Article Per Year (5 Year)
p-Index From 2021 - 2026
5.749
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal Teknik Elektro Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Edukasi dan Penelitian Informatika (JEPIN) JUITA : Jurnal Informatika ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Panrita Abdi - Jurnal Pengabdian pada Masyarakat JIKO (Jurnal Informatika dan Komputer) Techne : Jurnal Ilmiah Elektroteknika JMM (Jurnal Masyarakat Mandiri) JUTEI (Jurnal Terapan Teknologi Informasi) Indonesian Journal of electronics, electromedical engineering, and medical informatics Jurnal Abdi Insani Indonesian Journal of Electrical Engineering and Computer Science Jurnal Teknik Informatika (JUTIF) Almufi Jurnal Pengabdian kepada Masyarakat KOMMAS: Jurnal Pengabdian Kepada Masyarakat Prosiding Seminar Nasional Rekayasa Teknologi Industri dan Informasi ReTII eProceedings of Engineering Community Service Seminar and Community Engagement (COSECANT) Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika Jurnal Nasional Sains dan Teknik
Ledya Novamizanti
Telkom University
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Social Sciences Transportation Other

Published : 97 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 41 Documents
Search
Journal : eProceedings of Engineering

 1   2   3   4   5 
Peningkatan Reversible Watermarking Menggunakan Metode Spread Spectrum (SS) Adaptif Annida, Nurafifah; Novamizanti, Ledya; Budiman, Gelar
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

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

Abstract

Dalam era digital yang terus berkembang, keamanan data menjadi tantangan signifikan akibat risiko modifikasi, akses tidak sah, dan pemalsuan informasi. Untuk mengatasi hal ini, berbagai langkah keamanan seperti enkripsi dan otentikasi telah dikembangkan guna melindungi integritas dan privasi data. Penelitian lebih lanjut diperlukan untuk mengembangkan metode yang lebih efisien dan aman dalam menjaga keamanan informasi digital di masa depan. Metode yang digunakan adalah Robust Reversible Watermarking menggunakan metode reversible Spread Spectrum (SS) Adaptif. Prosesnya dilakukan pemilihan skema wavelet DWT atau IWT dan membagi blok menjadi empat sub-band LL, LH, HL, HH dengan ukuran 8 × 8. Setelah membagi blok citra, akan dilakukan penyematan watermark key. Setelah watermark disematkan, blok citra akan dikembalikan ke ukuran semula yaitu 32 × 32 dan dilakukan invers skema wavelet DWT atau IWT. Pengujian dilakukan menggunakan citra standar untuk pengolahan citra, dengan empat citra dari dataset yang ada dengan format citra BPM. Dengan melakukan serangan JPEG Quality Factor, JPEG 2000 Compression Ratio, AWGN, Salt and Pepper Noise, serta Rotation attack. Hasil menunjukkan bahwa ketahanan terhadap serangan watermark dan kemampuan memulihkan citra asli meningkat secara signifikan dengan nilai PSNR yang tinggi dan nilai BER 0. Kesimpulannya, metode ini secara efektif meningkatkan kinerja watermarking reversibel yang kuat. Kata kunci—Citra digital, Reversible, Robust, Watermarking.
Grading Quality of Tuna Loin Using Computer Vision and Deep Learning Mochamad Reyhand Landrenzy Zulfikar; Ledya Novamizanti; Gelar Budiman
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Assessing the quality of tuna loin remains a pivotal aspect of the global seafood industry, necessitating precise, consistent, and efficient grading methods that can be broadly implemented. This study addresses these challenges by developing a robust, cloud-native system for automated tuna loin quality classification. Utilizing a tailored image dataset, the system's core processing is handled by a scalable cloud-based backend on Google Cloud Platform, specifically employing Cloud Run for serverless inference. The deep learning model, EfficientNetV2M, is optimized into the ONNX format and executed efficiently by ONNX Runtime within this cloud environment, achieving a classification accuracy of 96% with rapid prediction times. An intuitive Flutter frontend application serves as the user interface, facilitating the transmission of image data to the cloud service and displaying real-time grading results. This architectural design ensures dynamic resource allocation, high availability, and cost-effectiveness through a pay-per-use model. Data integrity and security are maintained via HTTPS for secure communication between the frontend and the cloud-deployed backend. The integration of Docker for containerization, Google Cloud Run for serverless deployment, and Flask for API management collectively yields a highly scalable, reliable, and efficient system. This research presents a robust, cloud-centric solution for automated tuna loin quality classification, offering real-time predictions, secure data handling, and a user-friendly interface suitable for industrial quality control and research applications. Keywords — cloud computing, serverless, Google Cloud Run, Docker, ONNX, deep learning, computer vision, real-time prediction.
YOLOv11 for Classification of Strawberry Quality and Ripeness Fahriansyah, Ardy; Zaky, Pavel Manaf El; Novamizanti, Ledya; Sa’idah, Sofia
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

