Article Per Year (5 Year)
p-Index From 2021 - 2026
16.354
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmu Komputer dan Informasi Techno.Com: Jurnal Teknologi Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control Dinamisia: Jurnal Pengabdian Kepada Masyarakat Digital Zone: Jurnal Teknologi Informasi dan Komunikasi JURIKOM (Jurnal Riset Komputer) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Linguistik Komputasional Jurnal Teknologi Informasi dan Pendidikan Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Jurnal Bumigora Information Technology (BITe) Jurnal Teknik Informatika (JUTIF) JINAV: Journal of Information and Visualization Jurnal Pendidikan dan Teknologi Indonesia Jurnal Pengabdian Masyarakat Indonesia Journal La Multiapp eProceedings of Engineering Eduvest - Journal of Universal Studies Jurnal INFOTEL
Yuliant Sibaroni
Telkom University
Aerospace Engineering Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Neuroscience Public Health Social Sciences Other

Published : 154 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
Hoax Detector Covid 19 Indonesia Di Twitter Menggunakan Metode Klasifikasi Rocchio Revi Chandra Riana; Yuliant Sibaroni
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Perkembangan teknologi membuat komunikasi semakin mudah dengan menggunakan media sosial, begitupun berita yang tersebar didalamnya tidak dapat tervalidasi segala isinya. Hoax adalah berita yang diterbitkan tanpa mengacu pada berita yang benar atau berita yang salah. Untuk mengetahui hoax atau tidak suatu berita, kita bisa menggunakan metode klasifikasi khususnya klasifikasi Rocchio. Dengan akurasi yang cukup tinggi untuk mengklarifikasi berita, diharapkan hoax dapat dengan mudah teridentifikasi menggunakan klasifikasi Rocchio. Untuk kasus ini, metode n-gram digunakan sebagai tambahan parameter untuk mengukur tingkat akurasi dan keefektifan dari klasifikasi Rocchio. Hasil akhir berupa evaluasi dari tingkat akurasi Klasifikasi Rocchio untuk pengujian dengan unigram sebesar 0.87, untuk bigram sebesar 0,77, dan untuk trigram sebesar 0,66. Berdasarkan pengujian yang dilakukan menggunakan n-gram, disimpulkan bahwa gabungan urutan n-gram menentukan akurasi yang didapatkan, semakin banyak urutan n-gram akurasi akan semakin kecil Kata kunci : Hoax, Klasifikasi, Rocchio, Data, Twitter.
Analisis Sentimen Terhadap Kebijakan Pemerintah Dalam Menangani Covid-19 Dengan Pendekatan Lexicon Based Ferzi Samal Yerzi; Yuliant Sibaroni
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Pemerintah sedang gencar mengeluarkan kebijakan-kebijakan yang cukup baru bagi masyarakat Indonesia dalam penanganan penyebaran COVID-19. Banyak masyarakat Indonesia yang memiliki beberapa aspirasi atau opini terkait kebijakan pemerintah tersebut yang ditulis pada platform sosial media Twitter. Aspirasi dari masyarakat tersebut dapat kita ambil dan kita ketahui sentimen dari seluruh masyarakat, sehingga dapat melihat kecondongan sentimen dari masyarakat terhadap kebijakan pemerintah tersebut. Banyak metode yang digunakan untuk menentukan sentimen masyarakat tersebut, salah satu cara yang umum dengan menggunakan metode Support Vector Machine dan pembobotan TFIDF. Pada penelitian tugas akhir ini akan dilakukan penambahan fitur dengan metode leksikal yang memanfaatkan nilai polaritas dari kamus leksikal InSet dan Masdevid yang digabungkan dengan pembobotan kata TF-IDF. Dari hasil percobaan dengan menambahkan fitur metode leksikal, kamus InSet dapat meningkatkan akurasi menjadi 83% dibandingkan SVM tanpa penambahan fitur metode leksikal yang menghasilkan akurasi 82%. Kata kunci : analisis sentimen, support vector machine, metode leksikal, covid-19, twitter
Analisis Sentimen Mengenai Rencana Vaksinasi Covid-19 Menggunakan Support Vector Machine Dengan String Kernel Devi Ayu Peramesti; Yuliant Sibaroni
