Article Per Year (5 Year)
p-Index From 2021 - 2026
8.371
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Informatika Global Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI) Indexia
Nanang Yudi Setiawan
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Dentistry Education Electrical & Electronics Engineering Engineering Library & Information Science

Published : 70 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 70 Documents
Search

 3   4   5   6   7 
Prediksi Tipe Kepribadian MBTI Artis K-Pop Berdasarkan Caption Instagram Menggunakan Word2Vec dan Long-Short Term Memory (LSTM) Hakim, Alfian; Wijoyo, Satrio Hadi; Setiawan, Nanang Yudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10 No 5: Oktober 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023107064

Abstract

Myers-Briggs Type Indicator (MBTI) adalah metode pengujian psikologi yang membedakan kepribadian seseorang. MBTI termasuk pembagian tipe kepribadian yang paling populer di dunia, termasuk di Korea Selatan. Tren MBTI di Korea Selatan juga dimanfaatkan oleh para artis K-Pop untuk berbagi tipe MBTI sehingga bisa mendekatkan hubungan antara penggemar dan idolanya. Salah satu media sosial yang umum digunakan oleh artis K-Pop adalah Instagram. Penelitian ini mencoba membuat model klasikasi tipe kepribadian berdasarkan caption Instagram artis K-Pop menggunakan Word2Vec dan Long-Short Term Memory (LSTM). Terdapat 118.401 data caption yang sudah dibersihkan melalui serangkaian langkah pre-processing dari 458 artis. Distribusi tipe kepribadian menunjukkan bahwa target tidak seimbang sehingga perlu dilakukan penanganan yaitu penggeseran threshold yang dilakukan pasca pemodelan. Evaluasi kombinasi model menghasilkan nilai macro f1 0,65 pada data artis, dengan rincian model Extroversion-Introversion, Sensing-Intuition, Thinking-Feeling memiliki nilai macro f1 yang sama yaitu 0,88, sedangkan model Judging-Perceiving memiliki nilai macro f1 yang sedikit lebih baik yaitu 0,90. Model diimplementasikan dalam aplikasi web Streamlit agar penggemar K-Pop dapat menggunakannya untuk memprediksi tipe MBTI dengan masukan caption Instagram. Aplikasi web dievaluasi menggunakan kuesioner System Usability Scale (SUS) dan mendapatkan skor 84,55 sehingga sudah termasuk kategori acceptable.   Abstract Myers-Briggs Type Indicator (MBTI) is a psychological test that distinguishes a person's personality. The MBTI is one of the most popular personality types in the world, including South Korea. The MBTI trend in South Korea is also used by K-Pop artists to share their MBTI types so they could be closer to their fans. One of the social media commonly used by K-Pop artists is Instagram. This study tries to develop a personality type classification model based on Instagram captions of K-Pop artists using Word2Vec and Long-Short Term Memory (LSTM). There are 118,401 caption data that have been cleaned through a series of pre-processing steps from 458 artists. The distribution of personality types shows that the target is not balanced, so it is necessary to handle imbalanced data, namely shifting the threshold after modeling. Evaluation of the combination model yields a macro f1 value of 0.65 in the artist data, with the details of the Extroversion-Introversion, Sensing-Intuition, Thinking-Feeling models having the same macro f1 value of 0.88, while the Judging-Perceiving model has a slightly better macro f1 value of 0.90. The model is deployed in the Streamlit web application so that K-Pop fans can use it to predict the MBTI type by inputting Instagram captions. The web application is evaluated using the System Usability Scale (SUS) questionnaire and gets a score of 84.55 so it is considered acceptable.
