p-Index From 2021 - 2026
6.574
P-Index
Claim Missing Document
Check
Articles

A Comparative Study of Multi-Label Classification for Document Labeling in Ethical Protocol Review Rizka Wakhidatus Sholikah; Diana Purwitasari; Mohammad Zaenuddin Hamidi
Techno.Com Vol 21, No 2 (2022): Mei 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i2.5994

Abstract

An ethical clearance document ensures that the research will protect the subject in accordance with existing ethical principles. The ethical clearance is issued by the Research Ethics Commission (KEP). KEP will conduct a review of the proposed ethical protocol based on the seven standards contained in a protocol. The review process is done manually by KEP. This process often creates bottlenecks in research due to the large number of protocols that must be reviewed, so that the process to get ethical clearance takes a long time. This can affect the setback in the schedule of the research process. Therefore, in this research, a comparative study was conducted on the problem of multi-label classification to automate the ethical protocol review process. Automation of the labeling process can increase the effectiveness of the review process because it can provide an overview to the reviewer regarding the label of a document before conducting a more in-depth review process. The experiment results show that the use of the traditional machine learning approach produces better performance than the deep learning approach. The machine learning method with the best results is Naïve Bayes+BoW with precision, recall, and F-score values of 0.76, 0.80, and 0.78, respectively.
An Image Processing Framework for Breast Cancer Detection Using Multi-View Mammographic Images Nada Fitrieyatul Hikmah; Tri Arief Sardjono; Windy Deftia Mertiana; Nabila Puspita Firdi; Diana Purwitasari
EMITTER International Journal of Engineering Technology Vol 10 No 1 (2022)
Publisher : Politeknik Elektronika Negeri Surabaya (PENS)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24003/emitter.v10i1.695

Abstract

Breast cancer is the leading cause of cancer death in women. The early phase of breast cancer is asymptomatic, without any signs or symptoms. The earlier breast cancer can be detected, the greater chance of cure. Early detection using screening mammography is a common step for detecting the presence of breast cancer. Many studies of computer-based using breast cancer detection have been done previously. However, the detection process for craniocaudal (CC) view and mediolateral oblique (MLO) view angles were done separately. This study aims to improve the detection performance for breast cancer diagnosis with CC and MLO view analysis. An image processing framework for multi-view screening was used to improve the diagnostic results rather than single-view. Image enhancement, segmentation, and feature extraction are all part of the framework provided in this study. The stages of image quality improvement are very important because the contrast of mammographic images is relatively low, so it often overlaps between cancer tissue and normal tissue. Texture-based segmentation utilizing the first-order local entropy approach was used to segment the images. The value of the radius and the region of probable cancer were calculated using the findings of feature extraction. The results of this study show the accuracy of breast cancer detection using CC and MLO views were 88.0% and 80.5% respectively. The proposed framework was useful in the diagnosis of breast cancer, that the detection results and features help clinicians in making treatment.
Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors Rio Indralaksono; M. Abdul Wakhid; Novemi Uki A; Galih Hendra Wibowo; M. Abdillah; Agus Budi Rahardjo; Diana Purwitasari
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 6 No 4 (2022): Agustus 2022
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (760.392 KB) | DOI: 10.29207/resti.v6i4.4282

Abstract

Stable and reliable electricity is one of the essential things that must be maintained by the transmission system operator (TSO). That can be achieved when the TSO is able to set the balance between demand and production. To maintain the balance between production and demand, TSO should estimate how much demand must be served. In order to do that, the next day short-term load forecasting is an essential step that TSO should be done. Generally, load forecasting can be done through conventional techniques such as least square, time series, etc. However, this method has been sought over time as the electricity demand is increasing significantly over the years. Hence, this paper proposed another approach for short-term load forecasting using Deep Neural Networks, widely known as Long Short-Term Memory (LSTM). In addition, this paper clusters historical electrical loads to obtain similar patterns into several clusters before forecasting. We also explored other influence factors in the observed days, such as weather conditions and the human activity cycle represented by holidays, in a neural network-based classification model to predict the targeted clusters of electrical loads. East Java sub-system is used as the test system to investigate the efficacy of the proposed load forecasting method. From the simulation results, it is found that the proposed method could provide a better forecast on all indicators compared to the conventional method, as indicated by MaxAPE and MAPE are around 4,91% and 2,02%, while the RMSE is 112,08 MW.
Identifikasi Profil Konsumsi Enegri Listrik untuk Meningkatkan Pendapatan dengan Klustering Mirza Hamdhani; Diana Purwitasari; Agus Budi Raharjo
Journal of Information System,Graphics, Hospitality and Technology Vol. 4 No. 2 (2022): Journal of Information System, Graphics, Hospitality and Technology
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37823/insight.v4i2.232