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Pemerintah indonesia berencana melakukan vaksinasi masal sebagai upaya penanggulangan covid-19 dimana Indonesia memiliki kasus tertinggi di regional Asia Tenggara. Hal tersebut memicu berbagai opini masyarakat salah satunya di twitter. Vaksin covid-19 masih baru dan sedang dalam tahap uji coba pada manusia. Opini beragam ini dapat menjadi bahan masukan pemerintah dalam menyusun kebijakan vaksinasi masal. Untuk mengetahui gambaran opini diperlukan analisis sentimen. Yang nantinya diklasifikasikan menjadi kelas positif, kelas negatif dan kelas netral. Menggunakan metode support vector machine (SVM) dengan string kernel yang memiliki hasil uji terbaik. Hasil percobaan menunjukan masyarakat diprediksikan positif terkait kebijakan vaksinasi masal ini. Model terbaik untuk prediksi opini masyarakat didapat dengan menggunakan optimisasi parameter gridsearch dengan nilai performa f1-weighted sebesar 0.8373. Dengan menerapkan string kernel linear yang memiliki f1-score lebih tinggi dari kernel rbf,sigmoid,dan polynomial. Kata kunci : analisis sentimen, SVM, kernel, multiclass,twitter,vaksinasi covid-19
Klasifikasi Data Tweet Dengan Menggunakan Metode Klasifikasi Multi-class Support Vector Machine (svm) (studi Kasus : Pt.kai) Dhina Nur Fitriana; Yuliant Sibaroni
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Informasi dalam bentuk dokumen berbasis teks yang tidak terstruktur semakin banyak dan menjadi hal biasa keberadaannya di internet. Informasi tersebut sering ditemukan secara mudah dan dimanfaatkan oleh pelaku bisnis atau perusahaan melalui media sosial. Salah satu media sosial yang dibahas pada penelitian ini adalah Twitter. Twitter menempati peringkat ke-6 sebagai media sosial yang banyak diakses saat ini yaitu sebanyak 52 % pengguna di Indonesia. Pemakaian Twitter memiliki kelemahan yaitu data teks tidak terstruktur dan berjumlah banyak yaitu mencapai 2400 tweet per harinya. Hal ini mempersulit pelaku bisnis atau perusahaan mengetahui sentimen publik terhadap suatu layanan dengan sumber daya terbatas. Sentimen publik pada Twitter perlu diklasifikasikan ke dalam netral tidak hanya positif dan negatif agar dapat mempermudah perusahaan mengetahui sentimen publik untuk pelayanan yang lebih baik di masa yang akan datang. Metode Support Vector Machine (SVM)  merupakan metode klasifikasi yang optimal dibandingkan metode Naïve Bayes. Kekurangan dari metode Support Vector Machine (SVM) yaitu menggunakan fungsi pemisah yang memisahkan data ke dalam dua kelas, jika kelas yang ingin dipisahkan lebih dari dua maka dibutuhkan modifikasi dan mempengaruhi waktu pelatihan dan ukuran memory yang dibutuhkan. Untuk menangani kasus klasifikasi non-biner pada penelitian ini diperlukan pendekatan multi-class Support Vector Machine (SVM) yang menangani klasifikasi tiga kelas. Penelitian ini menggunakan pendekatan One Againts All sebagai model untuk menentukan kelas yang tepat. Pendekatan One Againts All  memiliki akurasi yang lebih baik dibandingkan One Againts One. Penelitian ini berisi hasil implementasi metode multi-class Support Vector Machine (SVM) OAA dengan lima fitur yang berbeda yaitu unigram, bigram, trigram, unigram+bigram, dan wordcloud saat mengklasifikasikan data tweet dalam jumlah yang banyak. Nilai akurasi  tertinggi berasal dari pengujian model TF-IDF unigram yang dikombinasikan dengan metode klasifikasi multi-class Support Vector Machine (SVM) dengan nilai parameter gamma 0.7 yaitu 80.59. Multiclass Support Vector Machine (SVM) dapat mengklasifikasikan kelas netral dengan baik karena banyaknya opini yang bersifat netral yaitu sebanyak 365 kalimat dari 402 kalimat netral namun, jika menggunakan metode Support Vector Machine binary class opini netral sulit diklasifikasikan. Kata kunci : Klasifikasi Teks, Multi-class Support Vector Machine, Term Frequency-Inverse Document Frequency Abstract Information in the form of unstructured texts is increasing and becoming commonplace for its existence on the internet. This information is easily found and utilized by business people or companies through social media. One of them is Twitter. The use of Twitter has the disadvantage of