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

Abstract

Strawberries hold significant economic value in Indonesia due to their high demand and nutritional benefits. Traditional harvesting methods, which rely on manual visual inspection, are often inefficient and prone to errors. Real-time multi-object detection presents a promising solution to enhance automation in harvesting, ripeness classification, and post-harvest processing. This study assesses the performance of four YOLOv11 variants—YOLOv11N, YOLOv11S, YOLOv11M, and YOLOv11L—in detecting strawberries across five quality and ripeness categories: Unripe, Half Ripe Grade B, Half Ripe Grade A, Fully Ripe Grade B, and Fully Ripe Grade A. A dataset originally consisting of 3,055 high-resolution strawberry images was expanded through data augmentation to 7,940 images. These were subsequently split into training (7,330 images), validation (305 images), and testing (305 images) sets. All models were trained under identical conditions utilizing the AdamW optimizer, cosine annealing learning rate scheduling, a batch size of 16, and an input resolution of 640×640 pixels. Performance was evaluated based on Precision, Recall, F1-Score, mAP@0.5, mAP@0.95, and inference time. The results indicate that YOLOv11N achieved the best overall performance, with a Precision of 0.869, Recall of 0.878, F1-Score of 0.87, mAP@0.95 of 0.830, and the fastest inference time of 3.6 ms, rendering it suitable for real-time deployment. YOLOv11M provided a balanced trade-off between accuracy and speed, while YOLOv11S offered competitive accuracy with lower inference latency. YOLOv11L demonstrated strong detection capabilities but with the slowest inference time. These findings affirm the efficacy of YOLOv11-based models in facilitating scalable and intelligent systems for precision agriculture. Keywords—strawberry, computer vision, deep learning, object detection, classification, YOLO.
Aplikasi Pencatatan Dan Monitoring Serta Deteksi Stunting Pada Balita Wicaksono, Muhammad Rievnuansyah; Novamizanti, Ledya; Fahrudin, Tora
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Indonesia adalah negara yang menghadapidouble burden yang memiliki arti beban gizi ganda. Artinyayaitu ketika masyarakat dihadapkan dengan keadaan untukselalu bekerja keras demi mengatasi gizi gekurangan sepertikurus, stunting, dan anemia. Namun disisi lain juga masyarakatdihadapkan juga dengan masalah kelebihan gizi atau obesitas.Pemenuhan gizi yang kurang dari bayi dilahirkan dapatmenyebabkan pertumbuhan pada anak menjadi terganggu ataukurang optimal. Salah satu bentuk gangguan pertumbuhan ituyakni stunting atau tubuh pendek karena gizi kronik yangkurang. Stunting merupakan keadaan pertumbuhan anakterganggu yang biasanya diakibatkan oleh gizi buruk,kemudian infeksi, serta simulasi psikososial kurang memadai.Sebagai bentuk pelayanan kesehatan masyarakat terdepan,posyandu memiliki peran yang sangat penting dalam prosesuntuk menangani kondisi stunting ini. Oleh karena itudiperlukan suatu alat yang dapat mendeteksi kondisi stuntingatau tidaknya anak, agar pihak posyandu dapat mengambilkeputusan yang optimal terhadap keadaan tersebut. Websitedeteksi stunting dibangun dengan tujuan untuk membantuposyandu dan masyarakat luas untuk mengetahui nilai z-score,yang kemudian digunakan untuk mendeteksi keadaan gizianak. Berdasarkan survei yang telah penulis lakukan, kepuasanmasyarakat terhadap website yang telah dirancang sebesar87.75%, lalu kepuasan kader posyandu terhadap website yangtelah dirancang sebesar 86.25%, dan kepuasan petugas desaterhadap website yang telah dirancang sebesar 90%Kata kunci— Website, stunting, pencatatan, posyandu
KINERJA ROBUSTNESS PADA WATERMARKING CITRA YANG REVERSIBLE MENGGUNAKAN SKEWED HISTOGRAM SHIFTING Rahmawati, Aulya; Novamizanti, Ledya; Budiman, Gelar
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

