Article Per Year (5 Year)
p-Index From 2021 - 2026
1.285
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Indonesian Journal on Computing (Indo-JC) JOIN (Jurnal Online Informatika) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Visualita : Jurnal Online Desain Komunikasi Visual Journal of Data Science and Its Applications BERNAS: Jurnal Pengabdian Kepada Masyarakat eProceedings of Engineering Jurnal INFOTEL
Annisa Aditsania
Universitas Telkom
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Neuroscience Nursing Public Health Social Sciences Veterinary Other

Published : 44 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Prediksi Indeks Harga Saham Dengan Metode Support Vector Regression Dua Tahap Arfian Nurdiansyah; Rian Febrian Umbara; Annisa Aditsania
eProceedings of Engineering Vol 3, No 1 (2016): April, 2016
Publisher : eProceedings of Engineering

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

Abstract

Dalam penelitian ini akan dibahas prediksi indeks harga saham dengan metode Support Vector Regression (SVR) dua tahap. Penelitian ini menggunakan indeks saham dari pasar saham Indonesia yaitu Indeks Harga Saham Gabungan (IHSG). Percobaan ini didasarkan pada data historis harian selama 5 tahun. Prediksi dilakukan dengan menggunakan SVR satu tahap dan SVR dua tahap untuk meramal harga penutupan satu periode kedepan (� + 1), dua periode kedepan (� + 2), ti ga periode kedepan (� + 3), empat periode kedepan (� + 4), dan lima periode kedepan (� + 5). Dengan menggunakan metode Support Vector Regression (SVR) dua tahap didapatkan Mean Absoute Percentage Error (MAPE) testing dari 5 skenario yang diuji yaitu MAPE untuk skenario (� + 1) adalah 9,2099 %, MAPE untuk skenario (� + 2) adalah 16,4214 %, M APE untuk skenario (� + 3) adalah 7,308%, MAPE untuk skenario (� + 4) adalah 7,1856 % , dan MAPE untuk skenario (� + 5) adalah 8,8449 %. Sedangkan dengan menggunakan Support Vector Regression (SVR) satu tahap didapatkan MAPE testing dari 5 skenario yang diuji yaitu MAPE untuk skenario (� + 1) adalah 15,316 %, MAPE untuk skenario (� + 2) adalah 15 ,026 %, MAPE untuk skenario (� + 3) adalah 15,453%, MAPE untuk skenario (� + 4) adalah 15,605 % , dan MAPE untuk sk enario (� + 5) adalah 5,7007 %. Jadi dapat disimpulkan bahwa metode Support Vector Regression (SVR) dua tahap m emiliki akurasi yang lebih baik disetiap skenario kecuali di skenario (� + 2). Kat a kunci : prediksi saham, Indeks Harga Saham Gabungan (IHSG), Support Vector Regression (SVR) 1
Using Deep Learning To Predict Customer Churn In A Mobile Telecomunication Network Muhammad Fikrie Abdillah; Jondri Nasri; Annisa Aditsania
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Turun naiknya jumlah pelanggan merupakan salah satu masalah besar pada perusahaan jaringan telekomunikasi selular. Pada tugas akhir ini, akan dibangun sebuah sistem prediksi terhadap turun naiknya pelanggan pada layanan jaringan telekomunikasi selular menggunakan arsitektur jaringan Multilayer Perceptron. Selain menggunakan arsitektur jaringan Multilayer Perceptron dilakukan juga implementasi sistem dengan menggunakan Autoencoder untuk mendapatkan bobot yang optimal. Dari metode dan sistem yang digunakan dilakukan perhitungan menggunakan F-Measure didapatkan nilai precision sebesar 70,2 % dan Recall sebesar 70,27 %. Untuk nilai akurasi sebesar 81,35 % pada data training. Didapatkan nilai Precision sebesar 80,4 % dan Recall sebesar 63,07 %. Pada nilai akurasi sebesar 83,12 % untuk data testing. Dengan nilai akurasi yang cukup besar maka metode Deep Learning layak untuk digunakan dalam prediksi Churn. Kata Kunci : Prediksi Churn, Deep Learning, Deep Neural Network, Multilayer Perceptron,Autoencoders, F- Measure
Penentuan Prioritas Perbaikan Jalan Dengan Menggunakan Metode Ahp Di Wilayah Kabupaten Serdang Bedagai Sumatera Utara Theresya Margharetha Panjaitan; Mahmud Imrona; Annisa Aditsania
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

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

Abstract