an unstructured and large amount of text data, which reaches 2400 tweets per day. Consequently,, it is difficult for business people or companies to know public opinion towards service with limited resources. Public opinion on Twitter need to be classified into positive, negative, and neutral sentiments in order to know the response of customers for better service in the future. The Support Vector Machine (SVM) method is more optimal than the Naïve Bayes method. The weakness of the Support Vector Machine (SVM) method is that it uses a separator function that separates data into two classes. If the class wants to be separated more than two, modification is needed and affects the training time and memory size required. There are two approaches to implementing the multiclass Support Vector Machine method by combining several binary SVMs, namely One Against All (OAA) and One Against One (OAO). In this paper, this research contains the results of classifying multi-class Support Vector Machine (SVM) methods with five different weighting features for classifying tweet data and finding the best accuracy value when processed with large amounts of data. The results show that the TF-IDF feature extraction approach with unigram feature outperforms other methods allowing the classifier to achieve highest accuracy when work with larger datasets. The unigram TF-IDF combined with multi-class SVM has the highest average accuracy value of 80.59 compared to the other four models namely 52.53 bigrams, 53.54 trigrams, Unigrams + bigrams 76.13, and word cloud 70.33. The highest f-measure value gets from SVM multi-class method with the unigram feature and gamma parameter value of 0.7 which is 80.59. Multiclass SVM can classify neutral classes well. Multiclass SVM can classify 365 sentences out of 402 neutral sentences. Therefore, if using binary class classification, neutral is difficult to be classified. Keyword :  Text Classification, Multi-class Support Vector Machine, Term Frequency-Inverse Document Frequency, Transportation.
Analisis Sentimen Data Tweet Menggunakan Model Jaringan Saraf Tiruan Dengan Pembobotan Delta Tf-idf Chindy Amalia; Yuliant Sibaroni
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Kritik dan saran masyarakat Indonesia sangat berpengaruh untuk meningkatkan fasilitas dan kinerja pemerintah Indonesia. Salah satu media untuk menampung saran tersebut yaitu twitter dengan mengunggah tweet masyarakat dapat mengungkapkan keluh kesah mereka. Tetapi, dengan tweet yang berjumlah ratusan bahkan ribuan akan menyulitkan pemerintah untuk mengetahui kesimpulan dari seluruh data tweet. Data tweet yang diambil sebagai acuan yaitu data yang berisi tanggapan positif dan negatif dari masyarakat Indonesia. Oleh karena itu, penelitian ini mencoba menganalisis tweet mengenai sentimen masyarakat terhadap rencan perpindahan ibukota Indonesia. Analisis dilakukan dengan melakukan klasifikasi tweet yang berisi sentimen masyarakat terhadap rencana perpindahan ibukota Indonesia. Metode klasifikasi yang digunakan dalam penelitian ini adalah Jaringan Saraf Tiruan (JST) dengan model Multi Layer Perceptron yang dikombinasikan dengan fitur ekstraksi untuk dapat mendeteksi negasi dan pembobotan menggunakan Delta TF-IDF. Hasil pengujian pada aplikasi yang dibangun memperlihatkan bahwa akurasi memberikan tingkat akurasi yang cukup baik yaitu 67,75%. Kata kunci: Analisis sentimen, Jaringan Saraf Tiruan, Multi Layer Perceptron,TF-IDF, Delta TF-IDF Abstract Criticism and suggestions from the Indonesian people are very influential to improve the facilities and performance of the Indonesian government. One of the media to accommodate the suggestion is that Twitter by uploading community tweets can express their complaints. However, with tweets that number in the hundreds or even thousands it will be difficult for the government to find the conclusions from all tweet data. The tweet data taken as a reference is data that contains positive and negative responses from the people of