Article Per Year (5 Year)
p-Index From 2021 - 2026
4.449
P-Index
This Author published in this journals
All Journal JURNAL ELEKTRO Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Charity : Jurnal Pengabdian Masyarakat Jurnal Indonesia Sosial Teknologi eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika
Deni Saepudin
Universitas Telkom Bandung, Indonesia
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 111 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 84 Documents
Search
Journal : eProceedings of Engineering

 5   6   7   8   9 
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%.
Pembentukan Portofolio Saham Melalui Proses Clustering Kurva Harga Saham Hasil Spline Kuadratik Andhika Rama Putra; Deni Saepudin; Annisa Aditsania
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

Dalam investasi saham seorang investor perlu mengerti strategi mengelola portofolio saham yang baik untuk membantu membuat keputusan kapan waktu yang tepat untuk membeli, menjual serta mempertahankan sahamnya, salah satu caranya adalah dengan menjaga diversifikasi pada portofolio saham. Tujuan diterapkannya konsep diversifikasi yaitu agar terhindar dari resiko kerugian yang dapat diperoleh. Salah satu cara untuk menjaga diversifikasi portofolio saham adalah dengan menerapkan spline kuadratik pada data harga saham. Dalam penelitian ini, dilakukan pengelompokkan saham melalui proses clustering kurva harga saham hasil spline kuadratik agar dimensinya tereduksi. Kegunaan spline kuadratik adalah agar pergerakan harga saham dapat dipelajari, jika pergerakan harga sahamnya sama, maka koefisien dari spline juga tidak akan jauh berbeda sehingga pergerakan harga saham yang relatif sama akan berada dalam cluster yang sama, kemudian tujuannya agar saham yang masuk ke dalam portofolio pergerakan harga sahamnya benar-benar berbeda satu sama lain. Nilai return dan risiko portofolio dapat dihitung dengan teknik pembobotan Equal Weight. Dalam penelitian ini, hasil analasis portofolio yang paling efisien dalam konteks diversifikasi portofolio adalah ketika data harga saham direduksi menjadi 24 bagian dan dikelompokkan menjadi 4 cluster, dengan risiko portofolio minimum sebesar 0.0625  dan return portofolio sebesar 0.0020 . Kata kunci : K-Means, spline kuadratik, saham
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
Implementasi Semantic Search Pada Open Library Menggunakan Metode Latent Semantic Analysis (studi Kasus: Open Library Universitas Telkom) Arifin Dwi Kandar Saputro; 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

AbstrakTerdapat beberapa cara dalam membentuk portofolio saham. Dalam pemilihan saham untuk dimasukkan kedalam portofolio, tentunya investor menginginkan nilai return yang tinggi atau nilai risiko yang rendah.Dalam tugas akhir ini pembentukkan portofolio Mean-Semivarian dilakukan dengan menerapkan teoriDempster-Shafer (DS) untuk mendapatkan portofolio yang diharapkan. Teori Dempster-Shafer disinidigunakan untuk menyeleksi saham dengan nilai performansi tinggi. Data saham yang digunakan pada tugasakhir ini adalah saham yang masuk dalam indeks LQ45. Kemudian diseleksi dengan mengunakan teoriDempster-Shafer dan didapatkan 10 saham dengan nilai performansi tertinggi untuk dimasukkan ke dalamportofolio yaitu BSDE, GGRM, INDF, SGRO, SMGR, SCMA, MNCN, BBCA, HMSP, dan BMTR denganmenghasilkan return portofolio sebesar 0.00511 sedangkan return portofolio tanpa Dempster-Shafer sebesar0.0026. Untuk evaluasi kinerja portofolio dengan menggunakan metode Sharpe Ratio hasil yang didapatkanportofolio dengan Dempster-Shafer sebesar 0.07329 dan portofolio saham Mean-Semivarian tanpa DempsterShafersebesar0.00598.HasildaritugasakhirinimenunjukkanportofoliosahamMean-SemivariandenganDempster-Shafermemiliki kinerja portofolio yang lebih baik dibandingkan dengan portofolio MeanSemivariantanpaDempster-Shafer. Katakunci:DempsterShafer,PortofolioReturn,PortofolioMean-Semivarian,Semivariance,SharpeRatio AbstractThereareseveralwaystoformastockportfolio.Intheselectionofsharestobeincludedintheportfolio,ofcourseinvestors want a high return value or a low risk value. In