Article Per Year (5 Year)
p-Index From 2021 - 2026
2.607
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesian Journal on Computing (Indo-JC) Proceeding of the Electrical Engineering Computer Science and Informatics JURNAL MEDIA INFORMATIKA BUDIDARMA JTP - Jurnal Teknologi Pendidikan Building of Informatics, Technology and Science Jurnal Locus Penelitian dan Pengabdian eProceedings of Engineering Advance Sustainable Science, Engineering and Technology (ASSET)
Dade Nurjanah
Universitas Telkom
Aerospace Engineering Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Implementasi Dan Analisis Ripple-down Rule Pada Diagnosa Penyakit Jantung Adiyaka Niastya Ihsan Maulana; Dade Nurjanah
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstract—RDR (ripple-down rules) adalah algoritma suatu metode pengakuisisi basis pengetahuan yang digunakan pada sistem pakar. Algoritma ini dapat menentukan hasil klasifikasi sekaligus memperbarui basis pengetahuan dari sistem pakar yang menggunakannya. Karena itu paper ini bertujuan untuk mengimplementasikan metode RDR ini pada sistem pakar untuk mendiagnosa penyakit jantung berdasarkan gejala-gejala yang ada. Hasil dari pengujian yang telah dilakukan dapat disimpulkan sistem pakar dengan algoritma RDR ini dapat memperbarui basis pengetahuannya tanpa memerlukan Knowledge Engineer dan hasil dari diagnosanya tergantung pada urutan masukan kasus yang diterima sistem pakar dan bagaimana pakar (user) menentukan hasil diagnosa pakar. Sistem pakar yang menggunakan algoritma RDR ini efektifitasnya akan meningkat seiring dengan banyaknya kasus yang diterima oleh sistem. Keywords—RDR (Ripple-down Rules), expert system, medical diagnosis
Sistem Informasi Posyandu Dengan Sms Gateway Menggunakan Metode Ontology Dalam Menjawab Pertanyaan Wahyu Setiawan; Dade Nurjanah
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

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

Abstract

Angka kematian ibu hamil di Indonesia masih tergolong tinggi. Hal ini salah satunya disebabkan kurangnya pengetahuan seorang ibu akan kebutuhan nutrisi yang harus dipenuhi saat masa – masa kehamilan serta jenis makanan yang mengandung nutrisi tersebut. Jarak yang jauh dengan posyandu, keterbatasan transportasi, maupun ketersediaan biaya yang minim membuat kebanyakan ibu hamil malas untuk mencari informasi. Di waktu yang sama tingkat pertumbuhan teknologi mobile sangat tinggi, seperti Handphone yang memiliki fasilitas SMS(Short Message Service) telah banyak digunakan. Fasilitas ini bisa dimanfaatkan dalam menyampaikan informasi, karena penggunaan yang mudah, biaya terjangkau, serta terdapat cakupan wilayah pelayanan yang luas. Dengan adanya SMS Gateway sering digunakan dalam mengelola pesan termasuk juga sistem autoreplay yang secara otomatis bisa dijalankan dengan triger tertentu, ibu hamil bisa mengirimkan pertanyaan seputar infomasi kebutuhan nutrisi ibu hamil melalui SMS. SMS yang diterima oleh sistem melalui modem akan diambil menjadi inputan free text yang nantinya digunakan metode ontology dalam memetakan kata kunci yang ada pada pertanyaan dari user sehingga diharapkan jawaban yang dikirim melalui layanan SMS secara autoreplay bisa relevan sesuai dengan domain yang ada pada ontology. Selama masih terdapat jaringan Handphone, maka layanan ini bisa digunakan oleh ibu hamil. Pemilihan ontology sebagai representasi pengetahuan pada sistem ini, karena mekanisme dalam ontology mampu memetakan data yang kompleks agar mudah diakses. Kata kunci : Angka kematian Ibu, SMS(Short Message Service), SMS gateway, Ontology.