Indonesia. Therefore, this study tries to analyze a tweet about community sentiment towards the planned move of the Indonesian capital. The analysis was carried out by classification of tweets containing public sentiments towards the planned move of the capital Indonesia. The classification method used in this study is the Artificial Neural Network (ANN) with a Multi Layer Perceptron model combined with extraction features to be able to detect negation and weighting using Delta TF-IDF. The test results on the application built show that accuracy gives a fairly good level of accuracy that is 67.75%. Keywords: sentiment analysis, artificial neural network, multi layer perceptron, TF-IDF, Delta TF-IDF
Penerapan SEO dengan Teknik On Page Terhadap Website Studentaffair Telkom University untuk Meningkatkan Visibilitas Hanif, Ibrahim; Sibaroni, Yuliant
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Website studentaffair Telkom University adalah website Direktorat Kemahasiswaan Telkom University dibawah naungan wakil rektor III bidang admisi, Kemahasiswaan, Karir dan Alumni yang bertujuan agar mahasiswa Telkom University dan stakeholder dapat melihat dan mengetahui seluruh informasi dan layanan yang ada di Ditmawa. Website tersebut sudah informatif dan cukup lengkap namun masih terdapat kesulitan untuk menemukan layanan tersebut kecuali dengan mengetikkan kata kunci nama websitenya. Selain itu, isi kontennya masih sulit ditemukan mesin pencari Google. Terbukti hasil observasi dan analisis SEO website versi desktop menggunakan seprobot.com dengan pengumpulan kata kunci yang diambil dari kata kunci umum sampai spesifik ditemukan bahwa hasil pengumpulan data dari 32 kata kunci terdapat 2 halaman yang belum optimal di mesin pencari Google yaitu halaman layanan TAK dan sejarah. Oleh karena itu, perlu dilakukan implementasi on page SEO untuk meningkatkan visibilitas di mesin pencarian. Dengan mengumpulkan kata kunci dari google keyword planner kemudian diimplementasikan pada 8 indikator on page SEO pada satu halaman website studentaffair Telkom university. Implementasi tersebut digunakan karena merupakan suatu teknik yang difokuskan untuk mengoptimalkan factor internal website seperti bagaimana konten dapat tampil di halaman atas SERP. Hasil implementasi menunjukan peningkatan peringkat halaman website studentaffair Telkom university yang awalnya tidak ditemukan menjadi peringkat satu di mesin pencarian google. Kata kunci - on page, SEO, studentaffair, visibilitas, website
Deteksi Berita Hoaks Terkait Debat Capres Pemilu 2024 Pada Media Sosial Menggunakan Metode Bayesian Neural Network Maulida , Anandita Prakarsa; Sibaroni, Yuliant
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Berita Hoaks di media sosial semakin mengkhawatirkan,terutama pada saat pemilu, di mana informasi ini dapatmempengaruhi opini publik dan mengganggu integritaspemilu. Penelitian ini bertujuan untuk mengembangkansistem deteksi hoaks menggunakan metode Bayesian NeuralNetwork (BNN) yang dioptimalkan dengan teknik Termfrequency-Inverse Document frequency (TF-IDF). Hasilpengujian menunjukkan bahwa sistem ini berhasil mencapaiakurasi tinggi dalam mengklasifikasikan berita hoaks dannon-hoaks. Dibandingkan dengan penelitian lain, sepertimenggunakan metode K-Nearest Neighbor (K-NN) mencapaiakurasi 85%, Naïve Bayes dengan akurasi 82,6%, danpenelitian data mining menggunakan TF-IDF mencapaiakurasi rendah 57%. Dengan menggunakan metode inimengklasifikasi berita hoaks secara otomatis denganmemanfaatkan distribusi probabilistik untuk meningkatkanakurasi deteksi. Pengujian ini berhasil mendapatkan akurasidengan fitur TF-IDF mencapai 85,71%, fitur Word2Vecmencapai akurasi tinggi yaitu 90,24%, dan fitur BERTmendapatkan akurasi rendah 75,27%. Penelitian inidiharapkan dapat menjadi referensi bagi pengembanganlebih lanjut dalam sistem deteksi hoaks dan meningkatkankesadaran masyarakat akan pentingnya verifikasi informasi. Kata kunci: hoaks, bayesian neural network (BNN), pemilu 2024,media sosial, TF-IDF.