ABSTRAK Kondisi jalan sangatlah berpengaruh kepada banyak orang. Saat ini banyak jalan yang mengalami kerusakan yang disebabkan oleh cuaca, volume kendaraan yang melintas dan usia dari jalan tersebut. Hal-hal tersebut membuat Dinas Bina Marga setempat perlu membuat sistem yang mampu menentukan prioritas jalan mana yang harus terlebih dahulu untuk diperbaiki,sehingga Dinas Bina Marga tersebut dapat mengetahui urutan prioritas perbaikan jalan. Pada penelitian ini penulis menggunakan metode Analitycal Hierarchy Process (AHP). Metode ini digunakan untuk mendapatkan bobot terbaik dari kriteria-kriteria yang akan dipakai. Kemudian antar kriteria tersebut dibandingkan sehingga menghasilkan bentuk matriks. Hasil terbaik dari perbandingan matriks tersebut akan dipilih sebagai prioritas jalan yang harus diperbaiki. Dan pada penelitian ini prioritas jalan yang mendapatkan hasil tertinggi yaitu jalan Kuala Lama sampai jalan Ara Payung dengan bobot 0,0635 Kata kunci : Analitycal Hierarchy Process (AHP), matriks perbandingan, perbaikan jalan, kriteria jalan, prioritas, sistem keputusan ABSTRACT The condition of the road is very influential to many people. Currently many roads are damaged due to the weather, the volume of passing vehicles and the age of the road. These matters make the local Dinas Bina Marga need to create a system capable of determining which the priority of road should be improved, so that Bina Marga Office can know the priority of road improvements. In this study the author uses the method Analitycal Hierarchy Process (AHP). This method is used to get the best weight of the criteria to be used. Then between the criteria are compared so as to produce the form of the matrix. The best results of the matrix comparison will be chosen as a priority path that must be fixed. And in this research the road priority that get the highest result is Kuala Lama road until Ara Payung road with the weight is 0,0635 Keywords: Analitycal Hierarchy Process(AHP), comparison matrix, road repair, road criteria, priority, decission system
Optimasi Alokasi Injeksi Gas Untuk Peningkatan Produksi Minyak Dengan Sistem Multiwell Gas Lift Menggunakan Algoritma Particle Swarm Optimization Fadhlika Hadi; Deni Saepudin; Annisa Aditsania
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Dalam pengelolaan lapangan sumur minyak hal yang terpenting yang harus di perhatikan adalah jumlah produksinya. Pada umumnya jumlah produksi minyak pada suatu lapangan minyak akan menurun seiring dengan berkurangnya kapasitas jumlah kandungan minyak yang masih tersisa dalam reservoir, dan akhirnya akan habis. Pada kondisi seperti ini dibutuhkan suatu metode pengangkatan buatan dengan teknik gas lift. Dalam penelitian ini dilakukan pengoptimasian produksi minyak pada sumur gas lift. Penelitian ini menggunakan algoritma particle swarm optimization untuk mengoptimasi data laju injeksi gas dan data laju produksi minyak pada sumur injeksi gas lift dan membandigkan nya dengan hasil pengujian eksak. Hasil pengujian pada penelitian ini menunjukan bahwa algoritma particle swarm optimization dapat mengoptimasi total produksi minyak dari sumur minyak sebesar 1204488.0779 Scf/D. dan jumlah total laju gas yang diinjeksikan sebesar 1997109.562 Scf/D. Jika dibandingkan dengan hasil pengujian eksak hasil yang didapatkan untuk total produksi minyak yang maksimal didapatkan sebesar 1201520.8716642 Scf/D dan jumlah gas yang diinjeksikan sebesar 2.00E+06 Scf/D. Hasil yang didapatkan dengan pengoptimasian algoritma particle swarm optimization mendekati pengujian dengan metode eksak dengan keakuratan sebesar 99,75%. Pada pengujian selanjutnya, menentukan jumlah gas yang diinjeksikan terbatas sebesar 1000000 Scf/D. Hasil pengujian menggunakan algoritma particle swarm optimization didapatkan jumlah total produksi minyak sebesar 1166208.2939 Scf/D. jika di bandingkan dengan hasil pengujian secara eksak total produksi minyak yang maksimal di dapatkan sebesar 1166206.2743938 Scf/D. Hasil yang didapatkan dengan pengoptimasian algoritma particle swarm optimization mendekati pengujian dengan metode eksak dengan keakuratan sebesar 99,99% Kata kunci : PSO, Laju Injeksi Gas, Laju Produksi Minyak.