Analisis Sentimen Ulasan Rumah Makan Menggunakan Perbandingan Algoritma Support Vector Machine dengan Naive bayes (Studi Kasus: Ayam Goreng Nelongso Cabang Singosari, Malang) Salsabillah, Dinar Fairus; Ratnawati, Dian Eka; Setiawan, Nanang Yudi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 1: Februari 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20241117584

Abstract

Peningkatan kualitas produk dan pelayanan merupakan tantangan yang dihadapi oleh bisnis kuliner, termasuk rumah makan Ayam Goreng Nelongso Singosari di Kabupaten Malang. Analisis sentimen digunakan untuk mengidentifikasi ulasan pelanggan terkait pelayanan, kualitas produk, harga, dan kepuasan pelanggan. Penelitian ini membandingkan metode Support Vector Machine (SVM), metode Naïve Bayes Classifier (NBC), dan Root Cause Analysis untuk mengklasifikasikan sentimen ulasan pelanggan dan menganalisis masalah yang mendasarinya. Tujuan penelitian ini adalah membandingkan hasil dari algoritma Support Vector Machine dan Naïve Bayes Classifier dalam pengklasifikasian sentimen ulasan pelanggan rumah makan Ayam Goreng Nelongso. Penelitian ini juga bertujuan untuk menghasilkan rekomendasi berdasarkan analisis root cause pada sentimen negatif ulasan pelanggan. Implementasi kedua algoritma klasifikasi menunjukkan performa yang baik dalam mengklasifikasikan data dengan akurasi tinggi. Pengujian menunjukkan bahwa kinerja SVM lebih unggul dengan tingkat akurasi mencapai 92,74%, sementara NBC mencapai tingkat akurasi sebesar 91,67%. Hasil analisis root cause menunjukkan beberapa rekomendasi untuk meningkatkan aspek harga, makanan, layanan, dan tempat rumah makan. Rekomendasi yang dapat dilakukan oleh pihak rumah makan diantaranya adalah evaluasi ukuran dan harga, penggunaan deep frying, pelatihan dan evaluasi pelayanan, serta penambahan tenaga kerja atau kerjasama dengan outsourcing dalam menjaga kebersihan tempat. Hasil penelitian diharapkan dapat membantu pemilik rumah makan dalam mengembangkan kualitas produk dan pelayanan serta memberikan pandangan untuk langkahlangkah yang dapat diambil di kemudian hari. 
Analisis Interaksi Aktivitas Pembelajaran Daring Berdasarkan Data Log Aktivitas pada Learning Managemefnt System (LMS) Menggunakan Educational Process Mining Anwar, Novriani Dewi; Setiawan, Nanang Yudi; Purnomo, Welly
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 5: Oktober 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024117987

Abstract

Perpaduan perkembangan teknologi di bidang pendidikan telah mengembangkan suatu inovasi yang disebut LMS (Learning Management System) yang dapat diakses dari mana saja dan kapan saja tanpa harus melakukan pertemuan secara fisik di kelas. Kegiatan interaksi pada LMS memiliki event log yang dapat diekstraksi untuk mengidentifikasi analisis menggunakan Educational Process Mining (EPM). Kami mengekstrak event log dari ELING, platform LMS yang disediakan oleh fakultas kami. Selanjutnya, kami melakukan Process Mining menggunakan metode Heuristic Miner dari tiga dosen kelas mata kuliah Data Warehouse yang berbeda. Analisis yang dilakukan yaitu melihat gambaran kegiatan pembelajaran yang diberikan oleh masing-masing dosen dan pendekatannya dalam mengarahkan mahasiswa untuk berinteraksi dengan modul materi pada ELING apakah sesuai urutan dalam Rencana Pembelajaran Semester (RPS). Kami memvariasikan dependency threshold untuk mengidentifikasi modul pembelajaran mana yang memiliki tingkat ketergantungan yang lebih tinggi antar event yang menjadi inti pembelajaran mata kuliah tersebut. Pada dependency threshold 0,6, jumlah kegiatan dari model yang ditemukan untuk semua dosen adalah 21. Sementara pada threshold 0,8, jumlah kegiatan bervariasi antara 12 dan 20. Dengan variasi dependency threshold ini juga akan mengidentifikasi modul mana yang tetap muncul yang berhubungan dengan bentuk model aktivitas pembelajaran dan apakah model yang dihasilkan sesuai dengan urutan RPS.   Abstract   The combination of technological developments in the field of education has developed an innovation called LMS (Learning Management System) that can be accessed from anywhere and anytime without having to conduct physical meetings in class. Interaction activities in the LMS have event logs that can be extracted to identify analysis using Educational Process Mining (EPM). We extract event logs from ELING, an LMS platform provided by our faculty. Next, we conducted Process Mining using the Heuristic Miner method from three different Data Warehouse course class lecturers. The analysis carried out is to see an overview of the learning activities provided by each lecturer and their approach in directing students to interact with the material modules on ELING whether in the order in the Semester Learning Plan (RPS). We vary the dependency threshold to identify which learning modules have a higher level of dependency between events that are at the core of the course's learning. At a dependency threshold of 0.6, the number of activities from the model found for all lecturers was 21. While at the threshold of 0.8, the number of activities varies between 12 and 20. With dependency threshold variations, it will also identify which modules still appear that relate to the shape of the learning activity model and whether the resulting model matches the RPS sequence.