Pendeteksian berita palsu menggunakan RoBERTa dengan Optimalisasi Word Embedding Arminta, Adisaputra Nur; Sibaroni, Yuliant
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Penyebaran berita palsu (hoax) telah menjadi permasalahanserius yang mempengaruhi opini publik dan menciptakanpolarisasi di masyarakat. Penelitian ini bertujuan untukmendeteksi berita palsu menggunakan model RoBERTa yangdioptimalkan dengan tiga teknik word embedding. Wordembedding yang digunakan adalah RoBERTa, Word2Vec,dan GloVe. Dataset yang digunakan adalah "Indonesian factand hoax political news" yang diambil dari Kaggle, Datasetini memerlukan tahap pre-processing untuk membersihkanketidakkonsistenan data, seperti mengubah singkatanmenjadi kata lengkap dan menghapus tanda baca.Selanjutnya, dilakukan representasi teks menggunakan tigametode word embedding yaitu Word2Vec, GloVe, danRoBERTa. Proses pelatihan model dilakukan dengan validasisilang K-Fold untuk meningkatkan generalisasi model. Hasilpenelitian menunjukkan bahwa embedding RoBERTamencapai akurasi terbaik 96%, sedangkan word embeddingWord2Vec mendapatkan akurasi 94%. Word EmbeddingGlove menunjukkan performa paling rendah dengan akurasi51%. Penelitian ini membuktikan bahwa pemilihan teknikword embedding yang tidak tepat untuk model RoBERTadapat mengurangi akurasi dan efektivitas model dalammendeteksi berita palsu. Diharapkan bahwa temuan dalampenelitian ini dapat memberikan kontribusi terhadappeningkatan sistem deteksi berita palsu di masa mendatang. Kata kunci: hoax, RoBERTa, GloVe, Word2Vec
Evaluasi Dan Perbaikan Rancangan User Interface Website Lms Menggunakan System Usability Scale (Studi Kasus: Website Lms Telkom University) Hanurogo, Tetuko Muhammad; Sibaroni , Yuliant
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - E-learning merupakan inovasi dariberkembangnya teknologi informasi dalam kegiatan belajarmengajar. Website LMS universitas merupakan salah satufasilitas dari e-learning. Seberapa baik Website LMSuniversitas dapat diketahui dengan melakukan pengujianusability. Namun, adanya keluhan mengenai user interfacewebsite LMS Telkom University dari penggunanya. Makakarena itu, tujuan dari penelitian ini adalah untukmengevaluasi dan memperbaiki tingkat kegunaan sertaefektivitas pada user interface. Metode perancangan desainantarmuka yang digunakan adalah User-Centered Designdengan metode System Usability Scale (SUS) untuk mengukurtingkat kegunaan dan merancang user interface yang sesuaikebutuhan pengguna. Kebutuhan pengguna tersebut diambildengan cara menerima saran perbaikan dari pengguna. Saranperbaikan diambil dari hasil wawancara pengguna danpengumpulan kuesioner dari responden. Kemudian melakukanperancangan ulang user interface