Article Per Year (5 Year)
p-Index From 2021 - 2026
2.407
P-Index
This Author published in this journals
All Journal Kubik Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JRSI (Jurnal Rekayasa Sistem dan Industri) JURNAL MEDIA INFORMATIKA BUDIDARMA Journal of Computer System and Informatics (JoSYC) KUBIK: Jurnal Publikasi Ilmiah Matematika Charity : Jurnal Pengabdian Masyarakat eProceedings of Engineering
Aniq Atiqi Rohmawati
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Social Sciences

Published : 88 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 88 Documents
Search

 5   6   7   8   9 
Ukuran Risiko Model Vector Autoregressive Pada Harga Saham Fitriaini Amalia; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Investasi merupakan alternatif yang dilakukan dalam meningkatkan aset di masa mendatang. Salah satu financial asset yang banyak diminati adalah investasi dalam bentuk saham. Investasi di pasar modal juga bertujuan untuk memperoleh return yang lebih besar daripada alternatif investasi dengan risiko tertentu. Oleh karena itu, perlu dilakukan analisis terhadap risiko yang mungkin terjadi dengan menghitung ukuran risiko. Salah satu metode untuk mengukur risiko adalah Value-at-Risk (VaR). Variabel nilai saham yang digunakan adalah Return on Asset (ROA), Debt to Equity Ratio (DER), dan Earning Per Share (EPS), terhadap harga saham. Selain itu, nilai-nilai saham dapat dimodelkan dengan Vector Autoregressive (VAR), sehingga pada Tugas Akhir ini, dilakukan penentuan VaR dengan melibatkan model VAR. Kata Kunci: Harga Saham, VAR, VaR. Abstract Investment is an alternative that is carried out in increasing assets in the future. One of the most sought after financial assets is investment in shares. Investment in the capital market also aims to obtain greater returns than alternative investments with certain risks. Therefore, an analysis of the risks that may occur by calculating the risk measure is necessary. One method for measuring risk is Value-at-Risk (VaR). The stock value variables used are Return on Assets (ROA), Debt to Equity Ratio (DER), and Earning Per Share (EPS), to stock prices. In addition, stock values can be modeled with Vector Autoregressive (VAR), so that in this Final Project, VaR is determined by involving the VAR model. Keywords: Stock Price, VAR, VaR.
Analisis Ukuran Risiko Expected Shortfall Pada Indeks Pasar Saham Reima Agustina Kusumawardani; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pengukuran risiko penting untuk dilakukan, terutama dalam dunia investasi yang berkaitan dengan jumlah dana yang besar. Salah satu ukuran risiko dalam manajemen keuangan adalah Expected Shortfall (ES). ES adalah nilai ekspektasi dari return jika return tersebut melampaui batas return maksimum (Value-at-Risk). VaR merupakan kerugian (return negatif) maksimum yang mungkin terjadi selama periode waktu dan tingkat kepercayaan tertentu. Pada tingkat kepercayaan 𝟗𝟎%, akan dicari nilai return terkecil yaitu 𝑽𝒂𝑹. Sehingga peluang munculnya nilai return kurang dari 𝑽𝒂𝑹 adalah 𝟎,𝟏. VaR tidak memperhatikan setiap kerugian yang ada dibawahnya. ES merupakan solusi untuk menyelesaikan masalahan tersebut. Hasil perhitungan menyatakan bahwa dari beberapa tingkat kepercayaan, terdapat return negatif yang lebih kecil dari VaR dan ES terbukti dapat mengatasinya. Hasil penelitian dari perhitungan ES empiris dan ES teoris menyatakan bahwa selisih error kedua perhitungan tidak jauh berbeda. Penelitian ini menghitung VaR dengan memodifikasi metode Historical Simulation dan melakukan analisis perhitungan risiko ES dengan melibatkan fungsi distribusi dari peubah acak atau observasi. Pada perhitungan ES dilibatkan nilai VaR, tingkat kepercayaan dan jumlah observasi. Data yang akan digunakan dalam Tugas Akhir ini adalah data return mingguan dari indeks saham JKSE. Kata kunci : expected