Abstract

Ketersediaan energi listrik pada sistem sulsel lebih dari cukup yakni 602 MW. Sejalan dengan surplusnya energi listrik, kantor pusat memberikan program program peningkataan penjualan kepada unit-unit layanan pelanggan untuk dijalankan. Program tersebut belum memberikan hasil yang baik untuk Key performance indicator penjualan tenaga listrik, karna bahwasannya program tersebut diberikan secara umum untuk seluruh unit layanan pelanggan tanpa memperhatikan kondisi pasar dan karakter pelanggan yang di miliki unit layanan. Profil konsumsi energi listrik sangat penting untuk mendukung pengembangan strategi pemasaran yang dipersonalisasi agar tepat sasaran. Identifikasi profil konsumsi listrik dapat menunjukkan karakteristik pemakaian energi listrik tiap pelanggan. Pada penelitian ini clustering dilakukan permodelan melalui pengolahan data profil konsumsi listrik ditunjukkan dengan variable daya, pemakaian energi, penambahan pelanggan bulanan dari tahun 2019-2021. Selanjutnya dari hasil clustering tersebut menggali informasi karakteristik tiap klusternya untuk dijadikan informasi strategi pemasaran. Diharapkan dari penelitian ini mendapatkan model karakteristik profil konsumsi energi listrik. Hasil dari metode sum of square error mendapatkan k=3 dengan rasio 1,57. Cluster_1 adalah pelanggan dengan kontribusi rupiah penjualan terendah yakni secara komulatif hanya memberikan 18,5%. Cluster_2 berkontribusi sedang secara komulatif pada rupiah pendapatan yakni sebesar 34,86%. Cluster_3 berkontribusi paling tinggi secara komulatif pada rupiah pendapatan yakni sebesar 46,63%. Pada kelompok pelanggan yang berkontribusi terendah perlu dilakukan pemeriksaan persil pelanggan untuk memastikan pemanfaatan energi listrik dan mencurigai adanya pelanggaran penyaluran energi listrik. Pada kelompok pelanggan kontribusi sedang diberikan pendampingan dengan pengenalan alat alat elektronik dengan manfaatnya. Kemudian pada pelanggan kontribusi besar dapat diberikan layanan peendampingan dalam rangka menjaga loyalitas pelanggan, serta memberikan layanan informasi terkait tgihan listrik. Teknik k-means clustering memberikan kemudahan identifikasi karakteristik pelanggan dan visualisasi yang baik untuk perusahaan menganalisa yang kemudian memberikan informasi rekomendasi kebijakan dan strategi peningkatan pendapatan.
Pengukuran Kemiripan berbasis Leksikal dan Semantik untuk Perangkingan Dokumen Berbahasa Arab Syadza Anggraini; Diana Purwitasari; Agus Zainal Arifin
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 4 No 2 (2022): Volume 4, Nomor 2, Agustus 2022
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v4i2.495