sesuai saran perbaikan.Hasilrancangan tersebut nantinya akan diuji dan dibandingkan hasilskor SUS antara keduanya. Hasil dari skor nilai sebelum dansesudah dilakukan perbaikan meningkat dari 67 menjadi 88.Hasil tersebut menunjukan bahwa saran perbaikan daripengguna dapat meningkatkan tingkat nilai usability padawebsite LMS Telkom University. Kata kunci: LMS, System Usability Scale, User-Centered Design, Telkom University, E-learning
Analisis Sentimen Terhadap Pembangunan Kereta Cepat Jakarta - Bandung Pada Media Sosial Twitter Menggunakan Metode SVM dan GloVe Word Embedding Fitriansyah, Alam Rizki; Sibaroni, Yuliant
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Proyek kereta cepat Jakarta – Bandung merupakan salah satu proyek besar yang saat ini sedang dibuat di Indonesia. Proyek kereta cepat Jakarta – Bandung menjadi ramai dibicarakan di media sosial Twitter, karena pada pembangunannnya terdapat banyak pihak yang merasa dirugikan, namun ada juga pihak yang merasa diuntungkan. Pada penelitian ini dilakukan analisis sentimen terhadap sentiment publik di media sosial Twitter tentang proyek kereta cepat Jakarta – Bandung. Penelitian ini menggunakan data yang berisi tweet dari keyword yang sudah ditentukan dan menggunakan GloVe word embedding dan metode klasifikasi Support Vector machine. Pada penelitian ini kombnasi terbaik pada parameter GloVe dengan nilai 200 untuk no_of_component, 0.001 untuk learning_rate dan fitur TOP 1 menghasilkan kenaikan pada nilai akurasi klasifikasi SVM dari 72.63% menjadi 77.72% dibandingkan dengan SVM tanpa menggunakan fitur ekspansi GloVe.Kata kunci - sentimen, kereta cepat, twitter, GloVe, SVM
Co-Authors Abduh Salam Adhe Akram Azhari Aditya Andar Rahim Aditya Firman Ihsan Aditya Gumilar Aditya Iftikar Riaddy Adiwijaya Agi Maulana Al Ghazali, Nabiel Muhammad Alfauzan, Muhammad Fikri Alya, Hasna Rafida Andrew Wilson Angger Saputra, Revelin Annisa Aditsania Apriani, Iklima Aqilla, Livia Naura Ardana, Aulia Riefqi Arista, Dufha Arminta, Adisaputra Nur Arya Pratama Anugerah Asramanggala, Muhammad Sulthon Atikah, Balqis Sayyidahtul Attala Rafid Abelard Aufa, Rizki Nabil Aulia Rayhan Syaifullah Aurora Az Zahra, Elita Azmi Aulia Rahman Bunga Sari Chamadani Faisal Amri Chindy Amalia Claudia Mei Serin Sitio Damar, Muhammad Damarsari Cahyo Wilogo Delvanita Sri Wahyuni Derwin Prabangkara Desianto Abdillah Devi Ayu Peramesti Dhina Nur Fitriana Dhina Nur Fitriana Diyas Puspandari Ekaputra, Muhammad Novario Ellisa Ratna Dewi Ellisa Ratna Dewi Elqi Ashok Erwin Budi Setiawan Fadhilah Nadia Puteri Fadli Fauzi Zain Fairuz, Mitha Putrianty Faiza Aulia Rahma Putra Farizi, Azziz Fachry Al Fatha, Rizkialdy Fathin, Muhammad Ammar Fatihah Rahmadayana Fatri Nurul Inayah