Pemodelan Dan Simulasi Penurunan Tekanan Pada Pipa Transmisi Menggunakan Metode Iterasi Titik Tetap Aisyah Aisyah; Deni Saepudin; Annisa Aditsania
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Dalam penyebaran gas sebagai sumber energi alternatif, dibutuhkan suatu alat transportasi. Transportasi gas yang lebih sering digunakan adalah dengan pipa transmisi karena lebih ekonomis. Saat mengalir tekanan dan temperatur gas akan mengalami penurunan nilai dari inlet pipa outlet pipa. Sedangkan tekanan dan temperatur dapat mempengaruhi karakteristik dari gas alam yang dialirkan. Untuk itu, dibutuhkan suatu pemodelan untuk memprediksi distribusi  tekanan  dan  temperatur pada  pipa    tersebut.  Pada  tugas  akhir  ini  akan  dilakukan penelitian untuk mengukur distribusi tekanan pada pipa transmisi dengan menggunakan metode Iterasi Titik Tetap. Prediksi distribusi tekanan akan dilakukan baik untuk pipa dengan asumsi temperatur isotermal (konstan) maupun non isotermal. Kemudian hasil prediksi distribusi tekanan dan temperatur tersebut akan dibandingkan dan dianalisis dengan data lapangan yang diberikan. Berdasarkan pemodelan tersebut diperoleh hasil distribusi tekanan dengan kondisi temperatur tidak konstan dan dengan perubahan elevasi yang paling mendekati data lapangan. Sehingga nilai error yang dihasilkannya pun bernilai paling kecil jika dibandingkan dengan kondisi - kondisi yang lain. Kata kunci : gas alam, pipa transmisi, metode iterasi titik tetap, distribusi tekanan, distribusi temperatur
Penjadwalan Mata Kuliah Menggunakan Metode Hybrid Algoritma Genetika Dan Algoritma Koloni Semut Muhammad Arief Priambodo; Fhira Nhita; Annisa Aditsania
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Pengaturan penjadwalan mata kuliah memiliki tantangan tersendiri dikarenakan banyaknya pertimbangan-pertimbangan yang harus diperhatikan. Pertimbangan tersebut diantaranya adalah jumlah mahasiswa, jumlah ruangan, jumlah dosen yang tidak sebanding dengan jumlah mata kuliah, serta waktu perkuliahan yang telah ditentukan. Dalam penelitian kali ini, penjadwalan mata kuliah di Universitas Telkom Bandung diimplementasikan menggunakan metode hibridisasi antara algoritma genetika adaptif dengan algoritma koloni semut. Algoritma koloni semut dipadukan kedalam algoritma genetika yang sudah dibangun terlebih dahulu untuk menentukan nilai probabilitas crossover dan nilai probabilitas mutasi yang dimana dua prosedur tersebut merupakan bagian dari algoritma genetika. Berdasarkan pengujian algoritma hibridisasi yang telah dilakukan, diperoleh nilai solusi tercapai sebesar 88.24%, dimana solusi tercapai menunjukan jumlah penjadwalan yang tidak mengalami bentrok. Dengan hasil pengujian tersebut, menunjukkan bahwa dengan metode hibridisasi algoritma genetika adaptif dengan algoritma koloni semut dapat meminimalkan bentrokan yang terjadi pada penjadwalan. Kata Kunci: penjadwalan, algoritma genetika, algoritma koloni semut.
