Article Per Year (5 Year)
p-Index From 2021 - 2026
8.303
P-Index
This Author published in this journals
All Journal Computatio : Journal of Computer Science and Information Systems JIKO (Jurnal Informatika dan Komputer) JUTIK : Jurnal Teknologi Informasi dan Komputer JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Teknik Informatika UNIKA Santo Thomas JUTIM (Jurnal Teknik Informatika Musirawas) Kurawal - Jurnal Teknologi, Informasi dan Industri Progresif: Jurnal Ilmiah Komputer Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Teknomatika (Jurnal Teknologi dan Informatika) Syntax: Journal of Software Engineering, Computer Science and Information Technology JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem dan Komputer Jurnal Ilmu Komputer dan Informatika Bulletin of Information Technology (BIT) Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Algoritme Jurnal Mahasiswa Teknik Informatika Informatics and Enginering Dedication Jurnal Teknologi Sistem Informasi Jurnal Nasional Teknik Elektro dan Teknologi Informasi Arcitech: Journal of Computer Science and Artificial Intelligence DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Insand Comtech : Information Science and Computer Technology Journal Buletin Ilmiah Informatika Teknologi JOINTECOMS (Journal of Information Technology and Computer Science) MDP Student Conference Journal of Embedded Systems, Security and Intelligent Systems Software Development Digital Business Intelligence and Computer Engineering Journal Information & Computer (JICOM) Jurnal Software Engineering and Computational Intelligence Computing Insight: Journal of Computer Science Applied Information Technology and Computer Science (AICOMS) JISCOMP (Journal of Information System and Computer) Journal of Informatics and Computer Engineering Research INOVTEK Polbeng - Seri Informatika JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Hafiz Irsyad
Universitas Multi Data Palembang
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Mechanical Engineering Social Sciences Other

Published : 86 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 86 Documents
Search

 5   6   7   8   9 
Implementasi TF-IDF dan Cosine Similarity untuk Penyaringan Dokumen Berita Program Makan Siang Gratis Pemerintah Indonesia Tanuwijaya, William; Setiawan, Christofer Evan; Irsyad, Hafiz; Rahman, Abdul
DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Vol 6, No 2: DESEMBER 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/device.v6i2.6724

Abstract

Penelitian ini menerapkan metode Information Retrieval (IR) dalam menyaring berita yang relevan terkait program makan siang gratis yang diselenggarakan oleh pemerintah Indonesia, sebuah program yang ditujukan untuk meningkatkan gizi pelajar dan mencegah terjadinya stunting, namun juga menampilkan data berita dari berbagai media nasional, preprocessing data (termasuk case folding, tokenisasi, stopword removal dan stemming), pembobotan kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF), serta menggunakan pengukuran tingkat relevansi menggunakan Cosine Similarity. Dataset terdiri dari lima berita dengan topik terkait, yang IR mampu menyaring dokumen secara efektif. Dari lima Berita, empat di antaranya terdeteksi relevan dan satu tidak relevan. Evaluasi model menghasilkan akurasi sebesar 80%, precision 100%, recall 80% dan f1-score 89%. Nilai-nilai ini menunjukkan bahwa sistem dapat mengidentifikasi relevansi konten Berita terhadap topik yang terutama dalam kasus judul Berita yang bersifat clickbait. Penelitian ini juga memberikan kontribusi terhadap pengembangan sistem penyaringan informasi yang lebih efisien dan akurat dalam konteks isu publik.
Ekstraksi Kata Kunci Pada Portal Jurnal JATISI Menggunakan Metode TF-IDF dan Cosine Similarity Wijaya, Michael; Irsyad, Hafiz
DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Vol 6, No 2: DESEMBER 2025
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/device.v6i2.6623