Sistem Automatic Speech Recognition Menggunakan Metode Mfcc Dan Hmms Untuk Deteksi Kesalahan Pengucapan Kata Bahasa Inggris Rahmawati Sitti Azizah; Dade Nurjanah; Florita Diana Sari
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

Automatic Speech Recognition (ASR) memiliki kemampuan yang dapat membuat komputer mengenali apa yang diucapkan oleh seseorang berdasarkan sinyal suara yang diucapkan oleh seseorang. Dengan kemampuan tersebut sistem ini dapat digunakan untuk mengenali jika seseorang salah dalam mengucapkan sebuah kata. Terutama pada masalah kesalahan pengucapan akibat tertukarnya satu kata dengan kata lain yang mirip. Metode yang digunakan dalam tugas akhir ini adalah Mel Frequency Cepstral Coefficient (MFCC) untuk ekstraksi ciri yang akan mengubah deretan nilai amplitudo menjadi frame-frame yang kemudian akan diolah menggunakan mel-filterbank yang mengadaptasi cara kerja pendengaran manusia sehingga terbentuklah nilainilai koefisien yang menjadi fitur ciri. Hasil dari MFCC kemudian diolah menjadi codebook yang nantinya akan menjadi masukkan dalam Hidden Markov Models (HMM) untuk menghasilkan sebuah model yang merepresentasikan kata tersebut. Hasil dari ekstraksi ciri dari data tes kemudian dikuantisasi untuk menjadi data yang akan dikenali menggunakan model yang telah didapat. Pengujian dilakukan dengan menggunakan 10 pasangan kata dengan tingkat kemiripan yang tinggi dan sering tertukar jika dilafalkan secara terpisah. Dari hasil pengujian didapat tingkat akurasi rata-rata setiap pasangan kata sebesar 78,89% pada model HMM 3 state dan 78,33% pada model HMM 5 state. Kata Kunci : Automatic Speech Recognition, MFCC, HMM
Pembentukan Grup Homogen Pada Pembelajaran Kolaboratif Menggunakan Performance Factor Analysis Josua Deston Girsang; Dade Nurjanah
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Computer-Supported Collaborative Learning (CSCL) adalah bentuk pembelajaran kolaboratif yang dibantu oleh komputer. CSCL memanfaatkan teknologi komputer dalam berbagai aspek, mulai dari untuk meningkatkan interaksi antar anggota kelompok, berbagi pengetahuan, hingga membagi dan menggabungkan pekerjaan kelompok tersebut. CSCL tidak dapat berjalan tanpa adanya Computer-Supported Group Formation (CSGF). Pada tugas akhir ini penulis menganalisis dan merancang CSGF yang cocok untuk pengimplementasian algoritma Performance Factor Analysis. Pengimplementasian dan pengujian sistem serta parameter – parameter yang dibutuhkan oleh Performance Factor Analysis ditentukan dengan pendekatan bounded. Sistem CSGF yang dibangun menggunakan Stereotype model yang menggunakan knowledge base dan average performance sebagai atribut yang menjadi stereotype. Stereotype model dibangun menggunakan K-means clustering. Grup yang dibentuk bersifat ability group dan beranggotakan 3 orang. Parameter – parameter Performance Factor Analysis yaitu β, γ, dan ρ berpengaruh terhadap homogenitas grup yang dibentuk. Ketiga parameter berbanding terbalik dan memiliki pengaruh yang tidak begitu besar dengan homogenitas grup yang dibentuk. Sebaliknya, inisialisasi centroid pada saat pembuatan stereotype model menggunakan K-means memiliki pengaruh yang signifikan terhadap grup yang dibentuk, termasuk homogenitasnya. Dimana beberapa inisialisasi centroid yang dilakukan menghasilkan grup yang homogenitasnya baik, dan beberapa tidak. Kata Kunci: stereotype model, user model, performance factor analysis, , K-means clustering, knowledge base, average performance, homogenitas, grup
Bayesian Personalized Ranking – Matrix Factorization untuk Rekomendasi Buku Fikri Bahiransyah; Dade Nurjanah; Rita Rismala