Prediksi Harga Saham (FREN.JK) PT. Smartfren Telecom Tbk. Menggunakan Algoritma Long Short Term Memory Tambing, Nathania Maerella Arungla'bi'; Wijoyo, Satrio Hadi; Setiawan, Nanang Yudi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 4 (2025): April 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Peningkatan minat masyarakat terhadap investasi saham memerlukan metode prediksi yang akurat untuk meminimalisir risiko kerugian. Pengembangan model prediksi harga saham PT. Smartfren Telecom Tbk (FREN.JK) menggunakan algoritma Long Short Term Memory (LSTM), yang merupakan pengembangan dari Recurrent Neural Network (RNN). Model dikembangkan menggunakan data harian harga penutupan saham periode 1 Januari 2023 hingga 31 Juli 2024 dari Yahoo Finance, dengan pembagian data 80% : 20% untuk training dan testing. Inovasi penelitian terletak pada integrasi variabel persediaan dan piutang usaha pihak berelasi sebagai fitur tambahan, yang dipilih berdasarkan analisis korelasi spearman. Hasil menunjukkan bahwa model LSTM dengan fitur terpilih menghasilkan nilai error yang lebih kecil (RMSE 14603, MAPE 21%) dibandingkan model dengan seluruh variabel aset lancar (RMSE 15526, MAPE 23%). Penelitian ini berkontribusi pada pengembangan model prediksi harga saham yang mengintegrasikan variabel keuangan relevan dengan algoritma LSTM.
Klasifikasi Sentimen dan Pemetaan Aspek pada Ulasan Wisatawan Mancanegara Terhadap Kunjungan ke Trans Studio Bali Menggunakan Model BERT Salwa, Shafa Nathaniela; Wijoyo, Satrio Hadi; Setiawan, Nanang Yudi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Konferensi Nasional SENTRIN 2025
Penerapan Automatic Tuning pada Basis Data DuckDB Menggunakan Metode Bayesian Optimization untuk Optimalisasi Kinerja dan Efisiensi Basis Data Damahindra, Rangga Andhito; Setiawan, Nanang Yudi; Wicaksono, Satrio Agung
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Peningkatan volume dan kompleksitas data pada era digital menuntut sistem basis data yang efisien dalam penyimpanan, pengolahan, dan eksekusi query. DuckDB merupakan sistem basis data embedded yang dirancang untuk mendukung operasi OLAP secara lokal, namun proses tuning parameter konfigurasinya masih dilakukan secara manual dan kurang efisien. Selain itu, belum ada pedoman khusus mengenai parameter DuckDB yang memiliki pengaruh paling signifikan terhadap performa waktu eksekusi query. Penelitian ini bertujuan untuk mengidentifikasi parameter konfigurasi DuckDB yang paling berpengaruh terhadap waktu eksekusi query serta menerapkan tuning otomatis menggunakan metode Bayesian Optimization. Seleksi parameter dilakukan kepada keseluruhan 127 parameter DuckDB melalui pendekatan rule-based serta perhitungan feature importance berbasis Shapley Additive exPlanations (SHAP) yang menghasilkan dua parameter akhir, yaitu threads dan max_expression_depth. Optimasi nilai parameter dilakukan menggunakan Bayesian Optimization berbasis Gaussian Process dengan fungsi akuisisi Expected Improvement. Hasil pengujian pada tiga kategori workload query (ringan, sedang, berat) menunjukkan signifikansi Bayesian Optimization dalam menurunkan waktu eksekusi sebesar lebih dari 40% antara iterasi pertama dan terbaik dalam batas 50 iterasi. Selain itu, dalam perbandingan dengan nilai parameter default, pada workload sedang dan berat, tuning menghasilkan rata-rata penurunan waktu eksekusi lebih dari 60%. Namun, pada workload ringan, konfigurasi default justru lebih unggul dengan waktu eksekusi rata-rata 10,08% lebih cepat dibanding hasil tuning.