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan Cosine Similarity dalam mengekstraksi kata kunci dari abstrak artikel jurnal guna mengidentifikasi topik penelitian dalam periode tertentu. Harapannya, pengguna dapat menganalisis tren topik dan memperoleh gambaran komprehensif mengenai dinamika keilmuan di bidang Teknik Informatika dan Sistem Informasi. Penelitian ini menggunakan pendekatan eksperimental kuantitatif dengan tahapan: pengumpulan data dari 11 artikel jurnal JATISI Vol 6 No. 1 (2019), pre-processing data (case folding, penghapusan tanda baca dan angka, tokenisasi, stopword removal, dan stemming), pembobotan menggunakan TF-IDF, serta pengukuran relevansi antardokumen dengan Cosine Similarity. Hasil penelitian berhasil mengekstraksi kata kunci dari dokumen dan memberikan peringkat berdasarkan persentase kemunculannya, serta menghasilkan matriks cosine similarity untuk mengidentifikasi kemiripan antartulisan. Namun, nilai presisi 0.05, recall 0.04, dan F1-score 0.04 menunjukkan bahwa model ini belum mampu memberikan prediksi yang memadai untuk kasus ini. Temuan ini dapat dijadikan acuan bahwa model/metode tersebut tidak direkomendasikan tanpa modifikasi signifikan, sekaligus menjadi dasar untuk eksplorasi solusi alternatif di masa depan.
ANALISIS PENCARIAN TEKS EMOSI DALAM TWEET BERBAHASA INDONESIA MENGGUNAKAN TF-IDF DAN COSINE SIMILARITY Saputra, Adi; Ferdilian, M Lazuardi; Irsyad, Hafiz; Rahman, Abdul
Journal of Informatics and Computer Engineering Research Vol. 2 No. 2 (2025)
Publisher : Politeknik Negeri Ujung Pandang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31963/jicer.v2i2.6012

Abstract

Social media platforms such as Twitter present a wide range of emotional expressions from users in short and informal texts, which pose significant challenges for automated analysis. This study develops a search system for Indonesian-language tweets that identifies user emotions based on semantic similarity to a given text query. The method employs Term Frequency-Inverse Document Frequency (TF-IDF) for feature weighting and Cosine Similarity to measure textual similarity. Preprocessing stages including normalization, tokenization, stopword removal, and stemming are applied to enhance text representation accuracy. The system is tested using emotion-based queries and returns relevant tweets with high semantic match scores. Experimental results show that 50% of the top retrieved tweets match the expected emotional context. This approach proves effective in detecting emotions in short texts and offers potential for further development in sentiment-driven opinion analysis and emotion-aware recommendation systems
EKSTRAKSI BERITA HOAX PADA TURN BACK HOAX BERBASIS PENDEKATAN TF-IDF & COSINE SIMILARITY HIDAYAT, WILLIAM; Ong, Jesen; Muhdhor, Umar; Irsyad, Hafiz; Rahman, Abdul
Computing Insight : Journal of Computer Science Vol 7 No 2 (2025)
Publisher : Universitas Muhammadiyah Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/comp_insight.v7i2.26678

Abstract

Perkembangan teknologi telah membawa perubahan besar dalam kehidupan masyarakat. Salah satunya akses terhadap berita dan artikel yang semakin mudah, dan bebas. Namun, fenomena ini juga memunculkan permasalahan serius, yaitu penyebaran berita hoaks yang sangat cepat dan masif. Penelitian ini bertujuan untuk mengekstraksi informasi penting dari artikel hoaks yang dipublikasikan di situs TurnBackHoax.id menggunakan pendekatan text mining berbasis TF-IDF dan cosine similarity. Data artikel hoaks diperoleh melalui teknik web scraping dengan pustaka Python seperti requests dan BeautifulSoup, diikuti oleh tahap prapemrosesan teks yang meliputi case folding, penghapusan tanda baca, angka, serta stopwords, dan stemming. Teks yang telah diproses kemudian direpresentasikan dalam bentuk vektor numerik menggunakan metode TF-IDF untuk menentukan bobot kata berdasarkan frekuensi dan kelangkaannya dalam korpus. Selanjutnya, cosine similarity digunakan untuk mengukur tingkat kemiripan antar dokumen, sementara kata kunci diekstraksi berdasarkan bobot TF-IDF tertinggi. Visualisasi Word Cloud juga diterapkan untuk menggambarkan kata-kata dominan secara visual. Berdasarkan hasil evaluasi, metode yang digunakan dalam penelitian ini berhasil mencapai tingkat ketepatan sebesar 93,15%, menunjukkan efektivitas pendekatan TF-IDF dan Cosine Similarity dalam menganalisis dan mengelompokkan artikel hoaks. Hasil penelitian menunjukkan bahwa pendekatan ini efektif dalam mengidentifikasi kata kunci penting dan mengelompokkan artikel hoaks berdasarkan kemiripan konten. Kata kunci : Cosine Similarity,Hoaks,Text Mining, TF-IDF, kata kunci
Penerapan CNN Pada Klasifikasi Kepribadian Anak Sekolah Dasar Berdasarkan Citra Tulisan Tangan Muhammad Ishaq Maulana; Hafiz Irsyad
Progresif: Jurnal Ilmiah Komputer Vol 21, No 2 (2025): Agustus
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v21i2.2959

