JIP) Repeater: Publikasi Teknik Informatika dan Jaringan International Journal of Information Engineering and Science
Fetty Tri Anggraeny
Informatics, Faculty Of Computer Science, Universitas Pembangunan Nasional “Veteran” Jawa Timur, Surabaya 60294 Indonesia
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Physics Social Sciences Other

Published : 77 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 77 Documents
Search

 4   5   6   7   8 
Implementasi Metode Hibrida CNN-ELM Dalam Deteksi Citra Deepfake Sanjaya, Alvian Dwi; Anggraeny, Fetty Tri; Mumpuni, Retno
Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics Vol 11 No 1 (2025): Journal CERITA : Creative Education of Research in Information Technology and Ar
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/cerita.v11i1.3491

Abstract

The existence of Artificial Intelligence (AI) today has played a significant role in human life. In addition to bringing positive impacts, AI also has negative effects that can be detrimental to humans, one of which is Deepfake. Deepfake is the use of deep learning to forge someone's face in an image or video. This research introduces a hybrid method combining Convolutional Neural Network (CNN) and Extreme Learning Machine (ELM) to detect deepfake images. The goal of this research is to create image detection to verify the authenticity of an image in order to avoid deepfake. With the advantage of feature extraction from the CNN model and the efficient computational speed of the ELM model, the CNN-ELM hybrid method can accurately and efficiently train and test data. This research uses various scenarios to find the best parameter configuration. The results of this hybrid method achieved an average accuracy of 85.77% using 600 hidden neurons, RMSprop optimization, and ReLu activation function. This research also developed a simple GUI to allow free input of photos to verify their authenticity. This research can be one approach to detecting deepfake images.
Detecting Phishing URLs with CNN - Decision Tree Method Reza Aminullah; Fetty Tri Anggraeny; Fawwaz Ali Akbar
International Journal of Information Engineering and Science Vol. 2 No. 2 (2025): May : International Journal of Information Engineering and Science
Publisher : Asosiasi Riset Teknik Elektro dan Infomatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62951/ijies.v2i2.222

Abstract

This research focuses on assessing the efficacy of a method that integrates Convolutional Neural Networks (CNN) with Decision Trees for the detection of phishing URLs. Phishing represents a major cyber threat, where cybercriminals attempt to deceive individuals into disclosing sensitive information via fraudulent websites. As the frequency of phishing attacks continues to rise, there is a pressing need for effective detection and prevention strategies. In this investigation, a dataset comprising both phishing and legitimate URLs was utilized to train a CNN-Decision Tree model. The training phase includes feature extraction from URLs using CNN, which excels at identifying intricate patterns within the data, followed by classification through Decision Trees, recognized for their capacity to deliver straightforward and comprehensible interpretations of classification outcomes. The model's performance was evaluated across nine distinct scenarios to assess its effectiveness under varying conditions. The results indicated that the hybrid CNN-Decision Tree model achieved a precision rate of 94%, a recall of 90%, and an F1-Score of 92%, with an overall accuracy of 93%. These findings suggest that the model is not only proficient in identifying phishing URLs but also maintains a commendable balance between precision and recall. This research highlights that the synergy of CNN and Decision Trees can serve as a potent solution for phishing URL detection, significantly contributing to the advancement of enhanced cybersecurity systems.
Implementasi K-Fold Dalam Prediksi Hasil Produksi Agrikultur Pada Algoritma K-Nearest Neighbor (KNN) Sunarko, Victor Immanuel; Dimara, Denis Lizard Sambawo; Siagian, Pangestu Sandya Etniko; Manalu, Daniel; Anggraeny, Fetty Tri
INTEGER: Journal of Information Technology Vol 10, No 1: April 2025
Publisher : Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.integer.2024.v10i1.6892