Abstract

Hasil pencarian relevan pada sistem temu kembali informasi tergantung pengukuran kemiripan antara query dan dokumen berdasarkan bobot kata query terhadap dokumen yang akan dirangking. Namun, perhitungan kemiripan menggunakan bobot kata dimungkinkan adanya lafal kata yang berbeda tetapi memiliki makna sama. Hasil dokumen pencarian teks berbahasa Arab akan dipengaruhi kemampuan pengguna yang beragam dalam memahami bahasa tersebut. Oleh karena itu diusulkan pengukuran kemiripan secara leksikal untuk mengatasi lafal kata yang beda serta juga menggunakan kemiripan secara semantik untuk mengenali kata dengan makna sama. Penggabungan perhitungan kemiripan leksikal dan semantik dilakukan berdasarkan bobot kata (secara leksikal) yang digabungkan dengan word embedding (secara semantik). Hasil dari uji coba dilakukan pada 2900 kitab berbahasa Arab Maktabah Syamilah menunjukkan keunggulan dengan rata-rata f-measure tertinggi dibandingkan metode lainnya yaitu 66.7% pada keseluruhan query, serta 65.2% dan 69% pada short query dan long query. Short query adalah frekuensi jumlah kata di dalam query yang berjumlah 1-2 kata sedangkan long query adalah frekuensi jumlah kata di dalam query yang berjumlah lebih dari 2 kata. Short query dan long query berpeluang me-retrieve dokumen yang tidak relevan. Hasil retrieve dokumen yang tidak relevan disebabkan karena rendahnya kemiripan antar kata di dalam suatu query akibat pemilihan kata yang kurang tepat. Pemilihan kata-kata query membutuhkan penguasaan pengguna yang tidak hanya mampu mengolah query dalam bahasa Arab, tetapi juga dapat memahami konteks dokumen yang akan dicari.
Identifikasi Fitur untuk Prediksi Penerimaan Program Listrik Prabayar: Kasus di PLN Tahuna Eko Riduwan; Diana Purwitasari; Agus Budi Raharjo
Techno.Com Vol 21, No 3 (2022): Agustus 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i3.6451

Abstract

Listrik Prabayar (LPB) memberikan manfaat bagi perusahaan listrik dalam hal mengurangi piutang pelanggan dan memberikan kemudahan pengendalian pemakaian listrik bagi pelanggan. Perusahaan Listrik Negara (PLN) mempunyai program pemasaran untuk berpindah (migrasi) dari listrik pascabayar menjadi LPB. Pencapaian Key Performance Indicator (KPI) Program Pemasaran LPB PLN Tahuna pada 2021 hanya 1.185 pelanggan dari taget 2.261 pelanggan. Hal ini memberikan peluang perbaikan karena program pemasaran saat ini belum mengoptimalkan penggunaan data sebagai dasar penentuan prospek pelanggan. Penelitian ini mengajukan metode identifikasi fitur dan skenario pemilihan algoritma Pembelajaran Mesin yang tepat untuk memprediksi penerimaan pelanggan listrik pasca bayar terhadap program prabayar. Identifikasi fitur dilakukan dengan pengukuran korelasi Pearson. Kandidat algoritma Pembelajaran Mesin yang terpilih adalah Logistic Regression, Support Vector Machines, Decision Tree, dan Random Forest. Model-model yang dihasilkan dievaluasi menggunakan confusion matrix sehingga didapatkan model terbaik untuk studi kasus yang diajukan. Penelitian menunjukkan bahwa fitur tarif, daya, frekuensi terlambat membayar listrik, pemakaian rata-rata listrik bulanan (kWh) dan Kabupaten mempunyai korelasi signifikan dengan penerimaan LPB. Adapun model dengan algoritma Random Forest adalah model terbaik sesuai tujuan penelitian dengan F1-Measure tertinggi (95,17%).
Pemanfaatan Machine Learning untuk Pengelompokan dan Prediksi Target Tambah Daya Listrik Pelanggan Prabayar (Studi Kasus : PT PLN ULP Watang Sawitto) Rizqa Afthoni; Diana Purwitasari; Agus Budi Raharjo
Techno.Com Vol 21, No 3 (2022): Agustus 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i3.6476

