Article Per Year (5 Year)
p-Index From 2021 - 2026
4.894
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer Sinkron : Jurnal dan Penelitian Teknik Informatika Bina Insani ICT Journal Jurnal Pilar Nusa Mandiri INOVTEK Polbeng - Seri Informatika Antivirus : Jurnal Ilmiah Teknik Informatika JATI (Jurnal Mahasiswa Teknik Informatika) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Jurnal Infortech Jurnal Inovasi Informatika Reputasi: Jurnal Rekayasa Perangkat Lunak JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Minfo Polgan (JMP) Buletin Sistem Informasi dan Teknologi Islam Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Journal of Artificial Intelligence and Digital Business SATIN - Sains dan Teknologi Informasi Jurnal Ticom: Technology of Information and Communication Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK) Blueprint Journal Jurnal Infortech
Ghofar Taufiq
Universitas Bina Sarana Informatika
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics Mechanical Engineering Social Sciences Other

Published : 43 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 43 Documents
Search

 1   2   3   4   5 
Penerapan  Naïve Bayes Berbasis SMOTE Dan Decision Tree Untuk Analisis Sentimen Timnas Indonesia Ghudzamir 'Ammar Ibrahim Pasaribu; Ghofar Taufik; Giatika Chrisnawati; Indarti; Dewi Laraswati; Dinda Ayu Muthia
Jurnal Infortech Vol. 7 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/infortech.v7i2.11570

Abstract

Penelitian ini bertujuan menganalisis persepsi publik terhadap kinerja Tim Nasional Indonesia pada masa kepelatihan Patrick Kluivert melalui analisis sentimen komentar penggemar di Instagram. Media sosial dipilih karena menjadi wadah utama bagi penggemar untuk menyampaikan opini dan dukungan secara langsung. Sebanyak 300 komentar dikumpulkan dari akun resmi Timnas Indonesia menggunakan teknik data scraping. Data tersebut kemudian melalui proses pembersihan dan pelabelan sebelum dianalisis. Untuk menyeimbangkan distribusi data, digunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Klasifikasi sentimen dilakukan dengan membandingkan dua algoritma machine learning, yaitu Naïve Bayes dan Decision Tree, guna menilai kinerja masing-masing dalam mengenali sentimen positif maupun negatif. Hasil penelitian menunjukkan bahwa model Decision Tree memiliki performa lebih baik, khususnya dengan nilai recall tinggi pada kelas positif, yang menunjukkan kemampuannya dalam mendeteksi sentimen positif secara akurat. Meskipun demikian, model ini masih lemah dalam mengidentifikasi sentimen negatif. Secara keseluruhan, temuan ini menggambarkan antusiasme dan kecintaan besar penggemar terhadap Timnas Indonesia, terlepas dari hasil pertandingan yang diperoleh.
MODEL SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK PADA BANK X DENGAN SIMPLE ADDITIVE WEIGHTING Suharjanti Suharjanti; Ghofar Taufik; Ahmad Zarkasi; Melan Susanti
Reputasi: Jurnal Rekayasa Perangkat Lunak Vol. 2 No. 2 (2021): November 2021
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/reputasi.v2i2.568

Abstract

Untuk sistem pendukung keputusan, model menggunakan metode simple additive weighting (SAW). Dalam melakukan evaluasi terhadap pegawai terbaik Bank X akan dilakukan beberapa evaluasi berdasarkan kriteria yang digunakan sebagai bahan evaluasi. Dalam evaluasi ini, karyawan dibandingkan satu sama lain untuk memberikan nilai output yang valid antara setiap karyawan. Oleh karena itu, para pengelola Bank X dapat menggunakannya sebagai alat pengambilan keputusan yang efektif dan efisien, serta dapat membantu para pengelola Bank X untuk menentukan pemilihan pegawai terbaik melalui evaluasi. Hasil dari penelitian ini adalah suatu model sistem pendukung keputusan yang memilih pegawai terbaik melalui metode simple additive weighting (SAW) yang memberikan informasi dengan cara mengevaluasi pegawai terbaik. Memilih karyawan terbaik di sebuah perusahaan memang tidak mudah. Karena karyawan merupakan salah satu aset penting perusahaan, maka harus ada kriteria yang dijadikan parameter evaluasi dalam pemilihan karyawan terbaik. Bank X memiliki beberapa kriteria penilaian pegawai terbaik yaitu penampilan, kehandalan, rasa tanggung jawab, wawasan dan empati terhadap produk Bank X.
Penerapan Algoritma Random Forest Dalam Memprediksi Harga Properti di Jakarta Selatan Berdasarkan Karakteristik Fisik dan Lokasi Safa Emilita; Putri Sri Rahayu; Sekar Rania Larasati; Ghofar Taufiq; Jefina Tri Kumalasari
Jurnal Minfo Polgan Vol. 14 No. 2 (2025): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v14i2.15735

