Article Per Year (5 Year)
p-Index From 2020 - 2025
8.256
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Semantik Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Proceeding of the Electrical Engineering Computer Science and Informatics Fountain of Informatics Journal Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Indonesian Journal on Software Engineering (IJSE) Faktor Exacta Jukung (Jurnal Teknik Lingkungan) CogITo Smart Journal Indonesian Journal of Artificial Intelligence and Data Mining INOVTEK Polbeng - Seri Informatika JRMSI - Jurnal Riset Manajemen Sains Indonesia KACANEGARA Jurnal Pengabdian pada Masyarakat Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Informatik : Jurnal Ilmu Komputer Jurnal Riset Informatika JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) METIK JURNAL Scientific Journal of Informatics Jifosi Idealis : Indonesia Journal Information System SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Teknik Informatika (JUTIF) Jurnal PkM (Pengabdian kepada Masyarakat) Kresna: Jurnal Riset dan Pengabdian Masyarakat Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Jurnal Algoritma Jurnal Ticom: Technology of Information and Communication Journal of Social And Economics Research Journal Of Communication Education Telematika MKOM Jurnal INFOTEL Jurnal Ticom: Technology of Information and Communication journal of social and economic research JuTISI (Jurnal Teknik Informatika dan Sistem Informasi)
Achmad Solichin
Universitas Budi Luhur
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Social Sciences Other

Published : 75 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 75 Documents
Search

 4   5   6   7   8 
Deteksi Dini Gangguan Jaringan Distributed Denial Of Service (DDOS) Menggunakan Metode Shannon Entropy Pada Software Defined Network (SDN) Solichin, Achmad; Nugroho, Ludi
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 3: Juni 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.938188

Abstract

Software Defined Networking (SDN) adalah arsitektur jaringan baru yang memisahkan antara control dan data plane. Aspek keamanan utama dalam control plane salah satunya adalah serangan DoS dan DDoS. Serangan DDoS mengakibatkan terjadinya penurunan performa jaringan yang berjalan sangat lambat. Serangan DDoS dilakukan dengan menyusupi dan membanjiri bandwidth ke sumber daya target, sehingga dapat menyebabkan penolakan layanan bagi pengguna yang mengaksesnya. Tak hanya itu, serangan DDoS menyebabkan penurunan sumber daya jaringan seperti kapasitas memory dan CPU. Akibatnya kerusakan signifikan pada sistem yang menjadi korban serangan dapat mengalami kerugian, baik secara finansial, reputasi bahkan kehilangan pelanggan yang membutuhkan layanan tersebut. Mencegah serangan DDoS diperlukan suatu tindakan pencegahan yaitu dengan deteksi dini serangan DDoS untuk mengurangi dampak serangan dan memulihkan sistem dengan lebih cepat. Deteksi dini yang disebabkan oleh DDoS pada jaringan SDN dilakukan melalui pendekatan metrik entropy berbasis teori informasi. Penelitian ini memfokuskan pendeteksian dini pada serangan DDoS di dalam lingkungan SDN melalui metode Shannon Entropy dengan mendeteksi lalu lintas atau trafik normal dan DDoS. Penelitian ini menggunakan dataset publik dari InSDN yang diterbitkan pada tahun 2020 untuk menentukan nilai ambang batas lalu lintas normal dan DDoS. Hasilnya, penelitian ini berhasil mendeteksi dini lalu lintas normal dan lalu lintas serangan DDoS dengan nilai entropy sesuai ambang batas, dengan nilai akurasi 100%, presisi 100% dan recall 100% yang dihitung menggunakan confusion matrix. Deteksi dini menampilkan akurasi dan performa yang dapat berkontribusi banyak dalam menunjang tingkat keamanan melalui pencegahan tahap awal, sehingga hasilnya dapat meningkatkan keamanan dan efektifitas pada lingkungan SDN.
Analisis Kemiripan Dokumen Tesis Menggunakan Algoritma Rabin-Karp Dan Dice Coefficient Similarity Santoso, Agus; Solichin, Achmad
Techno.Com Vol. 22 No. 1 (2023): Februari 2023
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v22i1.7110