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 Pada umumnya, sistem merekomendasi sejumlah barang yang dibutuhkan oleh pengguna, terutama dalam merekomendasikan sebuah buku, namun terkadang sistem rekomendasi merekomendasikan beberapa buku yang tidak dibutuhkan oleh pengguna. Penyebab sebuah sistem rekomendasi merekomendasikan buku yang tidak sesuai kebutuhan pengguna, salah satunya dikarenakan sistem rekomendasi tersebut berfokus hanya pada rating buku dan tidak pada personal atau kepribadian pengguna. Metode Bayesian Personalized Ranking (BPR) merupakan metode yang berfokus ranking item yang berdasarkan pada item yang lebih disukai atau diketahui oleh user, dibandingkan menerapkan teknik dengan memprediksi rating. Pada tugas akhir ini, akan menerapkan metode Bayesian Personalized Ranking (BPR) dalam sistem rekomendasi buku, dataset yang akan digunakan dalam sistem menggunakan dataset Goodreads dan Bookcrossing. Dataset yang digunakan akan dimodelkan menggunakan teknik Matrix Factorization (MF). Tugas akhir ini bertujuan untuk mengetahui nilai Area Under Curve (AUC) yang dihasilkan dengan menggunakan metode BPR-MF. Dari hasil tugas akhir ini didapatkan nilai skor ( ) = 0.962 untuk dataset Goodreads dan ( ) = 0.95518 untuk dataset Bookcrossing. Dari skor yang didapat menjelaskan bahwa metode BPR-MF bekerja dengan baik dalam memprediksi buku untuk direkomendasikan kepada user. Kata kunci : sistem rekomendasi, bayesian personalized ranking, matrix factorization, buku Abstract In general, the recommendation system is recommending a number of items that the user needs, especially in recommending a book, but sometimes recommendation systems is recommending some books that are not required by the user. The cause of a recommendation system recommends books that do not fit the needs of users, which is because the recommendation system focuses only on book ratings and not on personal or user personalities. The Bayesian Personalized Ranking (BPR) method is a method of rankingbased items that are based on favored items or items that known by the user, rather than applying a technique by predicting a rating. In this final project, will implementing Bayesian Personalized Ranking (BPR) method in recommendation system for recommending books, the dataset will be used in the system using Goodreads and Bookcrossing dataset. Dataset will be modeled using the Matrix Factorization (MF) technique. This final project aims to find out the value of Area Under Curve (AUC) produced by using BPR-MF method. From the results of this final task is obtained value of ( ) = 0.962 for datasets Goodreads and AUC (u) = 0.95518 for Bookcrossing datasets. From the scores obtained explained that the BPR-MF method works well in predicting books to be recommended to users.. Keywords: recommendation system, bayesian personalized ranking, matrix factorization, book
Implementasi Metode Knowledge Tracing Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Pengetahuan Sebelumnya Setyadi Putra Rahmandya; Dade Nurjanah
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 Proses belajar mengajar hingga proses wisuda merupakan rentang waktu lamanya masa studi untuk menyelesaikan proses pendidikan pada program studi yang dijalani oleh mahasiswa. Namun tidak semua mahasiswa dapat menyelesaikan masa studi yang ditempuh dengan tepat waktu, sehingga mengakibatkan penumpukan jumlah mahasiswa yang tidak lulus sesuai dengan masa periode kelulusannya. Salah satu cara untuk mencapai kualitas mutu tertinggi dari sistem perguruan tinggi adalah dengan menggali pengetahuan dari data bidang akademik. Tugas Akhir ini bertujuan untuk menganalisis seberapa besar kelulusan atau ketidaklulusan pada mahasiswa dengan mengimplementasikan algoritma knowledge tracing dalam memprediksi masa studi mahasiswa. Masa studi dapat diketahui dengan melihat kelulusan atau ketidaklulusan mahasiswa, baik yang lulus tepat waktu, dan tidak tepat waktu. Parameter knowledge tracing pada studi kasus ini yaitu K0 (nilai awal knowledge user atau nilai mata kuliah wajib pada tingkat 1 yaitu semester 1 dan 2), guess, slip, dan learning rate (nilai konstan jumlah mahasiswa di Fakultas Informatika khususnya angkatan 2015 dan 