Abstract

Perkembangan teknologi sistem informasi dan ilmu pengetahuan khususnya dalam bidang pemasaran membuat para pelaku usaha berupaya untuk meningkatkan competitive advantage mereka dengan mengerahkan sumber daya yang dimiliki oleh perusahaan. Perusahaan dituntut untuk berinovasi dalam mengelola perusahaannya agar dapat bertahan dalam dunia persaingan. Kemampuan untuk memprediksi pelanggan prabayar yang berpotensi tambah daya listrik merupakan salah satu strategi pendukung untuk keberhasilan program pemasaran tambah daya pelanggan berdasarkan karakteristik konsumsi listriknya. Berdasarkan hal tersebut, penelitian ini mengajukan metode prediksi pelanggan prabayar dengan memanfaatkan algoritma pengelompokan (Clustering) dan klasifikasi. Data yang diolah adalah data pelanggan prabayar tarif rumah tangga yang memiliki fitur variabel daya listrik pelanggan (VA), frekuensi beli token listrik, total pemakaian kWh, total rupiah pembelian token, selisih daya VA pelanggan, jam nyala, periode hari pembelian token listrik, dan riwayat tambah daya listrik pelanggan. Pengelompokan dilakukan dengan menerapkan algoritma K-means. Dari hasil tersebut, model prediksi dibangun sesuai target setiap klaster dengan memanfaatkan dua metode, Gradient Boosting dan Artificial Neural Network. Evaluasi prediksi model terbaik dilakukan dengan menerapkan tiga skenario proporsi data latih dan data uji, yang selanjutnya diukur menggunakan matrik akurasi dan Cohen Kappa. Hasil eksperimen menghasilkan empat klaster berdasarkan karakteristik konsumsi listriknya. Gradient Boosting memberikan hasil yang terbaik untuk semua klaster, untuk klaster 1 menghasilkan nilai AUC 0.784, klaster 2 menghasilkan nilai AUC 0.941, klaster 3 menghasilkan nilai 0.884 dan klaster 4 menghasilkan nilai AUC 0.903.
Penentuan Topik dengan Opinion Mining berbasis Two-Pass Classifier dan Bayesian dalam Peringkasan Teks Twitter Muhammad Mirza Muttaqi; Diana Purwitasari; Rizka Wakhidatus Sholikah
ILKOMNIKA: Journal of Computer Science and Applied Informatics Vol 4 No 3 (2022): Volume 4, Nomor 3, Desember 2022
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v4i3.499

Abstract

Kolom komentar berkepanjangan pada teks Twitter mempersulit masyarakat yang ingin mengetahui informasi terkini seperti topik tren Covid-19. Peringkasan teks dengan mempertahankan konten melalui pengelompokkan kata untuk deteksi kemiripan hubungan dalam konteks kalimat dapat menghasilkan ringkasan lebih terfokus. Akan tetapi pada klastering teks Twitter sering ditemukan kalimat atau satu tweet yang seharusnya berbeda klaster. Oleh karena itu, perlu dilakukan pemodelan topik dan penentuan topik untuk mempermudah pengguna mencari suatu informasi tertentu. Pada penelitian ini difokuskan pada topik Covid-19. Pemodelan topik digunakan untuk mengatur, mencari, memahami, dan meringkas sebuah teks. Opinion Mining digunakan untuk mengekstrak atau mengklasifikasikan polaritas sentimen. Polaritas sentimen ini berupa “positif” atau “negatif” pada suatu entitas atau aspek. Proses klasifikasi menggunakan metode two pass clasiffier untuk sentimen positif dan negatif, serta Bayesian sebagai metode pelabel entitas – entitas. Setelah itu, label-label tersebut dikelompokkan sehingga terbentuk topik-topik dan beberapa tweet yang mempunyai kemiripan entitas topik dikelompokan ke dalam topik. Dari hasil evaluasi mengunkan TextRank, Okapi BM25 dan PageRank, proses opinion mining menghasilkan nilai yang lebih tinggi dibandingkan dengan Latent Semantic Indexing (LSI), dengan selisih rata-rata 0,53
A Hybrid Method on Emotion Detection for Indonesian Tweets of COVID-19 Diana Purwitasari; Adi Surya Suwardi Ansyah; Arya Putra Kurniawan; Asiyah Nur Kholifah
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 7 No 2 (2023): April 2023
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v7i2.4816