Abstract

Indonesia has a rich culture. This creates dynamics in personality formation. In schools, teachers' understanding of students' personalities is key. So far, conventional methods such as observation, interviews and graphology have been used to classify children's personalities, which are less efficient. This study uses the CNN algorithm with the Mobilenetv2 architecture. Dataset was taken from 5th grade students from 3 SDN Palembang with a total of 246 data divided into 2 classes, namely extrovert 101 data and introvert 145 data. Then grayscale preprocessing, normalization, and augmentation. Ratio of training, validation, and test data is 80:10:10. Model was trained with Adam optimizer, learning rate 0.0001, batch size 20, and epochs of 12. The result is a model accuracy of 69.2% with a tendency for the model to classify images as introverts. This study is expected to help teachers gain insight into the best teaching approach in the classroom.Keywords: CNN; Graphology; Elementary School AbstrakIndonesia memiliki budaya yang kaya. Ini menciptakan dinamika dalam pembentukan kepribadian. Di sekolah, pemahaman guru terhadap kepribadian siswa menjadi kunci. Selama ini untuk mengklasifikasi kepribadian anak, digunakan metode konvensional seperti observasi, wawancara dan ilmu grafologi yang kurang efisien. Penelitian ini menggunakan algoritma CNN dengan arsitektur Mobilenetv2. Dataset diambil dari siswa kelas 5 dari 3 SDN Palembang dengan total 246 data yang dibagi menjadi 2 kelas, yaitu extrovert 101 data dan introvert 145 data. Kemudian dilakukan preprocessing grayscale, normalisasi, dan augmentasi. Rasio data latih, validasi, dan uji adalah 80:10:10. Model dilatih dengan Adam optimizer, learning rate 0,0001, batch size 20, dan epoch sebanyak 12. Hasilnya akurasi model sebesar 69,2% dengan kecenderungan model mengklasifikasi citra sebagai introvert. Penelitian ini diharapkan dapat membantu guru mendapatkan pandangan tentang cara pendekatan mengajar yang terbaik di kelas.Kata kunci: CNN; Grafologi; Sekolah Dasar
Pemanfaatan Fitur Tambahan Emosi Untuk Deteksi Hate Speech Media Sosial Bahasa Indonesia Clement, Michael Joy; Irsyad, Hafiz
Progresif: Jurnal Ilmiah Komputer Vol 22, No 1 (2026): Januari
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/progresif.v22i1.3338