shortfall, value at risk, risiko, return, historical simulation, fungsi distribusi Abstract Risk measurement is important to do, especially in the world of investment relating to large amounts of funds. One of risk measure in financial management is Expected Shortfall (ES). ES is the expected value of return if the return exceeds the maximum return limit (Value-at-Risk). VaR is the maximum loss (negative return) that may occur over a period of time and a certain of confidence level. At a 90% confidence level, the smallest return value, called VaR. So the probability of the return value less than VaR is 0.1. VaR does not give information to any losses below it. ES is a solution to solve this problem. The calculation results state that from several levels of confident, there is a negative return that is smaller than VaR and ES is proven to be able to overcome it. The results of the empirical and theorists ES calculation declare that the error deviation between the two calculations is not much different. This study calculates VaR by modifying the Historical Simulation method and analyzing ES risk calculations by involving the distribution function of random variables or observations. The ES calculation involves the VaR value, confidence level and number of observations. The data that will be used in this Final Project is the weekly return data from the JKSE stock index. Keywords: expected shortfall, value at risk, risiko, return, historical simulation, distribution function
Prediksi Pergerakan Harga Saham Dengan Metode Random Forest Menggunakan Trend Deterministic Data Preparation ( Studi Kasus Saham Perusahaan Pt Astra International Tbk, Pt Garuda Indonesia Tbk, Dan Pt Indosat Tbk ) Agri Pratomo; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Saham adalah satuan nilai atau surat berharga dalam berbagai instrument finansial yang mengacu pada bagian kepemilikan sebuah perusahaan. Penelitian ini memprediksi pergerakan saham pada tiga perusahaan PT Astra International Tbk, PT Garuda Indonesia Tbk, dan PT Indosat Tbk berdasarkan 10 indikator parameter teknis dan Trend Deterministic Data Preparation dengan metode Random Forest. Selain itu penelitian ini menggunakan dua pendekatan sebagai inputan model, pendekatan pertama untuk inputan data diperoleh dari perhitungan sepuluh indikator parameter teknik menggunakan data perdagaan (Harga Pembukaan, Harga Tertinggi, Harga Terendah, dan Harga Penutup) sedangkan pendekatan kedua fokus pada menyatakan hasil perhitungan menggunakan sepuluh indikator parameter teknik menjadi Data Trend Deterministic. Data Yang digunakan pada penelitian ini adalah data historis dari setiap perusahaan dari tahun 2011 sampai 2017. Hasil yang didapat pada penelitian ini adalah nilai akurasi pada prediksi menggunakan metode Random Forest dengan inputan nilai Data Non Deterministic Trend dan nilai Data Deterministic Trend. Dari hasil percobaan didapat akurasi prediksi dari setiap perusahaan yaitu PT Astra International Tbk, PT Garuda Indonesia Tbk dan PT Indosat Tbk dengan menggunakan data Trend Deterministic yaitu 59,50%, 61,40% dan 59,44%. Sedangkan akurasi menggunakan data Non Trend Deterministic yaitu 75,27%, 75,76% , dan 75,10%. Kata kunci : Prediksi, Random Forest, Saham, Data Deterministic Trend. Abstract A stock is a unit of value or securities in various financial instruments in the ownership section of a company. This study predicts stock movements in three companies there is PT Astra International Tbk, PT Garuda Indonesia Tbk, and PT Indosat Tbk based on 10 technical parameter indicators and Trend Deterministic Data Preparation using the Random Forest method. In addition, this study uses two approaches as input models, the first approach for data input is obtained from the calculation of ten technical parameter indicators using trading data (open, high, low, and close