this final task the formation of a MeanSemivarianceportfolio is carried out by applying the Dempster-Shafer (DS) theory to obtain the expectedportfolio. The Dempster-Shafer theory here is used to select stocks with high performance values. Stock dataused in this final project are shares included in the LQ45 index. Then selected using the Dempster-Shafer theoryand obtained 10 stocks with the highest performance values to be included in the portfolio, namely BSDE,GGRM, INDF, SGRO, SMGR, SCMA, MNCN, BBCA, HMSP, and BMTR by generating a portfolio return of0.00511 while return portfolio without Dempster-Shafer is 0.0026. To evaluate portfolio performance using theSharpe Ratio method the results obtained by the portfolio with Dempster-Shafer amounted to 0.07329 and theMean-Semivariance stock portfolio without Dempster-Shafer was 0.00598. The results of this final task showthat the Mean-Semivariance stock portfolio with the Dempster-Shafer has a better portfolio performancecompared to the Mean-Semivariance portfolio without the Dempster-Shafer. Keywords: Dempster Shafer, Portofolio Return, Portofolio Mean-Semivarian, Semivariance, Sharpe Ratio
Hibridisasi Algoritma Classification and Regression Tree (CART) dan Artificial Neural Network (ANN) untuk Prediksi Harga Bawang Merah di Kabupaten Bandung Himatul Zulfa; Fhira Nhita; Deni Saepudin
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

Bawang merah adalah salah satu jenis tumbuhan hortikultura yang mempunyai banyak manfaat namun kualitas dan kuantitas nya sangat dipengaruhi oleh cuaca. Perubahan cuaca akan menyebabkan produksinya tidak menentu sehingga mengalami fluktuasi harga. Prediksi harga terhadap cuaca ini sangat diperlukan agar mempermudah petani untuk melakukan penanaman pada waktu yang tepat. Oleh sebab itu, penelitian ini memprediksi harga bawang merah di Kabupaten Bandung berdasarkan pengaruh cuaca dengan menggunakan hibridisasi dari Classification and Regression Tree (CART) dan Artificial Neural Network (ANN). Berdasarkan beberapa skenario pengujian dalam penelitian ini, metode hibridisasi CART-ANN terbukti memberikan hasil yang lebih baik daripada CART atau ANN secara konvensional dengan nilai precision, recall, dan akurasi berturut-turut sebesar 90.91%, 100.00%, 93.33%. Kata kunci : Bawang Merah, Classification and Regression Tree, Artificial Neural Network
Gabungan Metode Support Vector Machine (SVM) dan Equal Weight Portofolio (EWP) Untuk Pengambilan Keputusan Jual Beli Saham Novelya Nababan; 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

Salah satu metode yang dapat digunakan untuk memprediksi pergerakan harga saham yaitu Support Vector Machine (SVM) dengan menggunakan kernel linear. Pada penelitian ini menggunakan tiga pendekatan sebagai inputan model, pendekatan pertama untuk inputan data diperoleh dari perhitungan inputan SVM dengan dua puluh dua atribut menggunakan data trading (open, high, low, dan close prices) yang dimana algoritma SVM akan mendapatkan prediksi dan menjadi nilai bobot, nilai bobot yang didapatkan digunakan untuk menghitung return portofolio, dan EWP memberi bobot yang sama kepada semua perusahaan, sedangkan mean variance (MV) akan mendapatkan bobot yang akan di masukkan ke dalam prediksi SVM pada semua perusahaan. Pada penelitian ini menggunakan data historis setiap perusahaan dari 2005 sampai 2018. Data ini digunakan untuk mempelajari pola yang pada akhirnya dapat memprediksi pergerakan harga saham dari setiap perusahaan. Kinerja Algoritma SVM + EWP menunjukkan hasil yang optimal dibandingkan dengan EWP tanpa SVM masih belum menunjukkan hasil yang optimal. Nilai maksimal yang diperoleh return portofolio SVM + EWP adalah 14.71%, return portofolio EWP tanpa SVM adalah 0.27%, dan return portofolio SVM + MV adalah 0.12%, dengan nilai rata-rata return portofolio masing-masing algoritma adalah 10.30%, 0.94%, 1.76%. Kata kunci:SVM, Equal Weight Portofolio, Mean Variance
Pembentukan Portofolio Saham Melalui Proses Clustering Kurva Harga Saham Hasil Cubic-Spline Faturachman Nugraha Sasmita; Deni Saepudin; Annisa Aditsania
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