Fauzaan Rakan Tama Feby Ali Dzuhri Fery Ardiansyah Effendi Ferzi Samal Yerzi Fhira Nhita Fitriansyah, Alam Rizki Fitriyani Fitriyani F. Fitriyani Fitriyani Fitriyani Fitriyani Gilang Brilians Firmanesha Gusti Aji, Raden Aria Gutama, Soni Andika Hanif, Ibrahim Hanurogo, Tetuko Muhammad Hanvito Michael Lee Hawa, Iqlima Putri Haziq, Muhammad Raffif I Gusti Ayu Putu Sintha Deviya Yuliani I Putu Ananda Miarta Utama Ibnu Muzakky M. Noor Indra Kusuma Yoga Indwiarti irbah salsabila Irfani Adri Maulana Irma Palupi Islamanda, Muhammad Dinan Izzan Faikar Ramadhy Izzatul Ummah Janu Akrama Wardhana Jauzy, Muhammad Abdurrahman Al Kemas Muslim Lhaksmana Kinan Salaatsa, Titan Ku Muhammad Naim Ku Khalif Lanny Septiani Laura Imanuela Mustamu Lesmana, Aditya Lintang Aryasatya Lisbeth Evalina Siahaan Livia Naura Aqilla Made Mita Wikantari Mahadzir, Shuhaimi Maharani, Anak Agung Istri Arinta Mahmud Imrona Maulida , Anandita Prakarsa Mauluvy Senjaya, Argya Mitha Putrianty Fairuz Muhamad Agung Nulhakim Muhammad Arif Kurniawan Muhammad Damar Muhammad Ghifari Adrian Muhammad Hadyan Baqi Muhammad Ikram Kaer Sinapoy Muhammad Kiko Aulia Reiki Muhammad Novario Ekaputra Muhammad Rajih Abiyyu Musa Muhammad Reza Adi Nugraha Muldani, Muhamad Dika Nanda Ihwani Saputri Naufal Alvin Chandrasa Ni Made Dwipadini Puspitarini Niken Dwi Wahyu Cahyani Novitasari, Ariqoh Nuraena Ramdani Okky Brillian Hibrianto Okky Brillian Hibrianto Pernanda Arya Bhagaskara S M Pilar Gautama, Hadid Prasetiyowati, Sri Prasetyo, Sri Suryani Prasetyowati, Sri Sulyani Prawiro Weninggalih Priyan Fadhil Supriyadi Purwanto, Brian Dimas Puspandari, Dyas Putra, Daffa Fadhilah Putra, Ihsanudin Pradana Putra, Maswan Pratama Putri, Dinda Rahma Putri, Pramaishella Ardiani Regita Rachmadania Irmanita Rafik Khairul Amin Rafika Salis Rahmanda, Rayhan Fadhil Raisa Benaya Revi Chandra Riana Rian Febrian Umbara Rian Putra Mantovani Ridha Novia Ridho Isral Essa Ridho, Fahrul Raykhan Rifaldy, Fadil Rifki Alfian Abdi Malik Riski Hamonangan Simanjuntak Rizki Annas Sholehat Rizky Fauzi Ramadhani Rizky Yudha Pratama Rizky, Muhammad Zacky Faqia Salis, Rafika Salsabila, Syifa Saniyah Nabila Fikriyah Saragih, Pujiaty Rezeki Satyananda, Karuna Dewa Septian Nugraha Kudrat Septian Nugraha Kudrat Serly Setyani Shyahrin, Mega Vebika Sinaga, Astria M P Siti Inayah Putri Siti Uswah Hasanah Sri Suryani Prasetiyowati Sri Suryani Prasetyowati Sri Suryani Sri Suryani Sri Utami Sujadi, Cika Carissa Suryani Prasetyowati, Sri Syarif, Rizky Ahsan Umulhoir, Nida Varissa Azis, Diva Azty Viny Gilang Ramadhan Vitria Anggraeni WAHYUDI, DIKI Widya Pratiwi Ali Winico Fazry Wira Abner Sigalingging Zaenudin, Muhammad Faisal Zaidan, Muhammad Naufal Zain, Fadli Fauzi ZK Abdurahman Baizal