Abstract

Kemiripan dokumen (document similarity) merupakan salah satu topik penelitian yang populer. Pada konteks akademis, tingkat kemiripan dokumen sering digunakan sebagai ukuran indikasi plagiasi karya ilmiah. Selain itu, tingkat kemiripan dokumen juga bermanfaat bagi akademisi dalam menemukan publikasi ilmiah yang selaras dengan topik penelitian tertentu. Kontribusi utama dari penelitian ini adalah melakukan analisis kemiripan dokumen tesis mahasiswa pada suatu program studi. Hasil analisis kemiripan dapat menjadi ukuran tingkat indikasi plagiasi dokumen tesis di program studi. Untuk menghasilkan kemiripan dokumen teks digunakan algoritma Rabin-Karp dan metode Dice Coefficient Similarity. Sebagai data uji, digunakan kumpulan dokumen tesis dari 4 (empat) program studi di Universitas Budi Luhur. Hasil pengujian analisis kemiripan dokumen tesis untuk program studi S2 Ilmu Komputer sebesar 20,95%, S2 Ilmu Komunikasi sebesar 21,07%, S2 Akuntansi sebesar 26,63%, dan S2 Manajemen sebesar 27,9%. Selain itu, untuk mengukur akurasi metode yang diusulkan dilakukan perbandingan hasil kemiripan dokumen dengan perangkat lunak CheckPlagiarism dan menghasilkan tingkat akurasi sebesar 94,7%. Hasil tersebut menunjukkan bahwa metode yang diusulkan mampu menghasilkan tingkat similaritas dokumen dengan baik.
SVM Optimization with Grid Search Cross Validation for Improving Accuracy of Schizophrenia Classification Based on EEG Signal Masdar Desiawan; Achmad Solichin
JURNAL TEKNIK INFORMATIKA Vol 17, No 1: JURNAL TEKNIK INFORMATIKA
Publisher : Department of Informatics, Universitas Islam Negeri Syarif Hidayatullah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15408/jti.v17i1.37422

Abstract

The advantage of the Support Vector Machine (SVM) is that it can solve classification and regression problems both linearly and non-linearly. SVM also has high accuracy and a relatively low error rate. However, SVM also has weaknesses, namely the difficulty of determining optimal parameter values, even though setting exact parameter values affects the accuracy of SVM classification. Therefore, to overcome the weaknesses of SVM, optimizing and finding optimal parameter values is necessary. The aim of this research is SVM optimization to find optimal parameter values using the Grid Search Cross-Validation method to increase accuracy in schizophrenia classification. Experiments show that optimization parameters always find a nearly optimal combination of parameters within a specific range. The results of this study show that the level of accuracy obtained by SVM with the grid search cross-validation method in the schizophrenia classification increased by 9.5% with the best parameters, namely C = 1000, gamma = scale, and kernel = RBF, the best parameters were applied to the SVM algorithm and obtained an accuracy of 99.75%, previously without optimizing the accuracy reached 90.25%. The optimal parameters of the SVM obtained by the grid search cross-validation method with a high degree of accuracy can be used as a model to overcome the classification of schizophrenia.
Perbandingan Sentimen Ulasan Pengguna Aplikasi Ride-Hailing Gojek dan Grab Menggunakan Algoritma Multinomial Naïve Bayes Muhammad Ali Akbar; Achmad Solichin
KRESNA: Jurnal Riset dan Pengabdian Masyarakat Vol 4 No 1 (2024): Jurnal KRESNA Mei 2024
Publisher : DRPM Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/kresna.v4i1.129