Abstract

Penelitian ini bertujuan untuk melakukan prediksi harga properti di wilayah Jakarta Selatan dengan memanfaatkan algoritma Random Forest. Dataset yang digunakan mencakup 1.003 data dengan variabel seperti harga, luas tanah (LT), luas bangunan (LB), jumlah kamar tidur (JKT), jumlah kamar mandi (JKM), keberadaan garasi (GRS), serta lokasi (KOTA). Hasil analisis menunjukkan bahwa algoritma Random Forest mampu memberikan prediksi harga properti dengan tingkat akurasi yang tinggi, di mana luas tanah dan luas bangunan menjadi faktor yang paling berpengaruh terhadap hasil prediksi.Temuan ini dapat menjadi referensi bagi pengembang, agen properti, maupun calon pembeli dalam memperkirakan nilai pasar properti di Jakarta Selatan secara lebih objektif dan data-driven .
Klasifikasi Spesies Burung Dengan Ciri Morfologi Serupa Akibat Evolusi Konvergen Menggunakan CNN Nino Andera; Ghofar Taufik; Giatika Chrisnawati
Jurnal Ticom: Technology of Information and Communication Vol 14 No 2 (2026): Jurnal Ticom-Januari 2026
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v14i2.178

Abstract

Kemiripan morfologi pada spesies burung akibat evolusi konvergen menjadi tantangan dalam klasifikasi otomatis berbasis citra. Penelitian ini bertujuan untuk mengembangkan dan menganalisis kinerja model Convolutional Neural Network (CNN) dalam membedakan spesies burung yang memiliki ciri visual serupa. CNN digunakan karena kemampuannya dalam mengekstraksi fitur citra secara efisien, bahkan pada spesies dengan perbedaan morfologi yang tipis. Evaluasi dilakukan terhadap empat spesies burung melalui pengujian utama, serta dua kelompok pasangan burung dengan kemiripan morfologi tinggi, yaitu Icterus graduacauda & Oriolus larvatus, serta Sturnella magna & Macronyx croceus. Pengujian utama menunjukkan akurasi sebesar 78%, sedangkan pada dua pasangan spesies serupa, akurasi meningkat masing-masing menjadi 80,42% dan 85%, dengan F1-score yang stabil di kisaran 80–85%. Hasil ini menunjukkan bahwa model CNN mampu membedakan spesies burung yang serupa secara visual meskipun terdapat variasi latar belakang dan posisi objek dalam dataset. Kesimpulan dari penelitian ini mengindikasikan bahwa pendekatan CNN efektif digunakan dalam klasifikasi spesies burung dengan morfologi serupa akibat evolusi konvergen, serta memiliki potensi untuk diterapkan dalam bidang konservasi, pemantauan keanekaragaman hayati, dan sistem identifikasi spesies otomatis berbasis citra.
ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Faiz Najwan Zaky; Muhamad Rendi Gibran; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

Abstract

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.
CLASSIFICATION OF MANGO RIPENESS LEVELS BASED ON DIGITAL IMAGES USING YOLOV8 Sopyan; Fransiscus Andre Suwarno; Rasya Abel Putra Gumulija; Sumanto; Ghofar Taufiq; Jefina Tri Kumalasari
Antivirus : Jurnal Ilmiah Teknik Informatika Vol 20 No 1 (2026): Mei 2026
Publisher : Universitas Islam Balitar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35457/4k5j3338