prices) while the second approach focuses on stating the calculation results using ten technical parameter indicators become to Trend Deterministic Data. The data used in this study are historical data from each company from 2011 to 2017. The results obtained in this study are the value of accuracy in predictions using the Random Forest method with input values of Non Trend Deterministic Value and Deterministic Trend value. From the results of the experiment, the prediction accuracy of each company is obtained from PT Astra International Tbk, PT Garuda Indonesia Tbk and PT Indosat Tbk by using Trend Deterministic Data is 59.50%, 61.40% and 59.44%. While the accuracy of using Non Trend Deterministic Data is 75.27%, 75.76%, and 75.10%. Keywords: Kata kunci : Prediction, Random Forest, Stock, Trend deterministic
Penentuan Keputusan Perdagangan Saham Dengan Menggunakan Gabungan Metode Computational Efficient Functional Link Artificial Neural Network Dan Extreme Learning Machine Bambang Eko Supriyadi; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam tugas akhir ini alat pendukung keputusan perdagangan menggunakan computational efficient functional link artificial neural network (CEFLANN) dengan extreme learning machine (ELM) dan seperangkat aturan diusulkan untuk membangkitkan keputusan perdagangan yang lebih baik. Disini masalah prediksi keputusan perdagangan saham diartikulasikan sebagai masalah klasifikasi dengan tiga nilai kelas yaitu sinyal beli, tahan dan jual. Jaringan CEFLANN dengan ELM digunakan sebagai alat bantu keputusan perdagangan dengan menghasilkan sinyal perdagangan dari nilai 0 sampai 1 dengan menganalisa hubungan non linier antara beberapa indikator teknis yang biasa digunakan. Selanjutnya keluaran sinyal perdagangan digunakan untuk melihat tren dan menghasilkan keputusan perdagangan berdasarkan tren menggunakan beberapa aturan perdagangan. Pendekatan yang digunakan untuk menghitung keuntungan dari titik keputusan perdagangan saham melewati machine learning CEFLANN dengan ELM dan aturan analisis. Kata Kunci: CEFlANN, FEB, ELM, prediksi, profit Abstract In this thesis a trading support decision using computational efficient functional link artificial neural network (CEFLANN) with extreme learning machine (ELM) and set of rules proposed to generate better the trading decision. Here the problem of stock trading decision prediction is articulated as a classification problem with three class values representing the buy, hold and sell signals. CEFLANN with ELM networks used as decision support system to produce trading signal value from 0 to 1 by analysing the nonlinear relationship between few popular technical indicators. Further the output trading signal are used to track tren and produce trading decision based on trend using some trading rules. The approach has used to calculate profit from trading decision point through CEFLANN with ELM machine learning and analysis rules. Keywords: CEFLANN, FEB, ELM, prediction, profit
Pengaruh Teknik Clustering Harga Saham Dalam Manajemen Portofolio Mailia Putri Utamil; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Manajemen portofolio merupakan proses yang dilakukan investor untuk mengukur pengurangan risiko dengan diversifikasi investasi dalam bentuk portofolio. Investor yang hendak menanamkan saham dalam bentuk format portofolio perlu mencari mana saja saham yang dapat memberikan risiko paling minimal dengan tingkat return tertentu. Model formal untuk menciptakan portofolio yang memberikan risiko minimal dengan return tertentu, dikembangkan oleh Harry Markowitz (1952), namun pada model Makowitz sering kali tidak terdiversifikasi secara baik, agar pemilihan saham terdiversifikasi dengan baik, maka ditambahkan teknik clustering. Saham yang terpilih merupakan hasil dari proses penerapan teknik clustering. Disini menerapkan metode K-means