Pelaku transaksi saham seringkali mengalami kesulitan dalam menentukan waktu yang tepat untuk membeli atau menjual saham. Hal ini disebabkan karena waktu pembelian saham dapat menentukan keuntungan investasi pada suatu saham. Maka dari itu, diperlukan portofolio saham yang dapat mendiversifikasi harga saham sehingga dapat membantu pembeli maupun penjual saham dalam bertransaksi di pasar modal. Penelitian ini membahas mengenai pembuatan portofolio saham melalui clustering kurva harga saham yang berasal dari metode cubic spline. Cubic spline untuk menginterpretasikan data yang sudah direduksi. Metode clustering pada penelitian kali ini dipakai untuk mengelompokkan koefisien cubic-spline dan menghasilkan 2,3, dan 4 clustering saham yang pengelompokkannya digunakan dengan metode K-means. Selanjutnya dilakukan pembentukan portofolio saham dengan memilih satu perwakilan dari setiap clustering berdasarkan rata-rata return setiap saham. Penelitian ini menghasilkan portofolio dengan nilai risiko terendah untuk pembagian cluster menjadi 4 cluster sebesar 0.0598 jika dibandingkan dengan pembagian cluster menjadi 2 cluster sebesar 0.1049 dan 3 cluster sebesar 0.2396. Kata kunci : portofolio, saham, cubic-spline, k-means, clustering
Prediksi Arah Kenaikan Indeks Sektoral yang Berada Di Bursa Efek Indonesia (BEI) dengan Menggunakan Bayesian Network Benedikto Krisnandy Wijaya; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Peramalan data khususnya pergerakan indeks merupakan suatu metode yang digunakan untuk membantu pengambilan keputusan dalam berinvestasi di pasar keuangan. Investasi saham sendiri dilakukan untuk meningkatkan aset pada masa depan. Dalam investasi juga harus mempertimbangkan hasil yang didapatkan atau biasa disebut return. Untuk bisa mengetahui pergerakan dan hubungannya di masa depan, dibutuhkan sebuah model untuk membantu meramalkan pergerakan harga saham. Dalam tugas akhir ini akan membahas tentang, bagaimana memprediksi arah kenaikan indeks sektoral yang berada di Bursa Efek Indonesia (BEI) dengan menggunakan Bayesian Network dan Algoritma Naïve Bayes. Indeks sektoral yang digunakan adalah data historis mingguan dari tahun 2000 sampai 2018 yang setiap sektornya berjumlah sebanyak 984 minggu yaitu 02 Januari 2000 sampai 27 Desember 2015 yang berjumlah 828 minggu sebagai data training dan data testing antara 03 Januari 2016 sampai 30 Desember 2018 yang berjumlah sebanyak 156 minggu. Metode yang digunakan untuk mengetahui pergerakan setiap indeks adalah menggunakan Algoritma Naïve Bayes Diskrit dan Kontinu. Setiap indeks diasumsikan saling bebas dan hanya berkaitan degan nilai kurs dollar Amerika Serikat. Dari hubungan tersebut digunakanlah Bayesian Network untuk menggambarkan topologinya. Setelah itu, menentukan metode yang terbaik untuk perhitungan prediksi dengan melihat tingkat akurasi dari setiap metode dengan confusion matrix. Indeks yang terkait diantaranya adalah JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, dan JKTRAD terhadap Kurs Dollar Amerika Serikat (USD/IDR). Nilai rata-rata akurasi pada Naïve Bayes Diskrit adalah sebesar 60.71% untuk data training dan 55.43% untuk data testing. Sedangkan nilai rata-rata akurasi pada Naïve Bayes Kontinu adalah sebesar 51.28% untuk data testing. Sektor nilai tukar USD/IDR lebih mempengaruhi JKINFA pada Data Training, sedangkan pada Data Testing lebih mempengaruhi JKAGRI dan JKCONS. Kata kunci : Indeks Sektoral, Bayesian Network, Naïve Bayes Diskrit, Naïve Bayes Kontinu, Data Historis Abstract Data forecasting, especially index movements, is a method used to assist decision making in investing in financial markets. Own stock investment is carried out to increase assets in the future. In investment must also consider the results obtained or commonly called return. To be able to know the movements and relationships in the future, we need a model to help predict stock price movements. In this final project will discuss about, how to predict the direction of the rise in sectoral indices on the Indonesia Stock Exchange (IDX) using the Bayesian Network and Naïve Bayes Algorithm. The