Abstract

Penilaian konvensional terhadap tingkat kematangan buah mangga umumnya didasarkan pada observasi visual. Pendekatan manual ini memiliki keterbatasan karena sangat bergantung pada pengalaman individu serta faktor lingkungan, menjadikannya rentan terhadap inefisiensi dan ketidakakuratan pada operasi skala besar. Untuk mengatasi hal ini, kami mengusulkan solusi otomatis berbasis deep learning melalui implementasi YOLOv8 (You Only Look Once versi 8) untuk klasifikasi kematangan buah mangga. Kami menggunakan dataset yang mencakup 2.328 citra dari Roboflow Universe, yang dikelompokkan menjadi tiga status: mentah, terlalu matang, dan matang. Model dilatih selama 50 epoch dengan resolusi 640 X 640 piksel. Hasil evaluasi menggunakan metrik Precision, Recall, mAP, dan Confusion Matrix menunjukkan kinerja yang superior. Model mencapai mAP50 sebesar 0,84497, mAP50–95 sebesar 0,86308, dan akurasi total 92,13%. Temuan ini mengindikasikan bahwa YOLOv8 merupakan metode deteksi dan klasifikasi yang stabil, cepat, dan efektif untuk pengenalan kematangan buah, sangat mendukung implementasi Smart Farming 4.0.
DETEKSI KERUSAKAN JALAN MENGGUNAKAN CONVOLUTIONNAL NEURAL NETWORK (CNN) Muhammad Haikal Abidin; Iman Febriansya Putra; Sumanto Sumanto; Ade Christian; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1145

Abstract

Road surface damage is a critical issue that can impact road user safety, transportation efficiency, and infrastructure maintenance costs. Manual road inspection methods are still widely used, but they suffer from subjective assessments that can result in inconsistent data. Therefore, an automated approach using artificial intelligence technology is needed to improve the accuracy and efficiency of road damage detection. This research aims to develop a road damage detection system using a deep learning approach based on Convolutional Neural Networks (CNN). The detection model was trained using an annotated road image dataset covering various types of road surface damage. The training and evaluation processes were conducted using an object detection architecture that included mean average precision (mAP), precision, and recall. Test results show that the CNN model can automatically detect road damage with fairly good performance. However, system performance is still affected by the limited dataset size, class imbalance, and variations in environmental conditions. The developed system has the potential to be a decision-support tool for more effective and data-driven road infrastructure maintenance.Kerusakan permukaan jalan merupakan masalah penting yang dapat memengaruhi keselamatan pengguna jalan, efisiensi transportasi, dan biaya pemeliharaan infratruktur. Metode inspeksi jalan secara manual masih banyak dipakai, memiliki kelemahan adanya subjektivitas penilaian, yang dapat menghasilkan data yang tidak konsisten. Oleh karena itu, dibutuhkan pendekatan otomatis menggunakan teknologi kecerdasan buatan untuk meningkatkan akurasi dan efisiensi deteksi kerusakan jalan. Penelitian ini bertujuan mengembangkan sistem deteksi kerusakan jalan dengan pendekatan deep learning berbasis Convolutional Neural Network (CNN). Model deteksi dilatih menggunakan dataset citra jalan yang mencakup berbagai jenis kerusakan permukaan jalan. Proses pelatihan dan evaluasi dilakukan dengan arsitektur deteksi objek seperti mean average precision (mAP), precision, dan recall. Hasil pengujian menunjukan bahwa model CNN dapat mendeteksi kerusakan jalan secara otomatis dengan kinerja yang cukup baik. Namun, performa sistem masih dipengaruhi oleh keterbatasan jumlah dataset, ketidakseimbangan kelas, dan variasi kondisi lingkungan. Sistem yang dikembangkan berpotensi menjadi alat pendukung pengambilan keputusan untuk pemeliharaan infrastruktur jalan yang lebih efektif dan berbasis data
KLASIFIKASI KEMATANGAN BUAH TOMAT BERBASIS CNN DENGAN ARSITEKTUR MOBILENETV2 DAN TRANSFER LEARNING Mochamad Fathur Milzam; Ahmad Syukri Gozali; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1113

