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 154 Documents
Search

 6   7   8   9   10 
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
Aspect-Based Sentiment Analysis on Twitter Using Long Short-Term Memory Method Siti Inayah Putri; Erwin Budi Setiawan; Yuliant Sibaroni
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 2 (2023): April 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i2.5637

Abstract

Twitter is one of the most popular social media among Indonesian people. Due to the high number of users and the intensity of their use, Twitter can also be used to dig up information related to a topic or product with sentiment analysis. One of the most frequently discussed topics on Twitter is related to movie reviews. Everyone's opinion of movie reviews can refer to different aspects. So, aspect-based sentiment analysis can be applied to movie reviews to get more optimal results. Aspect-based sentiment analysis is a solution to find out the opinions of Twitter users on movie reviews based on the aspects. In this study, a system for aspect-based sentiment analysis was built with a dataset of Indonesian language movie reviews consisting of 3 aspects: plot, acting, and director. The classification model uses Long Short-Term Memory (LSTM) method with the application of TF-IDF feature extraction, fastText feature expansion, and handling of imbalanced data using SMOTE. The results of this study for the plot aspect obtained an accuracy score of 74.86% and F1-score of 74.74%, the acting aspect obtained an accuracy score of 94.80% and F1-score of 94.74%, and the director aspect obtained an accuracy score of 94.02% and F1-score of 93.89%.
Aspect-Based Sentiment Analysis on Twitter Using Bidirectional Long Short-Term Memory Rizki Annas Sholehat; Erwin Budi Setiawan; Yuliant Sibaroni
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 7, No 2 (2023): April 2023
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v7i2.5636

Abstract

Twitter as one of the social media with the most users in the world, is often used as a medium for sharing opinions that can be positive or negative. Movie reviews containing many complex explanations and judgments will be challenging to classify. Therefore a sentiment analysis process based on aspects is needed to analyze the polarity of film review opinions based on predetermined aspects. This research aims to analyze the polarity of film review opinions based on aspects using the Bidirectional Long Short-Term Memory method and GloVe feature extraction. This study uses plot, acting, and director aspects with a total dataset of 17.247 data. Bidirectional Long Short-Term Memory is proven to produce relevant and accurate results for sentiment analysis with the greatest accuracy of 56,29% in the plot aspect, 87,07% in the acting aspect, and 85,55% in the director aspect. GloVe feature extraction is proven to increase the performance value of this research by up to 13,57% in the plot aspect, 4,16% in the acting aspect, and 10,48% in the director aspect.
Comparison of LSTM and IndoBERT Method in Identifying Hoax on Twitter Muhammad Ikram Kaer Sinapoy; Yuliant Sibaroni; Sri Suryani Prasetyowati
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 7 No 3 (2023): Juni 2023
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v7i3.4830

Abstract

In recent years, social media users have been increasing significantly, in January 2022 social media users in Indonesia reached 191 million people which has an increase of 12.35% from the previous year as many as 170 million people, With this massive increase every year, more and more people tend to seek and consume information through social media. Despite the many advantages provided by social media, However, the quality of information on social media is lower than in traditional news media there is a lot of hoax information spreading. With many disadvantages felt by hoax information, it has led to many research to detect hoax information on social media, especially information that is widely spread on Twitter. There are several previous researches that use various models using machine learning and also using deep learning to detect hoax. deep learning is very well used to perform several text classification tasks, especially in detecting hoax. The aim of this paper is to compare the LSTM and IndoBERT methods in detecting hoax using datasets taken from Twitter. In this study, two experiments work are conducted, LSTM and IndoBERT methods. The experimental results is average value obtained from experiments using 10-fold cross-validation. The IndoBERT model shows good performance with an average accuracy value of 92.07%, and the LSTM model provides an average accuracy value of 87.54%. The IndoBERT model can show good performance in hoax detection tasks and is shown to outperform the LSTM model which can provide the best average accuracy results in this study.
Pembuatan dan Pengembangan Konten Website Panti Sosial Asuhan Anak dan Tresna Werdha Bhakti Pertiwi Manggahang Menggunakan Odoo Yuliant Sibaroni; Sri Suryani Prasetiyowati
Jurnal Pengabdian Masyarakat Indonesia Vol 3 No 3 (2023): JPMI - Juni 2023
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpmi.1025

Abstract

Dalam sebuah organisasi sosial, keberadaan website menjadi hal yang sangat penting untuk meningkatkan kepercayaan masyarakat terhadap organisasi tersebut. Hal ini juga yang sangat diperlukan oleh Yayasan Bhakti Pertiwi Manggahang (YBPM) yang mengelola panti sosial Asuhan Anak dan Tresna Werdha di daerah Bale Endah Bandung. Untuk mengatasi hal ini, maka dikembangkanlah sebuah website panti sosial menggunakan platform website odoo. Penggunaan odoo ini berdasarkan beberapa pertimbangan antara kemudahan dalam pengembangan, pemeliharaan dan  juga tidak adanya biaya yang akan dikeluarkan pihak YBPM ke depannya yang tentunya ini akan menjamin keberlangsungan program kegiatan masyarakat ini di masa depannya. Berdasarkan hasil kegiatan pengembangan website yang telah dilakukan, diperoleh kesimpulan bahwa penggunaan odoo sebagai platform untuk pengembangan website ini terbukti memberikan hasil yang cukup baik, dimana website yang dihasilkan berkualitas cukup baik, dan dalam proses pengembangan website dan pengisian konten yang dilakukan tidak dijumpai permasalahan yang cukup mengganggu dan pihak mitra juga sudah mampu untuk mengembangkan konten website secara mandiri.
IDENTIFYING POSSIBLE RUMOR SPREADERS ON TWITTER USING THE SVM AND FEATURE LEVEL EXTRACTION Claudia Mei Serin Sitio; Yuliant Sibaroni; Sri Suryani Prasetiyowati
Jurnal Teknik Informatika (Jutif) Vol. 4 No. 3 (2023): JUTIF Volume 4, Number 3, June 2023
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2023.4.3.868

Abstract

In everyday life, many events occur and give rise to various kinds of information, which are also rumors. Rumors can cause fear and influence public opinion about the event in question. Identifying possible rumor spreaders is extremely helpful in preventing the spread of rumors. Feature extraction can be done to expand the feature set, which consists of conversational features in the form of social networks formed from user replies, user features such as following, tweet count, verified, etc., and tweet features with text analysis such as punctuation and sentiment values. These features become instances used for classification. This study aims to identify possible spreaders of rumors on Twitter with the SVM classification model. This instance-based classification algorithm is good for linear and non-linear classification. In the non-linear classification, additional kernels are used, such as linear, RBF, and sigmoid. The research focuses on getting the best model with high performance values from all the models and kernel functions that have been defined. It was found that the SVM classification model with the RBF kernel has a high overall performance value for each data combination with a ratio of the amount of data is 1:1 or the difference is very large. This model gives accurate results with an average of 97.02%. With a wide distribution of data, the SVM classification model with the RBF kernel is able to map the data properly.
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 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