Implementasi Partial Least Square dan K-Nearest Neighbor - Support Vector Machines Untuk Klasifikasi Data Microarray A Rakha Ahmad Taufiq; Adiwijaya Adiwijaya; Annisa Aditsania
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kanker menjadi salah satu penyebab kematian paling banyak di dunia. Diperkirakan setiap tahun jumlahnya akan terus bertambah. Salah satu pendeteksiannya adalah menggunakan ekspresi gen. Microarray dapat mengoleksi kumpulan besar ekspresi gen dalam satu waktu, sehingga DNA microarray mempunyai karakteristik data tersendiri, yaitu mempunyai dimensi data yang sangat besar dibanding dengan jumlah datanya. Oleh karena itu, dibutuhkannya sistem untuk menyelesaikan masalah tersebut. Pada penelitian ini, dibangun sistem yang mengimplementasikan ekstraksi fitur Partial Least Square (PLS) dan metode klasifikasi K-Nearest Neighbor - Support Vector Machines (KNN-SVM). Ekstraksi fitur berguna untuk mengurangi dimensi microarray yang sangat besar dengan membentuk data baru yang merupakan representasi data asli. Performansi sistem diukur menggunakan akurasi. PLS berhasil menaikkan akurasi dari classifier KNN-SVM. Nilai akurasi tertinggi yang didapatkan oleh PLS KNN-SVM adalah sebesar 96.17% Kata kunci: k-nearest neighbor, support vector machines, partial least square, microarray. Abstract Cancer is one of the most common causes of death in the world. Estimated every year the number will continue to grow. One of the detection is using gene expression. Microarray can collect a large number of gene expression at the same time, DNA Microarray have their own data characteristic, which have a very large data dimension compared with the amount of data. Therefore, a system needed to solve the problem. In this research, we built a system that implements Partial Least Square (PLS) feature extraction and KNearest Neighbor - Support Vector Machines (KNN-SVM) for the classification. Feature extraction is useful for reducing very large dimension of microarray by forming new data. System performance is measured using accuracy. PLS managed to increase the accuracy of the KNN-SVM classifier. The highest accuracy obtained by PLS KNN-SVM is 96.17%. Keywords: k-nearest neighbor, support vector machines, partial least square, microarray
Implementasi Algoritma Genetika Dan Jaringan Syaraf Tiruan Untuk Klasifikasi Penyakit Tumor Usus Besar Aldi Riyadi Ramadhan; Danang Triantoro Murdiansyah; Annisa Aditsania
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Tumor usus besar merupakan salah satu penyakit paling umum yang dapat menyebabkan kematian, di mana setengah juta kasus tumor usus besar terjadi setiap tahun di seluruh dunia. Kasus kematian dapat dicegah dengan melakukan diagnosis yang akurat sehingga pasien bisa mendapatkan pertolongan yang te-pat dan cepat. Diagnosis dilakukan dengan memperoleh informasi dari data DNA pasien yang berbentuk microarray memiliki ribuan atribut. Pada penelitian ini dipakai data ekspresi gen pasien tumor colon(tumor usus bensar), yang diambil dari Kent Ridge Biomedical Data Set Repository. Dimensi data ekspresi gen ber-jumlah ribuan hingga jutaan atribut sehingga proses komputasi memakan waktu dan upaya yang lebih besar. Maka dari itu dibutuhkan metode untuk melakukan reduksi dimensi, namun tetap menggunakan data-data terbaik yang mampu memberikan hasil yang akurat. Pada penelitian ini dilakukan penggabungan metode algoritma genetika serta jaringan syaraf tiruan atau lebih sering disebut AG-JST Hybrid yang mampu melakukan reduksi dimensi dan tetap menggunakan data-data terbaik. Hasil terbaik yang diberikan pada pengujian dengan AG-JST adalah reduksi dimensi data DNA sebesar 47% dan akurasi 89%. Kata kunci : DNA, Tumor usus besar, Algoritma Genetika, Jaringan Syaraf Tiruan, Hybrid. Abstract Colon tumors are one of the most common diseases that can cause death, where half a million cases of colon tumors occur every year around the world. Death cases can be prevented by making an accurate diagnosis so that patients can get the right and fast help. Diagnosis is done by obtaining information from patient DNA data in the form of textit microarray which has thousands of attributes. However, the dimensions of human DNA data amount to thousands to millions of attributes so the computational process takes more time and effort. Therefore we need a method to reduce dimensions, but still use the best data that can provide accurate results. In this study, a combination of genetic algorithm and artificial neural networks or more commonly called AG-JST textit Hybrid is capable of reducing dimensions and still using the best data. The best results given for testing with AG-ANN are the reduction of DNA data dimensions by 47 % and accuracy of 89 Keywords: DNA, Colon Tumor, Genetich Algorithm, Artificial Neural Networks, Hybrid.