AbstrakKemudahan akses gambar digital adalah salah satu dampak positif perkembangan teknologi. Adapundampak negatif dari kemudahan tersebut gambar rentan disalahgunakan oleh pihak lain. Untuk menghindariterjadinya hal tersebut, gambar harus dilindungi oleh sistem keamanan. Watermarking adalah teknik yangdigunakan untuk melindungi gambar dengan menyembunyikan informasi ke dalam gambar. Metodewatermarking yang digunakan pada Tugas Akhir ini adalah Skewed Histogram Shifting dan prediction error.Watermark disisipkan jika prediction error adalah 0, dan disisipkan pada Positive Histogram Skewed (PHS) atauNegative Histogram Skewed (NHS). Penyisipan pada PHS pixel akan bergeser ke kanan, dan penyisipan padaNHS pixel akan bergeser ke kiri. Teknik reversible pada penelitian ini berhasil pada citra dengan kondisi tanpaunderflow dan overflow, citra yang berhasil pulih memiliki PSNR rekonstruksi infinity dan BER 0. Citra yangtidak berhasil pulih memiliki nilai PSNR rekonstruksi lebih dari 90 dB dan BER 0. Data uji menggunakan 10citra berukuran 512×512. Sistem ini robust terhadap serangan speckle saat LM dikompresi dengan variansi 1×10-3 dan 1×10-4 rata-rata BER yang dihasilkan 0.1404 dan 0 secara berurut, dan serangan salt and pepper saat LMdikompresi dengan density 1×10-4 rata-rata BER adalah 0.1159.Kata kunci : Watermarking, Data Hiding, Reversible Watermarking, Watermarking Citra, Histogram Shifting
Perbaikan Deteksi Watermark Dengan Knn Pada Penyembunyian Data Berbasiskan Histogram- Based Reversible Data Hiding Sari, Rina Media; Budiman, Gelar; Novamizanti, Ledya
eProceedings of Engineering Vol. 10 No. 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Pengaruh Underwater Image Enhancement terhadap Peningkatan mAP50-95 YOLOv7 pada dataset Lobster Aruna Hakim, Farhan Nur; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Pada proyek utama dari jurnal ini, yaitupembuatan prototype alat untuk monitoring lobster air laut diAruna, tentu memiliki beberapa permasalahan, salah satunyaadalah tidak jelasnya tampilan video di dalam laut, diantaranyadisebabkan oleh noise dari air laut, kurangnya pencahayaan,dan dominasi warna tertentu dalam laut yang bisamenyebabkan hasil mAP dari model YOLOv7 kurangmaksimal, hal itu dikarenakan penangkaran lobster air lautdisimpan dalam kedalaman sekitar 15 meter, sehinggamemunculkan permasalahan yang telah disebutkan tadi.Berdasarkan permasalahan tersebut penulis berinisiatif untukmenambahkan underwater image enhancement pada sistemmonitoring lobster ini agar dapat memaksimalkan hasil mAPdari model YOLOv7 yang telah di train. Metode ImageEnhancement yang diusulkan untuk dilakukan tahap pengujianadalah Deep Learning and Image Formation Model dan WaterNet. Dari kedua image enhancement tersebut dibandingkanhasil mAP-nya pada proses testing dengan hasil tanpa imageenhancement serta sesama metode image enhancement-nya.Dari hasil pengujian tersebut didapatkan mAP50-95 yangterbaik adalah menggunakan metode image enhancement DeepLearning and Image Formation Model dengan perolehanmAP50-95 0.461. Maka dari itu metode terbaik ini yang dipakaiuntuk proses image enhancement prototype sistem monitoringlobster pada Tambak Aruna. Kata kunci — image enhancement, YOLOv7, Deep Learningand Image Formation Model, Water-Net, lobster
Deteksi Lobster Menggunakan teknik StrongSORT pada YOLOv7 Aditya, Ghanes Mahesa; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Melakukan object-tracking dengan mempunyaiakurasi dan performa yang tinggi merupakan hal pentingdalam penerapan pemantauan pada deep learning yangditerapkan pada sebagai automatic driving, and intelligentmonitoring salah satunya adalah lobster monitoring. Dalammencapai hal tersebut diperlukan beberapa penelitian yangdigabungkan menjadi satu dari mulai object-detection, danobject-tracking. Saat ini, dalam halnya object-detection adabeberapa algoritma yang sangat cukup popular salah satunyaadalah yaitu YOLO dengan memiliki akurasi, dan kecepatandeteksi yang tinggi. Dengan berkembangnya zaman YOLOdilakukan peningkatan dengan menghasilkan YOLOv7 yangsangat canggih dari YOLO versi lainya, dengan memilikiakurasi tertinggi yaitu 56.8% dan 30 FPS. Maka dari ituYOLOv7 layak untuk diterapkan dalam object-detection yangakan digabungkan dengan StrongSORT. StrongSORT adalahobject-tracking yang sangat kuat saat ini dengan meningkatkanbeberapa sitem pada DeepSORT. Dengan menggabungkan duasistem deep learning menjadi satu dan dilakukan pelatihan padadataset lobster menghasilkan frame per second ( FPS ) diatas 4,dari penguji cobaan pada data percobaan didapatkan precisionsebesar 0.90, recall mendapatkan nilai 0.81, mAP@0.5 yangmencapai 0.87 dan untuk mAP@0.5-0.95 tertinggi 0.44. Darihasil yang didapatkan dapat disimpulkan bahwa sistemmemenuhi syarat yang dapat dikatakan real-time objectdetection, dan object tracking. Kata kunci— object-detection, StrongSORT, YOLOv7, object-tracking
Perbandingan Performa Jetson Nano, Jetson Xavier NX dan Lenovo Legion 5 terhadap Penggunaan YOLOv7 Ilman, Mukhamad Zidni; Novamizanti, Ledya; Akhyar, Fityanul
eProceedings of Engineering Vol. 11 No. 2 (2024): April 2024
Publisher : eProceedings of Engineering