clustering dan Fuzzy C-means clustering. Untuk setiap saham dikelompokan berdasarkan kriteria yang sama. Dari setiap cluster (kelompok), dipilih satu yang terbaik menurut kriteria berdasarkan return mingguan yang paling maksimum. Lalu dilakukan perhitungan untuk menentukan tingkat return dan tingkat resiko dari setiap clusternya, dengan bantuan model mean variance portofolio. Proses ini disimulasikan, agar mudah dalam mendapatkan portofolio dengan risiko terendah pada return yang ditentukan dan untuk mengetahui kinerja dari setiap portofolio yang terbentuk, agar dapat membantu investor untuk memilih saham investasi yang menguntungkan. Kata Kunci: Manajemen Portofolio, Clustering, Model Markowitz, K-means, Fuzzy C-means, Mean Variance Abstract Portfolio management is a process carried out by investors to measure risk reduction by diversifying investments in the form of portfolio. Investors who want to invest in the form of a portfolio format need to find out which stocks can provide the least risk with a certain level of return. The formal model for creating portfolios that provide minimal risk with certain returns, was developed by Harry Markowitz (1952), but in the Makowitz model it is often not well diversified, so that stock selection is well diversified, clustering techniques are added. The selected shares are the result of the process of applying clustering techniques. Here apply the K-means clustering and Fuzzy C-means clustering method. For each share grouped according to the same criteria. From each cluster (group), the best one was chosen according to the criteria based on the maximum weekly return. Then do a calculation to determine the level of return and the level of risk of each cluster, with the help of the mean variance portfolio model. This process is simulated, so that it is easy to get the portfolio with the lowest risk on the specified return and to know the performance of each portfolio that is penetrated, so it can help investors to choose profitable investment stocks. Keywords: Portofolio Management, Clustering. Markowitz Model, K-means, Fuzzy C-means, Mean Variance
Reduksi Dimensi pada Optimasi Portofolio Mean-Variance Menggunakan Non-Negative Principal Component Analysis Elvina Oktavia; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Optimasi portofolio mean variance merupakan suatu metode dasar untuk menentukan alokasi investasi yang optimal ke berbagai saham. Implementasi metode reduksi dimensi Non-negative Principal Component Analysis sebagai alat pra-pemrosesan pada optimasi portofolio mean-variance, menghasilkan expected return sebesar 0,107% dan variance 0,020%, lebih baik dibanding menggunakan metode reduksi dimensi Principal Component Analysis yang menghasilkan expected return 0,103% dan variance 0,019% dan optimasi portofolio tanpa reduksi dimensi yang menghasilkan expected return 0,095% dan variance 0,010%.
Sistem Klasifikasi Kualitas Kayu Jati Berdasarkan Jenis Tekstur Dengan Jaringan Syaraf Tiruan Menggunakan Gray-level-co-occurence Matrix Muhammad Irfan Fathurrahman; Jondri Jondri; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kayu jati memiliki karakteristik akan kekuatan yang dimilikinya dalam ketahanan berbagaiperubahan cuaca. Kayu jenis ini banyak dimanfaatkan dalam keperluan rumah tangga atau kebutuhanperindustrian lainnya. Selain itu memiliki karakter tekstur dan serat yang menjadi ciri khas tersendiri.Secara kasat mata mungkin akan sulit membedakan jenis kualitas kayu jati ini. Citra kayu dapatdibedakan dengan jenis tekstur serat. Identifikasi ini dapat dilakukan dengan proses analisis citra kayu,pemrosesan citra, identifikasi ciri, dan kemudian pengklasifikasian. Identifikasi ciri ini menggunakanGray-level-co-occurrence(GLCM) kemudian melakukan klasifikasi degan jaringan syaraf tiruan. Metodeini digunakan untuk membantu sistem melakukan pengenalan