Abstract

Sektor agrikultur khususnya pertanian di Indonesia merupakan tulang punggung perekonomian, dengan tenaga kerja pertanian mencapai 38,14 juta orang pada Februari 2023, atau 27,52% dari total tenaga kerja nasional. Meskipun memiliki potensi besar, sektor ini menghadapi tantangan signifikan, termasuk lahan terbatas, perubahan iklim, dan kelangkaan air, yang mengharuskan penerapan pertanian berkelanjutan. Penelitian ini bertujuan untuk meningkatkan efisiensi produksi pertanian melalui penerapan kecerdasan buatan (AI) dan analisis data. Metodologi yang digunakan meliputi pembagian data untuk memprediksi hasil produksi pertanian dengan algoritma k-nearest neighbour (KNN). Uji skenario dilakukan dengan pendekatan k-fold cross-validation dan hold-out data sharing. Hasil penelitian menunjukkan akurasi tertinggi sebesar 98,36% menggunakan k-fold cross-validation dan 97,42% dengan metode hold-out.Kata Kunci: KNN, K-Fold, Hold-Out, Prediksi, Agrikultur
Klasifikasi Penyakit Tanaman Tomat Menggunakan Metode Convolutional Neural Network (CNN) VGG16 Pradana, Marchel Adias; Maulana, Rafie Ishaq; Putra, Riza Satria; Subairi, Subairi; Anggraeny, Fetty Tri
KERNEL: Jurnal Riset Inovasi Bidang Informatika dan Pendidikan Informatika Vol 4, No 2 (2023)
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.kernel.2023.v4i2.6829

Abstract

Penyakit tanaman merupakan tantangan utama dalam pertanian tomat yang dapat mengurangi hasil panen dan kualitas produk, salah satu bagian tanaman yang sering menjadi target serangan adalah daun, sehingga deteksi dini penyakit tanaman menjadi sangat penting. Penelitian ini dilakukan untuk mengklasifikasikan penyakit tanaman tomat berdasarkan citra daun menggunakan model Convolutional Neural Network (CNN) dengan arsitektur VGG-16, yang dikenal karena kedalamannya dan kemampuannya dalam mengekstraksi fitur kompleks serta menangani variasi dalam data gambar. Hasil penelitian menunjukkan bahwa model mencapai akurasi pengujian sebesar 91% dan akurasi pengujian validasi 92%, menegaskan kemampuannya dalam mendeteksi berbagai penyakit tomat dengan generalisasi yang memadai. Temuan ini menunjukkan potensi teknologi deep learning dalam meningkatkan sistem deteksi penyakit tanaman, yang dapat mendukung praktik pertanian yang lebih efisien.
Deteksi Dan Klasifikasi Cacat Pada Produk Kain Dengan Metode Pengolahan Citra Digital Trianingsih, Arini; Amalia, Nadhia Rizqy; Naila, Amelia Maslaqun; Anggraeny, Fetty Tri
Jurnal Ilmiah Teknologi Informasi dan Robotika Vol. 6 No. 2 (2024): Jurnal Ilmiah Teknologi Informasi dan Robotika
Publisher : Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifti.v6i2.164

Abstract

Penelitian ini membahas tentang metode yang dapat digunakan untuk mendeteksi dan mengklasifikasi cacat pada kain menggunakan berbasis pengolahan citra digital. Tujuan dari penelitian ini adalah meningkatkan akurasi dan efisiensi deteksi cacat kain melalui pemrosesan citra yang lebih cepat dibanding dengan pengamatan manual. Dalam penelitian ini, gambar kerusakan kain diunggah dan program akan melakukan deteksi menggunakan pemrosesan gambar. Langkah pertama mengubah gambar menjadi grayscale. Selanjutnya, dilakukan penghilangan noise atau filtering, konversi biner melalui thresholding, serta mengaplikasikan operasi morfologi untuk perbaikan hasil citra. Kontur pada gambar kemudian dianalisis untuk mengidentifikasi area yang menunjukkan kerusakan pada kain, seperti kerusakan pada weft satu warp kain. Terdapat 7 jenis klasifikasi cacat yaitu hole, float, thick or thin weft, double pick, insufficient weft density, excessive weft density, dan broken weft. Klasifikasi ini dihitung berdasarkan ukuran kontur dan pengukuran tambahan lebar dan tinggi bounding box. Hasil penelitian ini menunjukkan tingkat keberhasilan deteksi cacat yang tinggi dengan klasifikasi yang akurat untuk setiap jenis kerusakan pada kain sehingga bermanfaat untuk inspeksi otomatis di industri kecil.
Pengenalan Pola Penyakit Pada Gambar Daun Tanaman Kentang Memanfaatkan Metode Convolution Neural Network Habibi, Faisal Wildan; Irawan, Nauval Maulana Rizky; Syaifulloh, Dafauzan Bilal; Aprillian, Farrel; Anggraeny, Fetty Tri
Jurnal Ilmiah Teknologi Informasi dan Robotika Vol. 6 No. 1 (2024): Jurnal Ilmiah Teknologi Informasi dan Robotika
Publisher : Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifti.v6i1.167