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

Abstract

Akurasi tinggi dan performa merupakan hal yang penting dalam penerapan deep learning. Untukmendapatkan hal tersebut, memerlukan adanyahardware yang mumpuni dalam bidang deep learning. GPU merupakan hardware yang paling berpengaruhpada hasil akurasi deep learning. Namun, GPUmemerlukan biaya dan konsumsi daya yang tidak sedikituntuk menjalankan sebuah platform dengan performatinggi. Dalam penelitian ini ada tiga perangkat komputeryang diuji performanya melalui algoritma YOLOv7yaitu, Jetson Xavier NX, Jetson Nano, dan laptop Legiondengan GPU Nvidia Geforce GTX1650TI. Perangkatkomputer ini, sudah pernah digunakan dalam pengujianobject detection dibeberapa penelitian yang sudahdilakukan. Pengujian ini menggunakan dataset gambaryang sebelumnya berupa video lobster penangkaranAruna Indonesia di Pantai Amed, Bali. Hasilpendeteksian lobster dapat lebih maksimal lagi apabilavideo dataset yang tersedia tidak bergerak ataukameranya tetap di tempat. Sementara ini, YOLOv7merupakan pendeteksi objek yang paling unggul darisemua pendeteksi objek yang dikenal. Kualitas kecepatandan akurasi yang dimiliki YOLOv7 bisa mencapai 5 FPShingga 120 FPS dan memiliki akurasi tertinggi 56,8% APpada mAP.5-.95 diantara semua pendeteksi objek realtime yang ada dengan sekitar 30 FPS lebih tinggi padaGPU V100. Kata kunci— Akurasi tinggi, performa, FPS, AP, YOLOv7, GPU
Implementasi YOLOV11 untuk Deteksi Multi-Objek Kesegaran Ikan Cakalang Beku Sudiartama , Annenta Gistya; Hidayat, Dehani Nurkemala; Novamizanti, Ledya; Wibowo, Suryo Adhi
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