Pengembangan Dashboard Business Intelligence untuk Monitoring Data Akademik Sekolah Menggunakan Metode Kimball (Studi Kasus: MTSS Bina Ihsan Mulia) Khairani, Nadia Raisa; Setiawan, Nanang Yudi; Purnomo, Welly
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pengelolaan data akademik yang efisien penting untuk mendukung pengambilan keputusan berbasis data di lingkungan pendidikan. Namun, MTSS Bina Ihsan Mulia belum memiliki sistem pelaporan yang terintegrasi dan interaktif untuk mendukung proses akreditasi. Penelitian ini bertujuan untuk mengembangkan dashboard Business Intelligence (BI) berbasis pengembangan data warehouse menggunakan metode Kimball untuk meningkatkan efektivitas analisis dan monitoring data akademik. Proses pengembangan mengikuti tahapan Business Intelligence Lifecycle, mulai dari perencanaan, perancangan model data multidimensional, implementasi ETL menggunakan Python, hingga visualisasi dengan Looker Studio. Evaluasi usability dilakukan dengan dua pengujian utama menggunakan kerangka Dashboard Assessment Usability Model (DATUS) berupa kuesioner dan pengujian task-based. Hasil pengujian kuesioner menunjukkan skor rata-rata usability di atas 4 dari skala Likert 5 poin, dengan skor sempurna 5.0 pada dimensi operability. Pada hasil pengujian task-based, metrik number of analytical goals completed successfully menunjukkan seluruh responden menyelesaikan minimal 90% dari 10 tugas, metrik number of errors mencatat error rate yang dihasilkan responden secara keseluruhan sebesar 4%, dan metrik task time of the first use menunjukkan rata-rata waktu pengerjaan 1 menit 24 detik. Hasil ini membuktikan dashboard memiliki tingkat effectiveness dan learnability yang tinggi serta tingkat usability yang memuaskan untuk analisis data akademik di MTSS Bina Ihsan Mulia.
Analisis Sentimen Terhadap Kebijakan Kenaikan PPN 12% Menggunakan Support Vector Machine (SVM) Rahmadina, Alishza Putri; Setiawan, Nanang Yudi; Rusydi, Alfi Nur
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 9 (2025): September 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kebijakan kenaikan Pajak Pertambahan Nilai (PPN) dari 11% menjadi 12% pada awal tahun 2025 memicu respons yang beragam dari masyarakat, baik berupa dukungan maupun penolakan. Salah satu bentuk penolakan tersebut tercermin dari munculnya petisi daring yang memperoleh dukungan luas, mencerminkan tingginya atensi dan keresahan publik terhadap isu kenaikan PPN. Penelitian ini bertujuan untuk mengklasifikasikan opini publik terhadap kebijakan tersebut menggunakan pendekatan analisis sentimen dengan algoritma Support Vector Machine (SVM). Data diperoleh dari platform X dan YouTube, dan diklasifikasikan ke dalam dua kelas sentimen: positif dan negatif. Tahapan preprocessing mencakup cleaning, case folding, normalization, tokenization, serta pembobotan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Ketidakseimbangan data ditangani dengan metode Synthetic Minority Over-sampling Technique (SMOTE). Pemilihan parameter terbaik dilakukan menggunakan Grid Search terhadap nilai parameter C dengan evaluasi stratified 10-fold cross-validation. Model terbaik kemudian dievaluasi menggunakan confusion matrix dan menghasilkan akurasi sebesar 87%. Hasil klasifikasi menunjukkan bahwa opini publik didominasi oleh sentimen negatif dengan dua topik, yaitu ketidakberpihakan terhadap kelompok ekonomi bawah serta ketidakadilan kebijakan dan beban ekonomi. Sentimen positif mengangkat dua topik, yaitu stabilitas dan ketahanan ekonomi nasional serta penguatan sistem perpajakan dan keadilan fiskal.