Abstract

This study examines the importance of incorporatring emotion features and enhancing the temporal robustness of hate-speech detection models to improve classification accuracy. The research aims to analyze the impact of emotion features on an IndoBERT based model and to evaluate the model’s adaptability using an unsupervised self-learning approach. The dataset consists of two corpora, a public dataset from 2019 and twitter data from 2025, each divided into training, validation, and test sets with an 80%, 10%, 10% split. Model performance is evaluated using accuracy, precision, recall and F1-score calculated from confusion matrix. Experimental results show that adding emotion features increases accuracy by 1-2% across all scenarios. In cross-temporal testing, the supervised model performance declines duet o linguistic shifts whereas the self-learning method improves accuracy up to 77.67%. These findings indicate that emotion features and self-learning effectively enhance the model’s ability to adapt to evolving language and social context.Keyword: Emotion; Hate speech detection; IndoBERT AbstrakPenelitian ini membahas pentingnya penambahan fitur emosi dan peningkatan ketahanan model deteksi ujaran kebencian terhadap perubahan bahasa lintas waktu guna memperkuat akurasi klasifikasi. Tujuan penelitian adalah menganalisis pengaruh fitur emosi pada model berbasis IndoBERT dan mengevaluasi kemampuan adaptasi model menggunakan pendekatan unsupervised self-learning. Data menggunakan dua korpus yaitu dataset publik tahun 2019 dan data Twitter tahun 2025, yang masing-masing dibagi menjadi data latih dan data latih, validasi, dan uji dengan proporsi 80%, 10%, dan 10%. Model dievaluasi menggunakan accuracy, precision, recall, dan F1-score yang dihitung melalui confusion matrix. Hasil pengujian menunjukkan bahwa penambahan fitur emosi meningkatkan akurasi sebesar 1-2% di seluruh skenario. Pada pengujian lintas waktu, performa model supervised menurun akibat perubahan konteks linguistik, namun metode self-learning meningkatkan akurasi hingga 77.67%. temuan ini menunjukkan bahwa fitur emosi dan self-learning efektif meningkatkan adaptasi model terhadap dinamika bahasa serta konteks sosial.Kata kunci: Seteksi ujaran kebencian; Emosi; IndoBERT
OPINI PUBLIK TERHADAP ULASAN VIDEO RUU TNI MENGGUNAKAN TF-IDF, NAÏVE BAYES DAN SMOTE Patrisius Satria Hendrawan; Michael Gunawan; Hafiz Irsyad; Abdul Rahman
Jurnal Teknologi Informasi dan Komputer Vol. 12 No. 1 (2026): JUTIK : Jurnal Teknologi Informasi dan Komputer, Edisi April 2026
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36002/jutik.v12i1.3955

Abstract

The rapid development of digital technology has encouraged the public to actively express their opinions on public issues through social media platforms, including YouTube. The comment section on videos discussing the Draft Law on the Indonesian National Armed Forces (RUU TNI) has become a space for the public to convey support or rejection. This study aims to analyze public opinion regarding the RUU TNI by classifying YouTube comments into two sentiment categories: positive and negative. The methods employed include text preprocessing, feature extraction using TF-IDF, sentiment classification with the Naïve Bayes algorithm, and data balancing using the SMOTE technique to address class imbalance. The evaluation results show that the model achieved 80.7% accuracy before SMOTE; however, the recall and f1-score for the positive class were very low due to the imbalanced dataset. After applying SMOTE, the accuracy slightly decreased to 80.38%, but there was a significant improvement in the evaluation metrics for the positive class, with recall reaching 86.21% and f1-score 81.3%. WordCloud visualization also revealed dominant keywords that represent each sentiment. These findings indicate that the Naïve Bayes algorithm, when combined with SMOTE, is more effective in producing a balanced sentiment classification and is recommended for use in analyzing imbalanced textual data related to public opinion.
Implementasi Term Frequency - Inverse Document Frequency dan Cosine Similarity untuk Analisis Kemiripan Deskripsi Produk Halal Jennifer Velensia Santoti; Jennifer Jocelyn; Hafiz Irsyad
Jurnal Software Engineering and Computational Intelligence Vol 3 No 01 (2025)
Publisher : Informatics Engineering, Faculty of Computer Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jseci.v3i01.5421