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

Abstract

Memastikan kesegaran ikan merupakan tantangan penting dalam industri perikanan modern, terutama untuk komoditas bernilai tinggi seperti Cakalang. Makalah ini mengusulkan sistem deteksi multi-objek secara real-time menggunakan model YOLOv11 khusus untuk secara otomatis mengklasifikasikan kualitas kesegaran ikan Cakalang (Katsuwonus pelamis) beku dan tidak beku. Tiga varian YOLOv11, yaitu YOLOv11S, YOLOv11M, dan YOLOv11L, dilatih dan divalidasi pada set data gambar yang telah dianotasi. YOLOv11S mencapai akurasi pengujian sebesar 88,4%, akurasi validasi sebesar 90,1%, dan akurasi pelatihan sebesar 88,4%. YOLOV11M mencapai kinerja yang lebih tinggi, dengan akurasi pengujian 92,9%, akurasi validasi 94,8%, dan akurasi pelatihan 85,7%. Hasil terbaik diperoleh dari YOLOv11L, yang mencapai akurasi pengujian sebesar 91,5%, akurasi validasi 94,9%, dan akurasi pelatihan 83,7% Temuan ini menunjukkan bahwa YOLOv11L menawarkan kinerja tertinggi, sementara YOLOv11M dan YOLOv11S juga menunjukkan hasil yang kompetitif. Pendekatan berbasis YOLOv11 yang diusulkan menunjukkan potensi deteksi kesegaran ikan secara real-time dalam sistem kontrol kualitas otomatis, yang bertujuan untuk mengurangi kerugian pascapanen dan meningkatkan daya saing produk makanan laut Indonesia di tingkat global. Kata Kunci-YOLOv11, pembelajaran mendalam, deteksi objek, waktu nyata, kesegaran ikan
Co-Authors ABDULFATTAH, MUHAMMAD EFAN Aditya, Ghanes Mahesa ADRIAN KURNIA, ADRIAN Adviatmadja, Sebastian Danny Adyansyah, Ilham Agnes Gabriela Putri Winata Agung Nugroho Jati Ahmad Akbar Khatami Ahmad Alfi Adz Dzikri Ahmad Fauzan Fauzan Aldra Kasyfil Aziz Amini, Siti Aisyah Andy Ruhendy Putra ANGGUNMEKA LUHUR PRASASTI Annida, Nurafifah Aqilah Mamur Tanjung , Najmi Arindaka, Hafizhan Bhamakerti Armanda Nur Fadhlillah Ashri Dinimaharawati Aulia Wibowo Bambang Hidayat Cindy Angelista Deltika Cucu Alex Zaenudin Danny Adviatmadja, Sebastian David Chandra De Lima, Nadya Viana Dedy Rahman Wijaya Denny Meilika Setiawati Desri Kristina Silalahi Dias Wardana Dick Maryopi Dien Rahmawati Dimitri Mahayana Dine Octavia Kumalasari Eko Susatio Elsa Nur Fitri Astuti Elsa Nur Fitri Astuti Erizka Banuwati Candrasari Fahriansyah, Ardy Fajri, Farhan Ulil FARDAN FARDAN, FARDAN Faris Fadhlur Rachman