Abstract

Kentang (Solanum tuberosum) merupakan komoditas pertanian penting yang rentan terhadap penyakit seperti late blight dan early blight. Metode deteksi penyakit secara tradisional seringkali kurang akurat dan efisien, sehingga diperlukan teknik komputasi lanjutan. Penelitian ini mengimplementasikan Convolutional Neural Network (CNN) untuk mendeteksi penyakit daun kentang dengan klasifikasi tiga kategori: sehat, late blight, dan early blight. Menggunakan dataset PlantVillage dengan total 2152 citra, model CNN dilatih dan diuji. Proses preprocessing meliputi pengubahan ukuran citra menjadi 150 x 150 piksel dan normalisasi nilai piksel. Hasil menunjukkan akurasi model sebesar 94,88%. Metrik evaluasi seperti precision, recall, dan F1-score menunjukkan keandalan model yang tinggi. Penelitian ini menunjukkan potensi CNN dalam mengotomatisasi deteksi penyakit tanaman, sehingga dapat meningkatkan produktivitas dan mengurangi kerugian.
Pengembangan IAMFA II Sebagai Peningkatan Algoritma Filter Median Pada Aplikasi Visi Komputer Secara Real Time Pradipta, M. Najmi Arya; Firjatullah, Adika; Thariq, Muhammad Fadli Al; Sankalla, Sabda; Anggraeny, Fetty Tri
Jurnal Ilmiah Teknologi Informasi dan Robotika Vol. 6 No. 2 (2024): Jurnal Ilmiah Teknologi Informasi dan Robotika
Publisher : Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33005/jifti.v6i2.169

Abstract

Median filtering merupakan teknik yang umum digunakan dalam pengolahan citra untuk mengurangi noise, terutama noise impulsif. Namun, algoritma median tradisional sering kali memiliki waktu pemrosesan tinggi, sehingga kurang cocok untuk aplikasi real-time. Penelitian ini bertujuan mengembangkan algoritma median filter yang lebih cepat dan efisien, IAMFA-I dan IAMFA-II, untuk digunakan dalam aplikasi visi komputer real-time. Studi ini mencakup analisis kelemahan median filter tradisional, implementasi algoritma baru, serta evaluasi kinerja menggunakan metrik PSNR, SSIM, dan waktu pemrosesan CPU. Hasil menunjukkan bahwa IAMFA-II adalah algoritma tercepat, sementara DP memberikan akurasi terbaik. Temuan ini memberikan kontribusi pada pengembangan algoritma pengolahan citra yang lebih efisien dan berkualitas tinggi.
ANALISIS EFEKTIFITAS ALGORITMA MOBILENETV3-LARGE DAN EFFICIENTNET-B0 UNTUK KLASIFIKASI CITRA PENYAKIT DAUN JERUK Dianto, Alfian Rachmad; Fetty Tri Anggraeny; Hendra Maulana
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6956

Abstract

Meningkatnya konsumsi jeruk (Citrus spp.) di masyarakat menjadikan budidaya jeruk sebagai komoditas penting, namun rentan terhadap serangan penyakit yang dapat menyebabkan gagal panen. Penelitian ini bertujuan untuk mengevaluasi kinerja dan efisiensi algoritma MobileNet V3-Large dan Efficient Net-B0 dalam mengklasifikasi citra penyakit daun jeruk, baik dari data mandiri maupun data terbuka seperti Kaggle. Metode yang digunakan adalah pendekatan kuantitatif eksperimental dengan pengujian variasi hyperparameter, optimizer, dan skenario rasio data pelatihan, validasi, serta pengujian. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua arsitektur mampu melakukan klasifikasi citra secara efektif, dengan hasil terbaik diperoleh pada konfigurasi rasio data 70-20-10, optimizer RMSprop, dan learning rate 0,1 menggunakan early stopping. Konfigurasi alternatif yang juga direkomendasikan adalah rasio 60-30-10 dengan optimizer Adam dan epoch 15 atau 30. Temuan ini menunjukkan bahwa MobileNet V3-Large dan EfficientNet-B0 dapat diandalkan untuk sistem klasifikasi penyakit daun jeruk berbasis website atau aplikasi mobile, terutama pada kondisi data terbatas dan distribusi kelas yang tidak seimbang
Image Color Correction for Color Vision Deficiency Using ResNet and CycleGAN Adyani, Adelia Putri; Tri Anggraeny, Fetty; Yulia Puspaningrum, Eva
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.2506