Abstract

Classifying tomato ripeness is a crucial aspect of post-harvest processing and agricultural distribution. Manual ripeness determination is subjective and potentially inconsistencies. This study aims to classify tomato ripeness using a deep learning approach based on a Convolutional Neural Network (CNN) with the MobileNetV2 architecture and transfer learning techniques. The dataset, consisting of tomato images, was classified into three classes: unripe, ripe, and overripe. Preprocessing included image resizing and normalization before model training. The MobileNetV2 model was used as a feature extractor, while a fully connected layer was applied for classification. Test results showed that the model was able to classify tomato ripeness with good performance based on classification evaluation metrics. Overall, the proposed approach shows good potential for RGB image-based tomato ripeness classification.Klasifikasi tingkat kematangan buah tomat merupakan aspek penting dalam proses pascapanen dan distribusi hasil pertanian. Penentuan kematangan secara manual masih bersifat subjektif dan berpotensi menimbulkan ketidakkonsistenan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kematangan buah tomat menggunakan pendekatan deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan teknik transfer learning. Dataset berupa citra buah tomat diklasifikasikan ke dalam tiga kelas, yaitu tidak matang, matang, dan terlalu matang. Tahapan preprocessing meliputi proses resizing dan normalisasi citra sebelum dilakukan pelatihan model. Model MobileNetV2 digunakan sebagai feature extractor, sedangkan lapisan fully connected diterapkan untuk proses klasifikasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan tingkat kematangan buah tomat dengan performa yang baik berdasarkan metrik evaluasi klasifikasi. Secara keseluruhan, pendekatan yang diusulkan menunjukkan potensi yang baik untuk klasifikasi tingkat kematangan buah tomat berbasis citra RGB
IDENTIFIKASI JENIS TANAMAN OBAT BERDASARKAN BENTUK DAUN MENGGUNAKAN CNN Meydina Aulia Savitri; Trisna Andhika Saputra; Aziz Bayu Permata; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1160

Abstract

Indonesia is one of the countries with the greatest biodiversity in the world, including a wealth of medicinal plants and herbal medicines. Despite the vast potential of herbal medicinal plants, the general public still often struggles to identify and differentiate between them. This difficulty is primarily due to limited knowledge of morphological characteristics, which can lead to misidentification and the potential consumption of poisonous plants. Advances in Artificial Intelligence (AI), particularly Convolutional Neural Networks (CNN), have opened up new opportunities for identifying medicinal plant leaf images. This study aims to apply CNNs to identify medicinal plant species based on leaf shape. This study utilized the EfficientNetV2B0 architecture, known for its superior parameter efficiency and high accuracy. This model demonstrated a validation and testing accuracy of 98%. The result of this research is a mobile application that can assist the general public in identifying medicinal plants in their environment. With this application, it is hoped that the public will more easily learn the types of herbal medicinal plants, their benefits, and how to process them. This is also expected to minimize the risk of misidentification, which can negatively impact health.Indonesia merupakan salah satu negara dengan keanekaragaman hayati terbesar di dunia, termasuk kekayaan tanaman obat dan jamu. Meskipun potensi tanaman obat herbal sangat besar, masyarakat umum masih sering mengalami kesulitan dalam mengenali dan membedakan jenis-jenis tanaman obat herbal. Kesulitan ini terutama disebabkan oleh keterbatasan pengetahuan masyarakat dalam mengenali ciri-ciri morfologi, yang dapat menyebabkan risiko kesalahan identifikasi dan potensi mengkonsumsi tanaman yang beracun. Perkembangan teknologi kecerdasan buatan (AI), khususnya Convolutional Neural Network (CNN), telah membuka peluang baru dalam melakukan identifikasi citra daun tanaman obat. Penelitian ini bertujuan menerapkan algoritma CNN untuk melakukan identifikasi jenis tanaman obat berdasarkan bentuk daun. Penelitian ini menggunakan arsitektur EfficientNetV2B0, yang dikenal unggul dalam efisiensi parameter dan memiliki akurasi tinggi. Model ini menunjukkan akurasi validasi dan pengujian sebesar 98%. Hasil dari penelitian ini adalah sebuah aplikasi mobile yang mampu membantu masyarakat awam dalam mengidentifikasi tanaman obat yang ada di sekitar lingkungannya. Dengan adanya aplikasi ini, diharapkan masyarakat dapat lebih mudah mengetahui jenis-jenis tanaman obat herbal beserta manfaat dan cara pengolahannya. Hal ini juga diharapkan dapat meminimalkan risiko kesalahan identifikasi yang dapat berdampak negatif terhadap kesehatan.
PENERAPAN MACHINE LEARNING UNTUK ANALISIS PREDIKSI HARGA RUMAH MENGGUNAKAN ALGORITMA REGRESI LINIER DAN RANDOM FOREST Muhamad Fadli Fadhlullah; Zayyan Nauval Araf; Sumanto Sumanto; Jefina Tri Kumalasari; Ghofar Taufiq; Ade Christian
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 2 (2026): JEIS EDISI JULI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no2.1125