Analisis Kualitas Layanan Fasilitas Malang Smart Arena melalui Analisis Sentimen Menggunakan Support Vector Machine Putri, Rizka Saudah Yunida; Setiawan, Nanang Yudi; Wijoyo, Satrio Hadi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Malang Smart Arena, wahana bermain untuk segala usia, menerima beragam ulasan di Google Review, termasuk pengalaman positif dan negatif. Oleh karena itu, penelitian ini bertujuan menganalisis kualitas layanan berdasarkan sentimen pengunjung untuk menemukan aspek yang sering dikeluhkan. Menggunakan pendekatan Root Cause Analysis. Analisis sentimen dilakukan dengan Latent Dirichlet Allocation untuk pembentukan topik dan Inset Lexicon untuk klasifikasi sentimen. Evaluasi model menggunakan Support Vector Machine. Hasil evaluasi model menunjukkan bahwa SVM memiliki performa yang baik dalam mengenali sentimen ulasan, dengan akurasi 95.39%, serta macro avg precision 93%, recall 72%, dan F1-Score 79%, menunjukkan kemampuan yang cukup baik dalam mengklasifikasi sentimen. Hasil menunjukkan tiga aspek utama ulasan adalah tangibles, reliability, dan empathy. Aspek tangibles membutuhkan perbaikan terbesar dengan skor service quality terendah (0,2024), yang melibatkan keluhan kerusakan fasilitas bermain dan kebersihan. Keluhan aspek responsiveness terkait profesionalitas pelayanan, sementara aspek empathy berkaitan dengan pengalaman pengunjung di lokasi. Hasil analisis menunjukkan bahwa aspek tangibles memiliki urgensi perbaikan, sehingga menjadi perhatian utama dlam evaluasi kualitas layanan.
Studi Komparatif Algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Dalam Peramalan Harga Saham PT. Fast Food Indonesia TBK (FAST) Maulidiyah Rizqiyani, Erlis; Setiawan, Nanang Yudi; Saputra, Mochamad Chandra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Investasi sektor saham pada saat ini telah berkembang dan didukung dengan teknologi berbasis AI. terdapat satu pendekatan yang efektif adalah model time series berbasis Recurrent Neural Networks (RNN). Dalam ranah RNN, Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). LSTM dikenal unggul dalam menangani ketergantungan jangka panjang dan masalah vanishing gradient, sementara GRU menawarkan struktur yang lebih sederhana dengan kecepatan pelatihan yang lebih tinggi, tanpa banyak mengorbankan akurasi. penelitian ini bertujuan untuk membandingkan kinerja algoritma LSTM dan GRU dalam memprediksi harga saham FAST, serta mengevaluasi pengaruh variasi rentang waktu data terhadap akurasi prediksi. Penelitian ini bersifat analitik dan eksperimental dengan menggunakan pendekatan kuantitatif. Persian matematika harus diberi nomor urut dalam kurung biasa dan harus diacu dalam tulisan. Metode penelitian yang diterapkan adalah eksperimen komputasional dengan teknik time series forecasting, di mana data historis harga saham dianalisis menggunakan model deep learning. Algoritma Gated Recurrent Unit (GRU) memiliki kinerja yang lebih unggul dibandingkan Long Short-Term Memory (LSTM) dalam memprediksi harga saham PT. Fast Food Indonesia Tbk (FAST). Keunggulan GRU ditunjukkan oleh nilai evaluasi MAPE dan RMSE yang lebih rendah, Sementara itu, LSTM menunjukkan performa kompetitif pada rentang waktu pendek, namun kurang stabil pada rentang waktu yang lebih panjang.