Abstract

Color blindness is a visual impairment that limits an individual's ability to accurately perceive certain colors, particularly red, green, or blue. This condition can hinder daily tasks, especially when color identification is crucial. This study proposes a color correction system designed to enhance color perception for individuals with color vision deficiency (CVD), focusing on important visual areas within an image. The method involves converting RGB images into LMS color space, simulating types of color blindness (protanopia, deuteranopia, and tritanopia), detecting visually important regions using a saliency mask, applying color correction through a ResNet-based deep learning model, and performing a reverse transformation back to RGB using a CycleGAN. A total of 5,020 images were used for evaluation, and the proposed system achieved an average Root Mean Square (RMS) error of 0.0212. The Mean Absolute Error (MAE) ranged from 0.1541 to 0.5582 depending on the CVD type. In addition to quantitative evaluation, qualitative validation was conducted through a GUI-based user test involving 10 color blind participants. The system showed the highest effectiveness for deuteranopia with a color recognition accuracy of 71.666%, followed by tritanopia at 59.666% and protanopia at 46.500%. These results indicate that the proposed system offers significant potential in aiding individuals with CVD to better interpret color-based information, especially in visually important regions of an image. Future work may explore broader datasets and alternative deep learning architectures to further improve accuracy and adaptability.
Pengenalan Ekspresi Wajah dengan LBP dan Multi-Level CNN Septyono, Muhammad Bagas; Anggraeny, Fetty Tri; Mumpuni, Retno
Jurnal Informatika Polinema Vol. 11 No. 4 (2025): Vol. 11 No. 4 (2025)
Publisher : UPT P2M State Polytechnic of Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33795/jip.v11i4.7351