sectoral index used is weekly historical data from 2000 to 2018, with each sector totaling 984 weeks, namely 2 January 2000 to 27 December 2015 totaling 828 weeks as training data and testing data between 3 January 2016 and 30 December 2018, totaling 156 Sunday. The method used to determine the movement of each index is using the Discrete and Continuous Naïve Bayes Algorithm. Each index is assumed to be independent and only relates to the value of the US dollar exchange rate. From this connection Bayesian Network is used to describe the topology. After that, determine the best method for calculating predictions by looking at the accuracy of each method with the confusion matrix. Related indexes include JKAGRI, JKCONS, JKFINA, JKINFA, JKMING, JKPROP, and JKTRAD against the US Dollar Exchange Rate (USD / IDR). The average accuracy in the Discrete Naïve Bayes is 60.71% for training data and 55.43% for testing data. While the average value of accuracy in Continuous Naïve Bayes is 51.28% for testing data. The USD / IDR exchange rate sector has more influence on JKINFA in Data Training, while in Data Testing it has more influence on JKAGRI and JKCONS. Keywords: Sectoral Indices, Bayesian Networks, Naïve Bayes Discrete, Naive Bayes Continuous, Historical Data
Artificial Neural Network Untuk Prediksi Pergerakan Harga Saham Sektor Keuangan Dengan Melibatkan Data Google Trends Febry Triyadi; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam dunia bisnis, memprediksi harga saham adalah salah satu tantangan yang sulit bagi para investor, sehingga banyak penelitian yang dilakukan untuk memprediksi harga saham. Google trends adalah grafik statistik pencarian web yang menampilkan informasi yang paling trend dan paling banyak menjadi perhatian orang menurut google pada kurun waktu tertentu. Banyak penelitian yang memanfaatkan data Google trends untuk memprediksi data time series, dikarenakan data Google trends itu selalu update dan mudah diakses. Pada penelitian ini, pergerakan harga saham dalam sektor keuangan dengan melibatkan data Google trends menggunakan metode Artificial neural network (ANN). Penelitian ini juga menyelidiki pengaruh Google trends terhadap data harga saham menggunakan metode Cointegration test dan Granger causality analysis. Data Google trends menjadi salah satu cara untuk mempertimbangkan hasil prediksi harga saham. Penelitian ini juga membandingkan dua prediksi menjadi tipe I dan tipe II diantaranya: tipe I prediksi pergerakan harga saham tanpa data Google trends dan tipe II prediksi pergerakan harga saham dengan data Google trends. Hasil menunjukan bahwa prediksi dengan penambahan data Google trends memberikan dampak yang sedikit lebih signifikan terhadap hasil prediksi dibandingkan prediksi tanpa Google trends. Kata kunci : Google trends, harga saham, Artificial neural network Abstract In the business world, predicting share prices is one of the difficult challenges for investors, so a lot of researches were done to predict share prices. Google trends is a graph of web search statistics that shows information which have the most popular information and attention of people according to Google at a certain time. Many studies use Google trends data to predict time series data, because Google trends data is always up to date and easily accessible. In this study, the movement of stock prices in the financial sector by involving Google trends data using the Artificial neural network (ANN) method. This study also investigates the effect of Google trends on stock price data using the Cointegration test and the Granger causality analysis methods. Google trends data is a way to consider the results of stock price predictions. This study also compares two predictions with Type I and Type II, which include: Type I is prediction of stock price movements without Google trends data and Type II is prediction of stock price movements with Google trends data. The results show that predictions with the addition of Google trend data have a slightly more significant impact on the results of the predictions than the predictions without Google trends. Keywords: Google trends, stock price, Artificial neural network