Handling Imbalanced Data Pada Prediksi Churn Menggunakan Metode Smote Dan Knn Based On Kernel Oscar Ramadhan; Adiwijaya Adiwijaya; Annisa Aditsania
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Customer churn merupakan masalah umum yang ditemui diperindustrian telekomunikasi. Customer churn didefinisikan sebagai kecenderungan customer berhenti melakukan bisnis dengan suatu perusahaan. Tetapi hanya terdapat sedikit sekali churn customer yang ada. Kekurangan data yang menunjukan bahwa customer tersebut termasuk churn customer menyebabkan masalah imbalanced data. pada tugas akhir ini penulis membuat sebuah sistem yang dapat melakukan penanganan terkait imbalanced data menggunakan SMOTE (Synthetic Minority Over-sampling Technique). Classifier yang digunakan untuk menentukan suatu customer apakah termasuk churn atau tidak, menggunakan metode Improve KNN Algorithm Based on Kernel Method. Metode ini merupakan perkembangan dari metode KNN Standard. Dimana pada metode KNN Standard proses klasifikasi dilakukan dengan melihat sejumlah k tetangga terdekat, dan akan diklasifikasikan berdasarkan jumlah kelas terbanyak pada sejumlah k tetangga terdekatnya. Classifier tersebut diuji menggunakan 3 fungsi Kernel dan 40 kombinasi parameter untuk menemukan performansi tertinggi. Performansi tertinggi yang didapat dari kombinasi parameter tersebut diukur menggunakan f1-measure dan akurasi secara berurut pada data tanpa smote, smote 1:3, smote 1:2, smote 3:4, dan smote 1:1, yaitu: 0,314 & 97,58%, 0,449 & 94,55%, 0,413 & 93,70%, 0,382 & 92,74% dan 0,363 & 92,08%. Kata Kunci: Churn Prediction, Over-sampling, SMOTE (Synthetic Minority Over-sampling Technique), Improve KNN Algorithm Based on Kernel Method.
Implementasi Algoritma Binary Particle Swarm Optimization (BPSO) dan C4.5 Decision Tree untuk Deteksi Kanker Berdasarkan Klasifikasi Microarray Data Amalya Citra Pradana; Adiwijaya Adiwijaya; Annisa Aditsania
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kanker merupakan salah satu penyakit yang mematikan di dunia. Upaya pendeteksian kanker dapat dilakukan dengan merepresentasikan kanker ke dalam microarray data dengan mengukur perubahan yang terjadi pada level ekspresi gen. Deteksi gejala kanker dapat dilakukan dengan teknik data mining, yaitu klasifikasi terhadap microarray data. Salah satu penerapan algoritma untuk klasifikasi adalah C4.5 Decision Tree dimana algoritma tersebut mudah diinterpretasi dan termasuk paling berpengaruh dalam klasifikasi namun memiliki kekurangan yaitu sensitif terhadap data noise. Microarray data memiliki jumlah feature yang sangat besar (high dimensional) dimana tidak semua feature tersebut memiliki informasi yang penting (high noise) dan jumlah sampel yang sedikit sehingga penerapan proses klasifikasi saja menjadi sulit karena dapat mempengaruhi nilai akurasi. Binary Particle Swarm Optimization (BPSO) merupakan salah satu algoritma optimasi pencarian untuk mendapatkan fitur yang optimal. Pemodelan rule pada Decision Tree menggunakan nilai diskrit sehingga data perlu didiskritkan. Diskritisasi dilakukan menggunakan K-Means. Sistem dibagi menjadi dua skema yaitu skema Information Gain (IG) – C4.5 dan skema BPSO – C4.5. Akurasi yang diperoleh berdasarkan skema IG-C4.5 dan BPSO-C4.5 