Abstract

Di era digital saat ini, kejelasan informasi produk telah menjadi aspek penting untuk mendukung keputusan konsumen dalam proses pembelian. Penelitian ini difokuskan pada implementasi ekstraksi fitur dari deskripsi produk menggunakan metode TF-IDF (Term Frequency - Inverse Document Frequency) dan Cosine Similarity untuk memprediksi deskripsi produk yang membingungkan.  Metodologi penelitian ini meliputi beberapa tahap preprocessing, yang meliputi tokenizing, stopword removal, filtering, penghapusan data null dan data NaN, serta ekstraksi fitur teks menggunakan metode TF-IDF dan Cosine Similarity. Hasil evaluasi menunjukkan bahwa sistem berhasil mengenali produk halal dengan nilai precision sebesar 96%, recall sebesar 98%, dan F1-score sebesar 97%, yang mengindikasikan bahwa adanya keseimbangan yang baik antara precision dan recall. Untuk produk haram mencapai precision sebesar 98%, recall sebesar 95%, dan F1-score sebesar 97%. Secara keseluruhan, sistem berhasil mendapatkan nilai akurasi sebesar 97%. Hasil evaluasi menunjukkan bahwa model lebih baik dalam mengenali produk halal, dengan hasil recall sebesar 98%, sementara hasil recall produk haram sebesar 95%. Hal ini mengindikasikan bahwa metode yang digunakan sangat efektif dalam memprediksi kejelasan deskripsi produk. Kesimpulan dari penelitian ini menegaskan bahwa kombinasi TF-IDF dan Cosine Similarity efektif dalam mengidentifikasi ambiguitas deskripsi produk, sehingga dapat meningkatkan transparansi informasi bagi konsumen.
Sistem Cerdas Pengkategorian Surat Undangan Elektronik Tender Pekerjaan Dengan AutoML Angel Kelly; Hafiz Irsyad; Eka Puji Widiyanto
Bulletin of Information Technology (BIT) Vol 5 No 4: Desember 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v5i4.1501

Abstract

Abstrak−Tender merupakan tawaran untuk mengajukan harga, memborong pekerjaan, atau menyediakan barang. Pengelompokan surat undangan elektronik tender pekerjaan merupakan proses penting dalam menentukan apakah tender tersebut termasuk kategori pekerjaan dalam suatu perusahaan. Dataset yang digunakan memiliki jumlah sebanyak 650 judul pekerjaan yang dibagi dengan rasio 80:20, data training sebesar 80% dan data testing sebesar 20%. Pengembangan perangkat lunka ini dilakukan untuk mengelompokan kategori surat undangan elektronik tender menggunakan algoritma AutoML AutoGluon. Hasil dari pengujian yang dilakukan menunjukkan akurasi terbaik yang dihasilkan pada pengujian skenario ketiga (presets High) dengan akurasi sebesar 81.53%, sedangkan skenario pertama (presets Medium) memberikan akurasi terendah sebesar 77.69%. Kata Kunci: AutoML, AutoGluon, Tender, Surat Undangan Elektronik
Analisis Sentimen menggunakan Algoritma Machine Learning terhadap Isu Gencatan Senjata Iran-Trump di YouTube Yeremia Agung Chandra; Jeremy Allegrato Hartono; Hafiz Irsyad
DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Vol 7, No 1: JUNI 2026
Publisher : Universitas Dharmawangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46576/device.v7i1.9042