Optimasi Portofolio Saham Lq45 Dengan Mempertimbangkan Prediksi Return Menggunakan Metode Support Vector Regression (svr) Vina Putri Damartya; Deni Saepudin; Putu Harry Gunawan
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Optimasi portofolio saham dibutuhkan investor untuk mendapatkan hasil yang diharapkan. Untuk mendapatkan portofolio yang diharapkan, dibutuhkan prediksi guna untuk menghasilkan bobot yang optimal. Optimasi portofolio sudah dikembangkan sejak lama, namun biasanya hanya mempertimbangkan risiko dan nilai harapan. Berbeda dengan pendekatan sebelumnya, mengintegrasikan prediksi return pada model time series tradisional dalam pembentukan portofolio dapat meningkatkan kinerja model pengoptimalan portofolio asli. Machine learning telah menunjukkan keunggulan yang luar biasa dalam prediksi pasar saham, banyak peneliti menerapkan model-model ini dalam proses pembentukan portofolio dan menghasilkan hasil yang memuaskan, penelitian ini menggabungkan prediksi return dalam pembentukan portofolio dengan metode Support Vector Regression (SVR). Adapun data saham yang digunakan dalam tugas akhir ini adalah saham LQ45. Berdasarkan hasil pengujian, hasil dari prediksi return menggunakan metode Support Vector Regession (SVR) dievalusi menggunakan Root Mean Square Error (RMSE) mendapatkan nilai 0.34973. Portofolio yang mempertimbangkan prediksi return menghasilkan kinerja yang lebih baik dibandingkan Indeks LQ45 yang diukur berdasarkan nilai rata-rata return portofolio, standar deviasi dan sharpe ratio. Kata kunci : Optimasi portofolio, return, support vector regression, LQ45
Co-Authors Abdurrahman Muttaqiin Achmad Fadholy Achmad Rizal Aditya Firman Ihsan Adiwijaya Aisyah Aisyah Alberila Fraida Loceseima Putri Almaya Sofariah Andhika Rama Putra Anggia Parsaoran Exaudi Aniq Antiqi Rohmawati Aniq Atiqi Rohmawati Aniq Rohmawati Anjar Pratiwi Annas Wahyu Ramadhan Annisa Aditsania Annisa Resnianty Anton Sri Haryanto Arfananda, Muhammad Ghifari Arifin Dwi Kandar Saputro Ayunda Firsty Trisnowati Azizah , Nakhwa Benedikto Krisnandy Wijaya Caramoy, Senza Danar Satrio Aji Dara Ayu Lestari Defy Ayu Dewa Made Rai Widyadarma Diah Fitri Wulandari Diani Sarah Kamilial Diani Sarah Kamilial Didit Adytia Dimas Rizqi Guintana Dini Apriliani Lestari Dio Navialdy Egi Shidqi Rabbani Elvina Oktavia Erlina Febriani Esther Laura Christy Fadhlika Hadi Fahmi Muhamad Fauzi Farah Diba Faturachman Nugraha Sasmita Fazlur Rahman Amri Febry Triyadi Fhira Nhita Fikri Nur Hadiansyah Fitriaini Amalia Freyssenita Kanditami P Furqon Hidayat Gharyni Nurkhair Mulyono Ghufron, Sayid Giali Ghazali Gilang Rachman Perdana Gilang Rachman Perdana Hadyatma Dahna Marta Hario Adi Ghufron Herlansyah, Ridhwan Rifky Himatul Zulfa Husain Athfal Hidayat Ihsan Hasanudin Irfan Fauzan Prasetyo Irma Palupi Isman Kurniawan Izzata Izzata Jondri Jondri Kaisa Sekaring Pertiwi Kautsar Abdillah Kemas Muslim Lhaksmana Khoirunnisa Ulayya Kuntjoro Adji Sidarto Lani Rohaeni Laode Muhammad Ali Al-Qomar Lesmana, Rangga Made Larita Ditakristy Mailia Putri Utamil Maulid Fathurachman, Rizaldi Mayriskha Isna Indriyani Mega Silvia Desvi Muhamad Aziz, Reihan Muhammad Fadhil Maulana Muhammad Iqbal Cholil Muhammad Rifqi Arrahim Natadikarta Muhammad Taufiq Raihan Nanda Putri Mintari Narestha Adi Pratama, Putu Agus Naufal Abdurrahman Burhani Nisrina Nur Faizah Novelya Nababan Novi Syafira, Muthia Nur Roza Fitriyana Putri Nuvaisiyah Putu Harry Gunawan Rahmi Putri Amalia Raisa Betha Meiliza Ratih Puspita Furi Rauf, Khalifatur Razaq, Kukuh Sanddi Reima Agustina Kusumawardani Reiza Krisnaviardi Resi Annisa Nur Reza Pratama Rian Febrian Umbara Ridhwan Rifky Herlansyah Rizaldi Maulid Fathurachman Rizq Athariq, Muhammad Sabilla Fitriyantini Saputra, Muhammad Ridho Semeidi Husrin Shabrina Nanggala Sheila Nur Fadhila Sofyan, Denny Sri Rezeki Hardiyanti Susy Sundari Syaifrijal Zirkon Radion Tasya Salsabila Tifani Intan Solihati Triandini Nurislamiaty Triyana Kadarisman Uggi Stivani Savitri Vina Putri Damartya Widyasari, Felicia Dina Yanuar Ishaq Zhafran, I Kamil Elian Zhafran, Kamil Elian