2016) berpengaruh terhadap nilai knowledge user. Maka pada Tugas Akhir ini dapat diketahui waktu terbaik dilakukan prediksi kelulusan tepat waktu dan tidak tepat waktu untuk masa studi mahasiswa menggunakan pengetahuan sebelumnya, yaitu untuk mahasiswa reguler tahun ke-2 (tingkat 2) adalah ketika mahasiswa telah melewati mata kuliah dari semester 3 sampai dengan semester 4 dengan precision sebesar 69.6%. Sedangkan untuk mahasiswa pindahan tahun ke-2 (tingkat 2) adalah ketika mahasiswa telah melewati mata kuliah dari semester 3 sampai dengan semester 5 dengan precision sebesar 75.8%. Kata Kunci: masa studi, knowledge tracing, K0, slip, guess, learning rate. Abstract The process of teaching and learning to the graduation process is a span the length of the period of study to complete the process of education on the course traveled by the student. But not all students can complete the study period is on time, resulting in a buildup of the number of students who did not pass in accordance with the period of high school graduation. One way to achieve the highest quality of the college system is to dig up the knowledge from the academic field data. This thesis aims to analyze how much a graduation or ketidaklulusan on students by implementing algorithms knowledge tracing in predicting the study period the student. The period of study can be found by looking at the graduation or ketidaklulusan, both students graduating on time, and not on time. Knowledge tracing parameter in this case study, namely K0 (initial value knowledge user or the value of the compulsory subjects at level 1 i.e. the semester 1 and 2), guess, slip, and the learning rate (constant value number of students at the Faculty of Informatics especially the force 2015 and 2016) effect on the value of knowledge users. It is in this final Task can be known best time do predictions of graduation on time and not just in time for the study period the student using prior knowledge, i.e. for regular student year 2 (level 2) is when a student have passed courses from semester 3 to 4 semesters with a precision of 69.6%. As for transfer students year 2 (level 2) is when students have passed courses from semester 3 up to 5 semester with the precision of 75.8%. Keyword: the period of study, knowledge tracing, K0, slip, guess, learning rate
Sistem Rekomendasi Pada Buku Dengan Menggunakan Tags And Latent Factors Shendy Murty; Dade Nurjanah; Rita Rismala
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

Sistem Rekomendasi atau Recommender System, bertujuan untuk membantu user dengan cara memberikan rekomendasi kepada user ketika dihadapkan dengan jumlah informasi yang besar. Rekomendasi yang diberikan diharapkan dapat membantu user dalam proses pengambilan keputusan, seperti buku apa yang akan dibaca. Dengan adanya rekomendasi yang tepat, user akan memiliki preferensi tambahan ketika mencari buku. Dalam pengerjaan Tugas Akhir ini, penulis menggunakan Tags and Latent Factors yang merupakan algoritma tambahan pada metode Matrix Factorization yang membantu sistem rekomendasi dalam meningkatkan akurasi prediksi sehingga mampu menebak minat user dan mampu memberikan rekomendasi. Tags berfungsi sebagai jembatan yang memungkinkan user untuk lebih memahami hubungan yang tidak diketahui antara item dan user itu sendiri, sedangkan latent factors bertujuan untuk membentuk kesamaan antara user dan item dimana kesamaan ini berupa antar user yang tertarik atau menyukai item yang sama. Pada Tugas akhir ini akan dilakukan skenario pengujian dimana nilai dari hasil pengujian akan menjadi parameter akurat atau tidaknya sebuah sistem dengan menggunakan Mean Absolute Error (MAE) . Diberikan 3 buah skenario pengujian dengan menggunakan 3 jenis dan jumlah data berbeda dan didapatkan 3 nilai hasil pengujian akhir dengan nilai masing-masing 0.41, 0.38, dan 0.38 dimana 3 nilai tersebut memiliki selisih yang tidak terlalu besar. Dan dapat disimpulkan bahwa Tags and Latent Factors dapat digunakan untuk memberikan rekomendasi pada buku. Kata kunci: recommender system, matrix factorization, tags and tatent factors