Fathiyya, Dhiya Faza, Lulu Balqis Zianka Felix Pidha Hilman Fenty Alia Fikri Adhanadi Firdaus, Rifqi Fadhilah Fityanul Aditya Fityanul Akhyar Fredigo, Agno Gelar Budiman Gogi Gautama Al Hadiid HAFIZHANA, YASQI Hakim, Farhan Nur HANNAN HARAHAP, HANNAN Hanum, Mirza Alifia Harist Gymnovriza Hermawan, Laksamana Mikhail Hidayat, Dehani Nurkemala Husneni Mukhtar I Gusti Putu Agung Satria Bayu Mahendra I N Apraz Ramatryana I Nyoman Apraz Ramatryana Ilman, Mukhamad Zidni Imansyah Basudewa , Muhammad Indra Aulia indwiarti Intan Sulviyani Irma Safitri Ivandy Chaniago Ivany Sesa Rehadi Iwan Iwut Iwan Iwut Tritoasmoro Iwut Tritoasmoro, Iwan Jangkung Raharjo Jondri Jondri Koredianto Usman Kurnia Ramadani Kurniawan Nur Ramadhani Mahanani, Edo Lutfi Mahfuz, Muhammad Rafi Marlindia Ike Sari Maulana , Muhammad Dafa Mertu, Aidi Mirsa Bayu Prasetyo Mochamad Reyhand Landrenzy Zulfikar Mohamad Alfaj’ri Muhammad Alief Hidayah Baso Muhammad Azwar Zulmi Muhammad Biyan Priatama Muhammad Fikri Aufa Muhammad Hablul Barri Muhammad Harits Ibrahim Muhammad Iqbal Rabbani Muhammad Raia Pratama Putra Wibowo Muhammad Rayhan Ghifari Muhammad Rizqy Alfarisi Muhammad Sindu Ramadhan Muhammad Wahyu Setiawan Nabila Setya Utami Novelita Dwi Miranda Novialdy Nugroho Santoso Nur Ibrahim Paradila I., Dela Parjuangan, Sabam Permana, Rangga Aditia Pinasthika Aulia Fadhila Pratama , Nyoman Raflly Prawita, Fat’hah Noor Priyambodo, Afif Putra, Afi Athallah Syamsulhadi Putu Harry Gunawan R Ricki Juniansyah R. Yunendah Nur Fu’adah Rabby Fitriana Adawiyah Rahma Nur Auliasari Rahmawati, Aulya RAMATRYANA, I NYOMAN APRAZ Randy Hamzah Hardianto Ratri Dwi Atmaja Razendra Zahran Firdaus Reyhan Radifan Jordy RIANTIARNI, TITA Rita Magdalena Rita Purnamasari Rita Rismala Rizal, Mochammad Fahru Rochmawati Ruslan , Ramah Rinaldi Ryan Anggara Sa'idah, Sofia Sari, Rina Media Satria Mandala Sa’idah, Sofia Setyagraha , Muhammad Rafi Mahfuz SIDDIK, MUHAMMAD ARSYAD Siti Azizah Suci Aulia Sudiartama , Annenta Gistya Sugondo Hadiyoso Sulistyowati, Syifa Dwi Suryo Adhi Wibowo Susatio, Eko Susi Diriyanti Novalina Syamsul Rizal Syamsul Rizal Tanjung, Najmi Aqilah Mamur Thomhert Suprapto Siadari Thoriq Bayu Aji Tora Fahrudin Wahidin Wahidin WANANDA, PUTU DEBBY WIBOWO, BHISMA ADI Wicaksono, Muhammad Rievnuansyah YUYUN SITI ROHMAH Zahra Zettira Zukhrufuljannah Zaky, Pavel Manaf El