Abstract

Accurate house price prediction is crucial for property buyers, sellers, investors, and developers in making decisions. This study aims to compare the performance of Linear Regression and Random Forest algorithms in predicting house prices in East Jakarta. The dataset used was taken from the rumah123.com website, and after cleaning, there were 180 unique data points. The modelling process was carried out using the Orange application, where 80% of the data was used to train the model and 20% to test it. To assess model performance, several metrics were used, such as Mean Squared Error, Root Mean Squared Error, Mean Absolute Error, Mean Absolute Percentage Error, and the coefficient of determination. The test results showed that the Linear Regression model provided more accurate predictions than Random Forest, as evidenced by lower RMSE, MAE, and MAPE values, as well as an R² value of 0.997. This indicates that the relationship between property features and house prices in this dataset tends to be linear. However, the Random Forest model also performed well, with an R² value of 0.996, so it can still be used for datasets with more complex characteristics.Prediksi harga rumah yang tepat sangat penting untuk para pembeli, penjual, investor, dan pengembang properti dalam membuat keputusan. Penelitian ini bertujuan untuk membandingkan seberapa baik algoritma Regresi Linier dan Random Forest dalam memprediksi harga rumah di Jakarta Timur. Dataset yang digunakan diambil dari situs rumah123.com dan setelah dibersihkan, terdapat 180 data yang unik. Proses pemodelan dilakukan dengan menggunakan aplikasi Orange, di mana 80% data digunakan untuk melatih model dan 20% untuk mengujinya. Untuk menilai kinerja model, digunakan beberapa metrik seperti Mean Squared Error, Root Mean Squared Error (RSME), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil dari pengujian menunjukkan bahwa model Regresi Linier memberikan prediksi yang lebih akurat dibandingkan dengan Random Forest, hal ini terlihat dari nilai RMSE, MAE, dan MAPE yang lebih rendah serta nilai R² sebesar 0,997. Ini menunjukkan bahwa hubungan antara fitur-fitur properti dan harga rumah di dataset ini cenderung linier. Namun, model Random Forest juga menunjukkan hasil yang baik dengan nilai R² sebesar 0,996, jadi masih tetap bisa digunakan untuk dataset yang memiliki karakteristik lebih rumit
Co-Authors Ade Christian Ade Christian Ade Christian Adjat Sudradjat Adriansyah, Mohammad Agus Salim Ahmad Syukri Gozali Ahmad Zarkasi Alamsyah, Muhammad Arkan Ali, Muhamad Hafis Amir Amir Ardiyansyah, Rizqi Arief Rusman Asfani, Asfani Aziz Bayu Permata Baginda Oloan Lubis Banu Dwi Hanggoro, Dimas Budi Santoso Budi Santoso Budi Waluyo Chitantri Septiana Rachman Chrisnawati, Giantika Dewi Laraswati Dinda Ayu Muthia Dona Jatmika Dony Oscar Faiz Najwan Zaky Fauzan, Muhammad Indra Febrian, Zico Firstianty Wahyuhening Fibriany Fransiscus Andre Suwarno Ghazi, Akhmad Nur Ghudzamir 'Ammar Ibrahim Pasaribu Giatika Chrisnawati Iman Febriansya Putra Indarti Indarti Indarti Ishak Komarudin Ispandi Ispandi, Ispandi Jefina Tri Kumalasari Jefina Tri Kumalasari Jefina Tri Kumalasari Khultsum, Umi Kumalasari Kumalasari Lestari, Julia Ananda Marni Berek, Maria Susey Melan Susanti Meydina Aulia Savitri Mochamad Fathur Milzam Mochammad Dayke Xavier Lumankun Muhamad Fadli Fadhlullah Muhamad Rendi Gibran Muhammad Haikal Abidin Muhammad Hilman Fakhriza Nino Andera Nur Alam Nur Kholifah, Desiana Nurhotimah, Ica Priyono Priyono Putri Sri Rahayu Rahmat Tri Yunandar Ramadhania Hendharti Rasya Abel Putra Gumulija Rivaldi, Muhammad Rofiqi, Ainur Rosadi Rosadi Safa Emilita Santiyana Yulia Sekar Rania Larasati Sentanu, Quinn Abrar Athallah Sianturi, Julius Immanuel Sopyan Suhar Janti Suharjanti Suharjanti Sulaiman Sulaiman Sumanto Sumanto Sumanto Sumanto Sumanto Sumanto Sumanto Sutisna, Alifan Widad Trisna Andhika Saputra Utami, Elta Tri Yamani, Teuku Arrasy Yopi Handrianto, Yopi Zayyan Nauval Araf