Co-Authors Abhirama, Fauzan Akbar Adristi, Tikta Ahmad Afif Supianto Al-Hafidz, Jundullah Alfi Nur Rusydi Alfian Hakim Almas, Muhammad Fikri Almira Syawli Alyaa Nadira Amal, Muhammad Ikhlasul Amira, Nabila Noor Anandia, Nazwa Andi Reza Perdanakusuma, Andi Reza Anwar, Novriani Dewi Asiyah, Noor Leona Asyrofi, Moh. Yuslam Azpiranda, Novira Bayu Rahayudi Berliani, Afridha Bonaventura Julio Putra Nandika Damahindra, Rangga Andhito Diamanta, Ananda Dian Eka Ratnawati diniyah, zubaidah Djoko Pramono Dwija Wisnu Brata Edmund Pierre Purba, Geoffrey Fadhil, Adam Ghirvan Fadhilah, Irsya Salim Fajr, Saifulloh Achmad Faranisa, Puspa Ayu Febriandirza, Arafat Firdaus, Muhammad Fariz Fitra Abdurrachman Bachtiar Fuadi, Muh. Rofif Rahman Hamas, radityo Haq, Muhammad Arienal Hilal, Khaliffman Rahmat Husalie, Levin Vinnu Intan Sartika Eris Maghfiroh Jannah, Nisa Usrifatul Khairani, Nadia Raisa Kusuma, Salsabila Azzahra' Zulfa Listyawan, Bagas Raditya Nur Mahardika, Fawwaz Roja Marzuq, Rafly Dwi Maulana, M. Ighfar Maulidiyah Rizqiyani, Erlis Mochamad Chandra Saputra, Mochamad Chandra Mushowwiru, Mochammad Faza Pramudya Niken Hendrakusma Wardani Niken Hendrakusma Wardani Niken Hendrakusuma Wardani, Niken Hendrakusuma Nur, Iqbal Taufiq Ahmad Prabandari, Putu Ayu Purnama Dyah Prakoso, Bondan Sapta Pramathalia Wulandari, Adila Pramudita, Julina Larasati Purnomo, Welly Putra, Muhammad Ishadireza Putri, Rizka Saudah Yunida Rahmadina, Alishza Putri Rahmandita, Prasetya Naufal Ramadhani, T. Zalfa Reza Andria S Riswan Septriayadi Sianturi Rizquna, Rania Aulia Ryandra, Muhammad Salsabillah, Dinar Fairus Salwa, Shafa Nathaniela Saputra, Dion Ricky Saragih, Imanuel Nathaliando Sartika Eris Maghfiroh, Intan Sartika, Intan Sarwosri Sarwosri Satrio Agung Wicaksono Satrio Hadi Wijoyo Sembiring, Wira Tarumta Timothy Sitepu, Mikha Aziel Christian Sormin, Hartati Penta Angelina Suryawati, Endang Tambing, Nathania Maerella Arungla'bi' Taqiyuddin, Ammar Yazid Vania Malinda Wibowo Viriya, Aurelius Alexaner Welly Purnomo Wibisono, Nusa Seldi Wibowo, Shinta Dewi Putri Widya Azzahra, Shellen Widyadhana, Fawwaz Kumudani Yanuardhana, Anugrah Daffa Yuditama, Alvan Alif Yusi Tyroni Mursityo Yuwana, R. Sandra Yuwana, Raden Sandra Zatmiko, Celvin Fahryan Dwi