pola tekstur serat melalui nilai kontras,korelasi, homogenitas dan energy. Keluaran yang dihasilkan memiliki akurasi sebesar 98,3%. Dari 60data yang diujikan pada sistem hanya terdapat 2 kesalahan antara data asli dan data hasil pengujian. Kata kunci: Identifikasi kualitas kayu jati, Gray Level Coocurence Matrix, Jaringan Syaraf Tiruan.Jaringsn Syaraf Tiruan propagasi balikAbstract Teak having the characteristics of the property in the resistance of a variety of climate change.This type of wood commonly used in domestic use or need other industry. Besides having the charactertexture and fiber is typical of its own. In naked eyes may be hard to differentiate teak this kind of thequality. The image of wood can be distinguished by a kind of texture fibers. This can be done byidentification image analysis wood, image processing, the identification, and then classification. It uses theidentification gray-level-co-occurrence ( glcm ) classification in the artificial neural network. This methodused to help the system did pattern recognition texture through the value of the contrast, correlation,homogeneity and energy. Output has produced by 98,3% accuracy. From 60 data to be tested in thesystem only have 2 error of the data between real data and the result og testing Keywords: identification teak quality, Gray Level Co-Occurrence Matrix, Artificial Neural Network,Artificial Neural Network Backpropagataiom
Klasifikasi K-Nearest Neighbor untuk Data Microarray dengan Seleksi Genetic Algorithm Shuni’atul Ma’wa; Adiwijaya Adiwijaya; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Microarray adalah teknik modern yang memfasilitasi analisis simulasi dari sejumlah data yang menggambarkan ekspresi gen yang diperlukan untuk memecahkan masalah biologis yang kompleks, seperti deteksi suatu penyakit tertentu. Data microarray memiliki karakteristik berdimensi besar, dimana banyaknya variabel respon lebih kecil dibandingkan variabel prediktor. Oleh karena itu, diperlukan skema yang didalamnya terdapat proses reduksi dimensi dan proses klasifikasi. Dalam hal ini, proses reduksi dimensi bertujuan untuk meringankan beban komputasi serta menghindari overfitting pada klasifikasi. Proses reduksi yang digunakan pada penelitian ini yaitu seleksi fitur Genetic Algorithm (GA). Kemudian, proses klasifikasi yang bertujuan untuk mendeteksi penyakit kanker atau bukan kanker dilakukan dengan menggunakan metode klasifikasi K-Nearest Neighbor (KNN). Adapun akurasi dari metode GA-KNN pada data tumor usus, kanker paru-paru, dan kanker darah memiliki rata rata akurasi sebesar 95,01%. Kata Kunci: K-Nearest Neighbor, Genetic Algorithm, Deteksi Kanker, Data Microarray
Seasonal Autoregressive Integrated Moving Average dan Artificial Neural Network Untuk Memprediksi Data Seasonal Muhammad Akmal Afghani; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma Artificial Neural Network (ANN) yang diharapkan meningkatkan akurasi dari model Seasonal Autoregressive Integrated Moving Average (SARIMA) yang merupakan salah satu bagian dari model time series pada prediksi data seasonal. Informasi dasar mengenai data menggunakan estimasi parameter pada masing-masing model SARIMA menggunakan Bayesian Information Criterion (BIC). Nilai error untuk mengevaluasi SARIMA(2,0,0)(0,1,1)12 dan ANN didapatkan menggunakan Mean Absolute Error (MAE). Pada penelitian ini, model estimasi dari SARIMA (2,0,0)(0,1,1)12 dan jumlah node hidden layer pada uji algoritma ANN yaitu 20 dengan fungsi aktivasi log sigmoid dan linear. Performansi MAE pada data training dan data testing dari model SARIMA (2,0,0)(0,1,1)12 adalah 0.086 dan 0.071, ketika hasil prediksi SARIMA dimasukkan ke ANN nilai error pada data testing dan training menjadi lebih kecil yaitu 0.046 dan 0.052. Berdasarkan hasil prediksi, data seasonal yang digunakan mendapatkan perubahan error menjadi kecil saat hasil model SARIMA dimasukkan ke algoritma ANN. Kata kunci : Data seasonal, SARIMA, ANN