Sistem Rekomendasi Buku dengan Metode Berbasis Clustering Hilmi Eko Arianto; Dade Nurjanah; Rita Rismala
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 Metode collaborative filtering adalah metode populer yang digunakan untuk sistem rekomendasi dengan berbagai macam domain. Pada domain buku, metode tersebut menggunakan rating yang diberikan user terhadap buku. Tetapi ada kekurangan terhadap metode tersebut dikarenakan harus mempertimbangkan semua buku yang ada untuk proses rekomendasi. Karena harus mempertimbangkan keseluruhan buku, maka membutuhkan waktu yang lebih lama untuk melakukan rekomendasi. Clustering adalah salah satu cara untuk mengatasi kekurangan metode collaborative filtering. Metode ini akan mengelompokkan buku berdasarkan kemiripan user, sehingga proses rekomendasi tidak perlu mempertimbangkan keseluruhan buku. Kebanyakan metode berbasis clustering harus mengetahui berapa jumlah kelompok buku yang akan digunakan. Karena tidak memiliki jumlah kelompok buku sebelumnya, self-constructing clustering dapat digunakan jika data yang digunakan tidak memiliki jumlah kelompok. Pada tugas akhir ini, dilakukan studi tentang implementasi metode berbasis clustering dengan algoritma self-constructing clustering. Algoritma ini akan mengelompokkan buku berdasarkan kemiripan user tanpa mengetahui jumlah kelompok buku yang ada. Hasil pengujian menunjukkan bahwa metode dengan algoritma tersebut dapat digunakan hingga merekomendasikan buku kepada user pada data yang hanya berupa data user, buku, dan rating. Pengujian dilakukan dengan menggunakan 2 data. Hasil pengujian menghasilkan DOA dan MAE sebesar 50% dan 1.10283, serta pada data kedua didapatkan 56% dan 1.137. Abstract Collaborative filtering method is a popular method used for recommendation systems with various domains. In the book domain, the method uses the rating that the user gives to the book. But there are disadvantages to the method because they have to consider all the books available for the recommendation process. Having to consider the whole book, it will take longer to make a recommendation. Clustering based is one way to overcome the lack of collaborative filtering methods. This method will group books according to user resemblance, so the recommendation process does not need to consider the entire book. Most clustering based methods must know how many groups of books will be used. Because it does not have the number of previous book groups, self-constructing clustering can be used if the data used has no number of groups. In this final project, a study about clustering based method implementation with self-constructing clustering algorithm. This algorithm will group the book based on the user's similarity without knowing the number of existing book groups. The test results show that the method with the algorithm can be used up to recommend the book to the user on the data only in the form of user data, books, and rating. Testing is using 2 data. The test results produced DOA and MAE of 50% and 1.10283, and the second data obtained 56% and 1,137.
Sistem Rekomendasi Pada Buku Dengan Menggunakan Metode Trust-aware Recommendation Mohammad Fathurrahman; Dade Nurjanah; Rita Rismala
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