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik di platform YouTube terkait isu gencatan senjata antara Iran dan mantan Presiden Amerika Serikat, Donald Trump. Dataset yang diambil dari komentar YouTube berjumlah 2000 dianalisis dan menghasilkan 576 data uji dengan distribusi sentimen yang tidak seimbang, pelabelan dataset menggunakan RoBERTa dengan 2 (dua) kelas, yaitu 428 label negatif, 114 netral, dan 34 positif. Ekstraksi fitur menggunakan pendekatan Bag-of-Words kombinasi unigram dan bigram untuk melatih algoritma machine learning, dengan fokus pada komparasi Support Vector Machine (SVM) dan Naïve Bayes. Hasil pengujian secara numerik menunjukkan bahwa Naïve Bayes memperoleh akurasi lebih tinggi sebesar 78.6% dengan skor macro F1 sebesar 0.503 akibat bias pada kelas mayoritas, sedangkan untuk SVM menghasilkan akurasi sebesar 74% dengan macro F1 mencapai 0.539. Penelitian ini berhasil mengimplementasikan model dengan baik meskipun Naïve Bayes unggul dalam akurasi umum karena dominasi data bersentimen negatif, SVM terbukti lebih seimbang dalam memetakan polarisasi sentimen publik yang kompleks di media sosial.
Co-Authors Abdul Rahman Abdul Rahman Adi Saputra Adikara Alif Nurrahman Adrian Suparto Agnes Anastasia Putri Ahmad Rizky Akhsani Taqwiym Akhsani Taqwiym Akhsani Taqwiym Akhsani Taqwiym Andreas Andreas Angel Kelly Antony, Felix Arta Tri Narta Arta Tri Narta Aurelia, Reni Busdin, Rusdie Candra candra Chandra Wijaya Chandra, Kelvin William Chandra, Yeremia Agung Christian Bautista Christofer Evan Setiawan Christy, Christy Cindy Meilani Clement, Michael Joy Daniel Wijaya Dedy Hermanto Derry Alamsyah Devella, Siska dewa Dicko David K Dina Lestari Putri Dina Mariana Dwifa_Sophian, Muhammad Agus Earlando Moza Edward Pratama Eka Puji Widiyanto Fareza, Ivan Farisi, Ahmad Farisi, Ahmad Fariz Prasetya Ferdi Jiranda Sinaga Ferdilian, M Lazuardi Fernando Sugianto Putra Franko, Billy Fujianto Graciela, Michelle Hansen, Hansen Hartati, Ery Hartono, Jeremy Allegrato Hendra Nata Niko P Hidayat, Muhammad Syahrizal Hidayat, WIlliam Immanuel Bunawan Ivander Destian Luis Jeason Lie Jendraja Husein Kotan Jennifer Jocelyn Jennifer Velensia Santoti Jeremy Allegrato Hartono Jolyn Lucretia jonathan stanly Jonathan Wijaya Juliana Nasution Kamilah, Nyimas Nisrinaa Kevin Kevin Kevin kevin Kristian Fernando Kurniawan, Calvin Laksana, Jovansa Putra Leonardo Leonardo Lestari, Yehezekiel Gian levid, Jonathan Felix Lin, Jimmi Meiriyama, Meiriyama Michael Gunawan Michael Joy Clement Michael Wijaya michael Wijaya Molavi Arman Muhamad Rizvi Roshan Muhammad Bemby Putra Mansyah Muhammad Ezar Al Rivan Muhammad Ishaq Maulana Muhammad Rizky Pribadi Muhammad Tri Setianto Muhdhor, Umar Narta, Arta Tri Nicholas Edison Novan Wijaya Nur Aisyah Wahyuni Ong, Jesen Patrisius Satria Hendrawan Pribadi, M Rizky Ramanda Md Rayvin Suhartoyo Renaldo, Florence Reynald Dwika Prameswara Rikky, Rikky Rizki Ambarwati RR. Ella Evrita Hestiandari Russel Wijaya Safeti Intan Pratiwi Samuel Effendi pratama Sanu, Intan Saputra, M Reynaldi Setiawan, Christofer Evan Shela, Shela Silvi Mutia Steven Liem Tanuwijaya, William Taqwiym, Akhsani Taqwiym, Akhsani Taqwiym, Akhsani Tinaliah, Tinaliah Triana Elizabeth, Triana Valen Julyo Armando Davincy Lin Verrino Adityya Virginia, Callista Wati, Retiana Krisna Wati, Risha Ambar Wijang Widhiarso Wijaya, Christian Richie William Tanuwijaya Willyanto, Aldo Wilyanto, Nicholas Wong, Jeovanni Yeremia Agung Chandra Yohannes, Yohannes Yunarto Yunarto, Yunarto