berturut-turut adalah 54% dan 99%. Pengaruh seleksi fitur terhadap klasifikasi berperan penting dalam menghindari data noise untuk memodelkan rule yang akurat. Dengan penerapan BPSO sebagai seleksi fitur mampu mencari fitur yang paling signifikan. Kata kunci : microarray data, binary particle swarm optimization, C4.5 decision tree, classification, feature selection, K-Means Abstract Cancer is one of deadly disease in the world. Cancer can be detected by representing the cancer into microarray data with measuring the changes occured in gene expression level. Cancer detection can be done by doing classification technique for microarray data. One of most algorithm that applied for classification is Decision Tree C4.5. It is a linier method which is easy to interpret and included into the algorithm which has given impact in classification but it is sensitive to noise data. Microarray data has a large features (high dimensional) which is not all features have important information (high noise) and has a small samples and causing the application is difficult and affected the accuracy. Binary Particle Swarm Optimization (BPSO) is one of searching optimization algorithm that could find an optimal feature. Rule in Decision Tree is modelled with discrete value so the data has to be discretized. Discretization is applied using K-Means. System is divided into two schemas such as Information Gain (IG) – C4.5 and BPSO – C4.5. The accuracy based on IG – C4.5 and BPSO – C4.5 schema are 54% and 99%. Feature selection has given impact to classification for avoiding noise data to build the rule accurately. With applying BPSO as feature selection can find the features significantly. Keywords: microarray data, binary particle swarm optimization, C4.5 decision tree, classification, feature selection, K-Means
Co-Authors A Rakha Ahmad Taufiq Aditya Iftikar Riaddy Adiwijaya Adrin, Athaya Fatharani Aisyah Aisyah Aldi Riyadi Ramadhan Amalya Citra Pradana Ananda Affan Fattahila Andhika Rama Putra ANDI FUTRI HAFSAH MUNZIR Andrianawati, Aida Aniq Atiqi R Aniq Atiqi Rohmawati Arfian Nurdiansyah Arnanti Primiana Yuniati Choiryaldi Setya Pratama Danang Triantoro Murdiansyah Danu Ardiyanto Deni Saepudin Djoko Murdowo EKA ANDHIKA KURNIAWAN Erlangga, Samuel Erwin Budi Setiawan Fadhlika Hadi Faturachman Nugraha Sasmita Fendi Irfan Amorokhman Fhira Nhita I Gde Made Bagus Nurseta Wijaya Idhar Resmadi Indwiarti Isman Kurniawan Iyon Priyono Jondri Jondri Kaenova Mahendra Auditama Kaisa Sekaring Pertiwi Kamil, Nabilla Lazuardy Azhari Bacharuddin Noor M Ikhsan Perdana Putra Maharani Padma Utami Mahmud Imrona Mela Mai Anggraini Monica Triyani Muhamad Paisal Hanip Muhammad Arief Priambodo Muhammad Fikrie Abdillah Muhammad Wildan Putra Aldi Nabilla Kamil Nuklianggraita, Tita Nurul Oki Virgiawan Pramudita Oscar Ramadhan P. H. GUNAWAN Prabasworo, Bhanu Putri Tsatsabila Ramadhani Putu Harry Gunawan Ratri Wulandari Redi Nurjamin Rendy Pandita B Rian Febrian Umbara Rian Putra Mantovani Rifaldi Rizqi Pratama Rizki Amanullah Hakim Roizal Manullang Siti Saadah Sri Soedewi Theo Andrew Theresya Margharetha Panjaitan Tita Nurul Nuklianggraita Triyani, Monica Ulky Parulian Wibowo UMMU SALAMAH Untari Novia Wisesty Vika Haristianti Wibisono Tegar GP Yuliant Sibaroni