Prediksi Kenaikan atau Penurunan Indeks Pasar Keuangan Indonesia dengan Menggunakan Bayesian Network dan Prediksi Perubahan Kenaikan Pasar Keuangan Indonesia Nisrina Nur Faizah; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Investasi saham pada pasar keuangan dilakukan untuk meningkatkan aset pada masa depan. Dalam melakukan investasi harus mempertimbangkan hasil yang akan didapatkan atau biasa disebut return. Setiap investor akan berusaha mendapatkan return semaksimal mungkin dari investasi yang dilakukannya. Oleh karena itu, perlu dilakukan prediksi perubahan kenaikan atau penurunan pada pasar saham. Beberapa metode untuk membuat prediksi adalah Bayesian Network dan Algoritma Naive Bayes. Pada Tugas Akhir ini, dilakukan pemodelan jaringan sektor-sektor pasar keuangan Indonesia dengan menggunakan Bayesian Network, lalu melakukan prediksi berdasarkan kenaikan atau penurunan harga penutupan dari tiap sektor. Metode yang digunakan adalah menggunakan Algoritma Naive Bayes Diskrit dan Kontinu. Setelah itu, menentukan metode yang terbaik untuk perhitungan prediksi dengan melihat tingkat akurasi dari setiap metode dengan confusion matrix. Sektor pasar keuangan yang digunakan yaitu nilai tukar USD/IDR, IHSG, dan Obligasi. Perhitungan dilakukan berdasarkan ketergantungan antara nilai tukar USD/IDR terhadap IHSG, dan nilai tukar USD/IDR terhadap Obligasi. Metode Naive Bayes Diskrit menunjukan hasil yang lebih akurat dengan akurasi sebesar 84% untuk IHSG dan 76% untuk Obligasi. Sedangkan perhitungan dengan metode Naive Bayes Kontinu memiliki akurasi sebesar 52% untuk IHSG dan 48% untuk Obligasi. Sektor nilai tukar USD/IDR lebih mempengaruhi IHSG, karena tingkat akurasi yang diperoleh IHSG lebih tinggi dibandingkan dengan Obligasi. Kata kunci : nilai tukar, ihsg, obligasi, bayesian network, naive bayes
Co-Authors A. Maulana Mukhsin Abdurrazaq Naufal Abi Rafdhi Hernandy Abi Rafdhi Hernandy Adhitya Aldira Hardy Adiwijaya Agri Pratomo Alfian Yudha Iswara Ananda Affan Fattahila Annisa Aditsania Arifin Dwi Kandar Saputro Arnasli Yahya Ayu Wulandari Bagas Yafitra Pandji Bambang Eko Supriyadi Benedikto Krisnandy Wijaya Budi Ihsan Daulay Cipta Rahmadayanti Danar Satrio Aji Dara Ayu Lestari Deni Saepudin Dian Tiara Didit Adytia Dinda Fitri Irandi Dini Apriliani Lestari Ditta Febriany Sutrisna Elvina Oktavia Ergon Rizky Perdana Purba Erick Anugrah Prihananta Farah Diba Febry Triyadi Fendi Irfan Amorokhman Fhira Nhita Fikri Nur Hadiansyah Fiqi Ruli Setiawan Fitriaini Amalia Gharyni Nurkhair Mulyono Hadyatma Dahna Marta Hasbi Rabbani I Komang Gede Rusmawan Ihsan Hasanudin Ilma Mufidah Imannda Kusuma Putra Indwiarti Irandi, Dinda Fitri Irfan Fauzan Prasetyo Irwan Ramadhana Jeshurun Eliezer Cussoy Jondri Jondri Justinus Dedy Handyka Simanjuntak Kaenova Mahendra Auditama Kautsar Abdillah Lani Rohaeni Laode Muhammad Ali Al-Qomar Lola Yolanda Ruth Herinis Lumbanraja Mailia Putri Utamil Muhamad Lutfi Chandra Muhammad Akmal Afghani Muhammad Fadhil Maulana Muhammad Hafidh Raditya Muhammad Iqbal Cholil Muhammad Irfan Fathurrahman Nanda Putri Mintari Nathan Sukmawan Ni Luh Ketut Dwi Murniati Nisrina Nur Faizah Novelya Nababan Nur Nining Aulia Putu Harry Gunawan Rabbani, Hasbi Rahmadayanti, Cipta Rahmattullah, Rizky Raisa Betha Meiliza Rangga Arya Pamungkas Redha Arifan Juanda Reima Agustina Kusumawardani Reiza Krisnaviardi Reza Pratama Rian Febrian Umbara Rimba Whidiana Ciptasari Rizki Ayudiah Kartika Paramita Rizky Pujianto Rizky Retno Utami Rizma Nurviarelda Sabilla Fitriyantini Shuni’atul Ma’wa Siti Saadah Sri Suryani Prasetiyowati Suhendar, Annisya Hayati Susy Sundari Syahrizal Rizkiana Rusamsi Syaifrijal Zirkon Radion Tasya Salsabila Tedo Hariscandra Triandini Nurislamiaty Yahya, Arnasli ZulvanFirdaus ZulvanFirdausImanullah