Abstract

As a result of the COVID-19 pandemic, there have been restrictions on activities outside the home which has caused people to interact more and express their emotions through social media platforms, one of which is Twitter. Previous studies on emotion classification used only one feature extraction, namely the lexicon based or word embedding. Feature extraction using the emotion lexicon has the advantage of recognizing emotional words in a sentence while feature extraction using word embedding has the advantage of recognizing the semantic meaning. Therefore, the main contribution to this research is to use two lexicon feature extraction and word embedding to classify emotions. The classification technique used in this research is the Ensemble Voting Classifier by selecting the two best classifiers to try on both types of feature extraction. The experimental results for both types of feature extraction are the same, indicating that the best classifiers are Random Forest and SVM. Models using both types of feature extraction show increased accuracy compared to using only one feature extraction. The results of this emotional analysis can be used to determine the public's reaction to an event, product, or public policy.
Aspect-based Sentiment and Correlation-based Emotion Detection on Tweets for Understanding Public Opinion of Covid-19 Salsabila Salsabila; Salsabila Mazya Permataning Tyas; Yasinta Romadhona; Diana Purwitasari
Journal of Information Systems Engineering and Business Intelligence Vol. 9 No. 1 (2023): April
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.9.1.84-94

Abstract

Background: During the Covid-19 period, the government made policies dealing with it. Policies issued by the government invited public opinion as a form of public reaction to these policies. The easiest way to find out the public’s response is through Twitter’s social media. However, Twitter data have limitations. There is a mix between facts and personal opinions. It is necessary to distinguish between these. Opinions expressed by the public can be both positive and negative, so correlation is needed to link opinions and their emotions. Objective: This study discusses sentiment and emotion detection to understand public opinion accurately. Sentiment and emotion are analyzed using Pearson correlation to determine the correlation. Methods: The datasets were about public opinion of Covid-19 retrieved from Twitter. The data were annotated into sentiment and emotion using Pearson correlation. After the annotation process, the data were preprocessed. Afterward, single model classification was carried out using machine learning methods (Support Vector Machine, Random Forest, Naïve Bayes) and deep learning method (Bidirectional Encoder Representation from Transformers). The classification process was focused on accuracy and F1-score evaluation. Results: There were three scenarios for determining sentiment and emotion, namely the factor of aspect-based and correlation-based, without those factors, and aspect-based sentiment only. The scenario using the two aforementioned factors obtained an accuracy value of 97%, while an accuracy of 96% was acquired without them. Conclusion: The use of aspect and correlation with Pearson correlation has helped better understand public opinion regarding sentiment and emotion more accurately.   Keywords: Aspect-based sentiment, Deep learning, Emotion detection, Machine learning, Pearson correlation, Public opinion.