Abstract

Pengenalan ekspresi wajah menjadi salah satu komponen penting dalam sistem interaksi manusia-komputer, khususnya untuk memahami emosi pengguna. Tantangan utama dalam pengenalan ekspresi wajah meliputi variasi pencahayaan, pose wajah, oklusi, dan kemiripan antar ekspresi. Penelitian ini mengusulkan metode klasifikasi ekspresi wajah berbasis kombinasi antara ekstraksi fitur tekstur dari Local Binary Pattern (LBP) dan representasi spasial dari arsitektur Multi-Level Convolutional Neural Network (MLCNN). Dataset yang digunakan adalah FER2013 yang terdiri dari 35.887 gambar grayscale berukuran 48×48 piksel dan terbagi dalam tujuh kategori ekspresi dasar. Tahapan penelitian mencakup prapemrosesan data (deteksi wajah, augmentasi, dan normalisasi), ekstraksi fitur melalui LBP dan MLCNN, serta penggabungan fitur (feature fusion) sebelum klasifikasi. Tiga jenis koneksi fitur diuji dalam MLCNN, yaitu dari lapisan max pooling, lapisan konvolusi tengah, dan lapisan konvolusi terakhir sebelum pooling. Model dilatih menggunakan optimizer Adam, early stopping, dan penyesuaian learning rate otomatis (ReduceLROnPlateau). Hasil eksperimen menunjukkan bahwa kombinasi LBP dan MLCNN dengan koneksi tipe 1 memberikan hasil terbaik dengan akurasi pengujian sebesar 69,17%. Pendekatan ini menunjukkan peningkatan akurasi dan kestabilan terutama dalam mengenali ekspresi seperti happy dan angry. Penelitian ini menunjukkan bahwa integrasi fitur tekstur dan spasial dari berbagai level abstraksi dapat meningkatkan performa sistem pengenalan ekspresi wajah dalam kondisi dunia nyata.
Co-Authors Abdul Aziz Naufal Farizqi Abu Musa, Hammam Bara Ach.Diki Prasetyo, Ach.Diki Prasetyo Achmad Junaidi Adyani, Adelia Putri Afina Lina Nurlaili Agung Mustika Rizki Agung Mustika Rizki, Agung Mustika Agussalim Ahmad Sofian Aris S Akbar, Fawwaz Ali Akbar, Iqbal Imani Khoirul Alfiani, Fina Alibasyah, Fahmi Nugroho Alviriza Ramadhan, Muhammad Amalia, Nadhia Rizqy Anabella, Linda Happy Andreas Nugroho Sihananto Aprillian, Farrel Archamul Fajar Pratama Ariadi, Kuncoro Atmojo, Unggul Widi Ayu Puspita, Nabila Ayuningrum, Agnes Athalia Azizi, Abrar Bachtiar Riza Pratama Basuki Rahmat Basuki Rahmat Masdi Siduppa Cahyas, Jerry Ramadhani Dedin F. Rosida Dedin Finatsiyatull Rosida Dianto, Alfian Rachmad Dimara, Denis Lizard Sambawo Dimas Saputra Dita Atasa Diyasa, I Gede Susrama Mas Dyan Agustin Dzulqornain, Muhammad Rif'an Eka Fitria Wulandari Eva Yulia Puspaningrum Evi Suryaningsih Fadillah, Mochamad Nor Fahmi Anugrah Danendra Faisal Muttaqin Farkhan, Farkhan Faturrahman Rahardjo, Iqbal Raihan Firjatullah, Adika Firza Prima Aditiawan Fitriansyah, Muhammad Daffa Gideon Setya Budiwitjaksono Habibi, Faisal Wildan Hadi, I Putu Mahardika Cahyana Handono, Stevanus Frangky Handoyo Prasetyo Hartanti, Syafrida Maulina Hasby Bik, Ahmad Hasya, Astrini Hadina Hatta, Heliza Rahmania Henni Endah Wahanani Hilal, Muhammad Hsya, Astrini Hadina I Gede Susrama Masdiyasa Intan Yuniar Purbasari Intan Yuniar Purbasari Intan Yuniar Purbasari, Intan Yuniar Irawan, Nauval Maulana Rizky Julianto Dwi Putra, Rico Khairil Amin, Mohammad Khonsa Salsabila Kusuma, Nugraha Varrel M. Syahrul Munir Made Hanindia Prami Swari Mahardika Virgo Wuryantoro Manalu, Daniel Maulana, Hendra Maulana, Rafie Ishaq Meike Hardianti Merdin Risalul Abrori Mochamad Nor Fadillah Mohamad Ilham Prasetyo Raharjo Mohammad Idhom Monica Widiasri, Monica Muhammad Ahsanur Rafi Muhammad Alfin Jimly Asshiddiqie Muhammad Alfyando Muhammad Dawam Fakhri Muhammad Muharrom Al Haromainy Munir, M. Syahrul Munoto Mustika Rizki, Agung Mutoffar, Muhamad Malik Naila, Amelia Maslaqun Nashrulloh, Muhammad Atay Nadhif Novarina, Fitria Nugroho Sihananto, Andreas Nur Aini Ersanti Nurfiana Panjaitan, Tompo Pradana, Marchel Adias Pradipta, M. Najmi Arya Prastya, Ade Fathoni Pratama Wirya Atmaja Pratama Wirya Atmaja Pratama, Muhammad Lutfi Pratiwi, Nisa Purbasari, Intan Yuniar Putra, Chrystia Aji Putra, Riza Satria Radical Rakhman Rafie Ishaq Maulana Rama Andika Jorgie Rangga Widiasmara Rayhan Rizal Mahendra Retno Mumpuni Reza Aminullah Ridho Aji Pangestu Ronggo Alit Sandy Rizkyando Sanjaya, Alvian Dwi Sankalla, Sabda Saputra, Rendi Cahya Satria, Ramadhan Dani Satria, Vinza Hedi Septyono, Muhammad Bagas Setianto, Christian Wahyu Shalehuddin Albawani, Raden Sholihuddin, Muhammad Thoriq Siagian, Pangestu Sandya Etniko Singgih Putra Pratama Singgih Putra Pratama Sri Kuswayati Subairi Subairi Sugiarto Sukandar, Ivan Christopher Sulthan Ahmad Sunarko, Victor Immanuel Supangkat, Dwiki Aditama Suryaningsih, Evi Syahrul Munir Syaifulloh, Dafauzan Bilal Tarsinah Sumarni Taufiqqurrahman, Husain Thariq, Muhammad Fadli Al Titin Sumarni Trianingsih, Arini Vita Via, Yisti Wahyu S.J. Saputra Wardhani, Adil Sandy Yisti Vita Via Yisti Vita Via Yuniar Purbasari, Intan Zainal Abidin Achmad