Sistem rekomendasi merupakan fitur yang banyak digunakan pada perangkat lunak zaman sekarang. Sistem rekomendasi sangat berguna untuk pengguna yang menggunakan sebuah perangkat lunak terutama sistem rekomendasi pada buku, karena fitur ini dapat memanjakan pengguna dengan memberikan rekomendasi buku yang mungkin sesuai dengan preferensi buku yang diinginkan. Sistem rekomendasi pada Tugas Akhir ini menggunakan metode Trust-Aware, dimana metode ini merupakan hasil penggabungan metode Collaborative Filtering dan PageRank. Dimana Collaborative Filtering menggunakan similarity metric untuk melakukan penghitungan rating, dan PageRank menggunakan trust metric untuk melakukan penghitungan terhadap setiap buku yang dikunjungi dengan melakukan show synopsis. Kemudian akan dilakukan pengukuran hasil pengujian terhadap sistem rekomendasi ini menggunakan MAE. Pengujian dilakukan dengan 3 skenario yang menggunakan 3 jenis jumlah data yang berbeda. Hasil pengujian memberikan angka 1,267 , 1,294 dan 1,181, yang artinya ketiga nilai tersebut tidak mempunyai selisih yang tidak terlalu jauh. Sehingga dapat ditarik kesimpulan bahwa metode Trust-Aware dapat digunakan pada sistem rekomendasi buku dan tidak terpengaruh oleh jumlah buku yang digunakan. Kata kunci: sistem rekomendasi, collaborative filtering, pagerank, trust-aware
Sistem Rekomendasi Pemilihan Mata Kuliah Peminatan Menggunakan Algoritma K-means Dan Apriori (studi Kasus: Jurusan S1 Teknik Informatika Fakultas Informatika) Riki Nur Afifuddin; Dade Nurjanah
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 Setiap mahasiswa Universitas Telkom wajib merencanakan mata kuliah pilihan yang akan diambil mulai dari semester empat. Masih banyak mahasiswa yang mengalami kesulitan untuk memilih mata kuliah pilihan sesuai dengan kelompok keahlian. Oleh karena itu, dibutuhkansistem rekomendasi yang dapat digunakan untuk melakukan prediksi terhadap pengambilan mata kuliah pilihan yang ada di Universitas Telkom pada jurusan S1 Teknik Informatika.Tugas Akhir ini melakukan studi dan implementasi metoda K-means dan Apriori untuk memberikan rekomendasi pemilihan mata kuliah pilihan sesuai dengan kelompok keahlian. Eksperimen dilakukan dengan menggunakan data 660 Sajarna S1 Teknik Informatika tahun 2013. Hasil eksperimen menunjukan algoritma K-means dapat mengelompokkan mahasiswa kedalam kelompok keahlian dan Apriori dapat menghasilkan rule yang dapat digunakan sebagai rekomedasi pemilihan mata kuliah pilihan. Kata kunci : rekomendasi, K-means, Apriori. Abstract Every Telkom University student is required to plan elective courses to be taken starting from the fourth semester. There are many students who have difficulty choosing elective courses according to the expertise group. Therefore, a recommendation system that can be used to predict the selection of elective subjects at Telkom University in the S1 Informatics Department Faculty of Informatics. The final task is to study and implement the K-means and Apriori methods to provide recommendations for the selection of elective courses according to the expertise group. Experiments were carried out using 660 S1 Informatics Engineering students data in 2013. The experimental results showed that the K-means Algorithm can group students into expertise groups and Apriori can produce rules that can be used as recommendation for the choice of elective subjects. Keywords: recommendation, K-means, Apriori
Co-Authors Ade Romadhony Aditia Rafif Khoerulloh Aditiyan Iswahyudin Adiyaka Niastya Ihsan Maulana Agung Toto Wibowo Arbaatun, Cepthari Ningtyas Ardiyanto, Fajar Widhi Ayu, Ravika Berliana Shafa Wardani Dhuki Dwi Rachman Diffo Elza Pratama Fahmi, Fitra Zul Fakhri Fauzan Fikri Bahiransyah Fitra Zul Fahmi Florita Diana Sari Hani Nurrahmi Henri Tantyoko Henri Tantyoko Hilmi Eko Arianto Irfansyah, Muhammad Rafi Ismail, Asep Maulana Jayaperwira, Iklil Johan NMP Simatupang Josua Deston Girsang Julia Julia Maman Abdurohman Mohammad Fathurrahman Muhammad Rafi Irfansyah Muttaqien, Rifqi Fauzia Odia Pratama Putri Waisnawa, Ni Luh Putu Mawar Silveria R. Hatim Muhammad Amin Rahmawati Sitti Azizah Razaq, Muhammad Thaariq Rifqi Fauzia Muttaqien Riki Nur Afifuddin Rita Rismala Rusmawati, Yanti sa'adah, siti Sari Rahmawati Selly Meliana Setyadi Putra Rahmandya Shendy Murty Siti Sa'adah Wahyu Setiawan Wardani, Berliana Shafa Yanti Rusmawati Yunanda, Gisela Zaki Mudzakir Hidayatullah