Co-Authors Abdillah, Abid Famasya Abdillah, Surya Abid Famasya Abdillah Achmad Affandi Ade Afrian Adhi Nurilham Adi Surya Suwardi Ansyah Adillion, Ilham Gurat Adni Navastara, Dini Agus Budi Raharjo Agus Budi Raharjo Agus Zainal Arifin Agus Zainal Arifin Ahmad Syauqi Ahmad Syauqi Aida Muflichah Akwila Feliciano Akwila Feliciano Alif Akbar Fitrawan, Alif Akbar Alqis Rausanfita Aminul Wahib Aminul Wahib Aminul Wahib Apriantoni Apriantoni Apriantoni, Apriantoni Ardianto Ardianto Ariadi Retno Tri Hayati Arief Rahman Arif Fadllullah Arini Rosyadi Ario Bagus Nugroho Arrie Kurniawardhani Arya Putra Kurniawan Asiyah Nur Kholifah Atikah, Luthfi Bambang Setiawan Baskoro Adi Pratomo Baskoro, Fajar Benito, Davian Budi Pangestu Budi Rahardjo Budi Raharjo, Agus Budiyono, Yanuardhi Arief Buliali, Joko Lianto Cahyaningtyas, Zakiya Azizah Chastine Fatichah Chilyatun Nisa, Chilyatun Christian Sri kusuma Aditya, Christian Sri kusuma Cornelius Bagus Purnama Putra Damayanti, Putri Daniel Oranova Siahaan Daniel Swanjaya Dasrit Debora Kamudi Dhian Kartika Dian Saputra Dini Adni Navastara, Dini Adni Dwi Sunaryono Dwi Sunaryono Edy Sukotjo Eko Riduwan Elshe Erviana Angely Erlinda Argyanti Nugraha Erlinda Argyanti Nugraha Esti Yuniar F.X. Arunanto Fahmi Amiq Fahrur Rozi Fajar Baskoro Fajar Baskoro Falach Asy'ari, Misbachul Fandy Kuncoro Adianto Fandy Kuncoro Adianto Faried Effendy Febri Fernanda Febriliyan Samopa Fransiscus Xaverius Arunanto Galih Hendra Wibowo Ginardi, Raden Venantius Hari Glory Intani Pusposari Gurat Adillion, Ilham Gus Nanang Syaifuddiin Hadziq Fabroyir Hafidz, Abdan Hamidi, Mohammad Zaenuddin Handayani Tjandrasa Haniefardy, Addien Hanif Affandi Hartanto Haykal, Muhammad Farhan Herdayanto Sulistyo Putro Hilya Tsaniya Hudan Studiawan Husna, Farida Amila I Ketut Eddy Purnama I Made Satria Bimantara Ilmi, Akhmad Bakhrul Imam Santosa Indra Lukmana Irdayanti, Marina Ivonne Soejitno Juanita, Safitri Juanita, Safitri Juli Purwanto Kardawi, Muhammad Yusuf Kautsar, Faiz Kevin Christian Hadinata Kevin Christian Hadinata Khadijah F. Hayati Kurnia Aji Tritamtama Lailatul Hidayah M. Abdillah M. Abdul Wakhid Mabahist, Fahril Maheswari, Clarissa Luna Mamluatul Hani’ah Mauridhi Hery Purnomo Mirza Hamdhani Misbakhul Munir Irfan Subakti Muhamad Nasir Muhammad Machmud Muhammad Mirza Muttaqi Nabila Puspita Firdi Nada Fitrieyatul Hikmah Nanik Suciati Narandha Arya Ranggianto Nova Rijati Novemi Uki A Novrindah Alvi Hasanah Nugraha, Raditya Hari Nur Azizah, Anisa Nur Hayatin Nurilham, Adhi Oktaviandra Pradita Putri Oktaviandra Pradita Putri, Oktaviandra Pradita Paramastri Ardiningrum Putu Praba Santika Putu Utami Andarini S. Putu Yuwono Kusmawan Raihan, Muhammad Rangga Kusuma Dinata Rangga Kusuma Dinata Ratih Nur Esti Anggraini, Ratih Nur Esti Rendra Dwi Lingga P. Resti Ludviani Rio Indralaksono Rizal Setya Perdana Rizka Sholikah Rizka Wakhidatus Sholikah Rizka Wakhidatus Sholikah, Rizka Wakhidatus Rizqa Afthoni Rozi, Fahrur RR. Ella Evrita Hestiandari Rully Soelaiman Rully Sulaiman Ryfial Azhar, Ryfial Safhira Maharani Safhira Maharani Safitri, Julia Salim Bin Usman Salim Bin Usman Salsabila Mazya Permataning Tyas Salsabila Salsabila Satrio Hadi Wijoyo Satrio Verdianto Satrio Verdianto Sembiring, Fred Erick Septiyan Andika Isanta Septiyan Andika Isanta Septiyawan Rosetya Wardhana Septiyawan Rosetya Wardhana Sherly Rosa Anggraeni Sherly Rosa Anggraeni Sidharta, Bayu Adjie Sihombing, Drigo Alexander Siti Rochimah Surya Sumpeno Suwida, Katon Syadza Anggraini Tanzilal Mustaqim Tegar Rachman Muzzammil Tesa Eranti Putri Tri Arief Sardjono Tsabbit Aqdami Mukhtar, Tsabbit Aqdami Umy Rizqi Verdianto, Satrio Victor Hariadi Vit Zuraida Wakhid, Muhammad Abdul Wardhana, Septiyawan R. Wardhana, Septiyawan Rosetya Wicaksono, Farhan Wijayanti Nurul Khotimah Wijoyo, Satrio Hadi Windy Deftia Mertiana Wisma Dwi Prastya, Ifnu Wulansari Wulansari Yasinta Romadhona Yatestha, Anak Agung Yoga Yustiawan Yonathan, Vincent Yos Nugroho Yudhi Purwananto Yufis Azhar Yuhana, Umi Laili Yulia Niza Yulia Niza Yulian Findawati Yunianto, Dika R. Zahrul Zizki Dinanto Zakiya Azizah Cahyaningtyas Zakiya Azizah Cahyaningtyas