Abstract

Dalam era teknologi informasi yang berkembang pesat, aplikasi ride-hailing telah menjadi bagian tak terpisahkan dalam kehidupan masyarakat urban di Indonesia. Gojek dan Grab muncul sebagai dua platform terkemuka yang mendominasi industri ride-hailing di negeri ini. Keberhasilan dan penerimaan luas Gojek dan Grab menciptakan persaingan yang intens, dengan keduanya berlomba untuk memberikan layanan terbaik kepada pengguna mereka. Dalam konteks ini, analisis sentimen menjadi alat yang sangat relevan untuk memahami pandangan dan pengalaman pengguna terhadap kedua aplikasi tersebut. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang persepsi masyarakat terhadap Gojek dan Grab dengan menganalisis sentimen melalui berbagai ulasan dan komentar yang ditinggalkan oleh pengguna. Metode yang digunakan adalah analisis sentimen dengan menggunakan metode Multinomial Naive Bayes. Hasil penelitian menunjukkan bahwa pengguna Gojek dan Grab secara umum memiliki sentimen negatif terhadap kedua aplikasi tersebut. Pengujian yang dilakukan menunjukkan bahwa model analisis sentimen yang dikembangkan memiliki akurasi 86%, presisi 96%, recall 54%, dan f1-score 69%. Untuk perbandingan performa data Gojek dan data Grab didapatkan akurasi sebesar 81% untuk data Gojek. Sedangkan Grab mendapatkan akurasi sebesar 75%. Secara keseluruhan, penelitian ini memberikan pemahaman yang berharga tentang persepsi masyarakat terhadap Gojek dan Grab. Hasil penelitian ini dapat bermanfaat bagi kedua perusahaan, peneliti, praktisi industri, dan masyarakat umum dalam memahami dinamika persaingan dalam ekosistem ride-hailing di Indonesia.Dalam era teknologi informasi yang berkembang pesat, aplikasi ride-hailing telah menjadi bagian tak terpisahkan dalam kehidupan masyarakat urban di Indonesia. Gojek dan Grab muncul sebagai dua platform terkemuka yang mendominasi industri ride-hailing di negeri ini. Keberhasilan dan penerimaan luas Gojek dan Grab menciptakan persaingan yang intens, dengan keduanya berlomba untuk memberikan layanan terbaik kepada pengguna mereka. Dalam konteks ini, analisis sentimen menjadi alat yang sangat relevan untuk memahami pandangan dan pengalaman pengguna terhadap kedua aplikasi tersebut. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang persepsi masyarakat terhadap Gojek dan Grab dengan menganalisis sentimen melalui berbagai ulasan dan komentar yang ditinggalkan oleh pengguna. Metode yang digunakan adalah analisis sentimen dengan menggunakan metode Multinomial Naive Bayes. Hasil penelitian menunjukkan bahwa pengguna Gojek dan Grab secara umum memiliki sentimen negatif terhadap kedua aplikasi tersebut. Pengujian yang dilakukan menunjukkan bahwa model analisis sentimen yang dikembangkan memiliki akurasi 86%, presisi 96%, recall 54%, dan f1-score 69%. Untuk perbandingan performa data Gojek dan data Grab didapatkan akurasi sebesar 81% untuk data Gojek. Sedangkan Grab mendapatkan akurasi sebesar 75%. Secara keseluruhan, penelitian ini memberikan pemahaman yang berharga tentang persepsi masyarakat terhadap Gojek dan Grab. Hasil penelitian ini dapat bermanfaat bagi kedua perusahaan, peneliti, praktisi industri, dan masyarakat umum dalam memahami dinamika persaingan dalam ekosistem ride-hailing di Indonesia.
Analisis Transaksi Penjualan Produk Minuman Kopi Menggunakan Metode Association Rule Dengan Algoritma Apriori Robby Suganda; Achmad Solichin
KRESNA: Jurnal Riset dan Pengabdian Masyarakat Vol 4 No 1 (2024): Jurnal KRESNA Mei 2024
Publisher : DRPM Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/kresna.v4i1.132

Abstract

Coffee Shop Meetologi menghadapi tantangan dalam memanfaatkan data transaksi penjualannya untuk analisis yang dapat meningkatkan penjualan. Mereka kesulitan menentukan menu paket untuk promosi dan cross-selling produk. Untuk mengatasi masalah ini, mereka memutuskan untuk menerapkan metode Association Rule dan algoritma Apriori melalui analisis pada data ransaksi penjualan produk. Metode ini memungkinkan mereka untuk menemukan pola pembelian yang dapat mendukung pengambilan keputusan bisnis, seperti melakukan penawaran produk kepada pelanggan dan menyusun menu paket promosi. Penelitian ini menggunakan algoritma Apriori untuk mengembangkan pola kombinasi produk pada Coffee Shop Meetologi yang dipesan oleh pelanggan berdasarkan data transaksi penjualan dari 1 Agustus 2023 hingga 31 Oktober 2023. Dengan menerapkan metode Association Rule dan algoritma Apriori, Coffee Shop Meetologi bermaksud mengidentifikasi pola pembelian unik pelanggan, terutama saat membeli beberapa jenis produk dalam satu transaksi. Hasil analisis dengan nilai minimun dukungan 2 dan nilai minimun keyakinan 35 menghasilkan pembentukan 7 rule asosiasi. Rule asosiasi yang terbentuk memiliki nilai confidence tertinggi sebesar 50,00%, yang terjadi pada kombinasi produk Rice Bowl Blackpaper dan Kopitologi, dengan nilai uji lift sebesar 1,54, menunjukkan korelasi positif. Dengan adanya pola asosiasi yang ditemukan, Coffee Shop Meetologi dapat memberikan rekomendasi produk yang cocok kepada pelanggan berdasarkan aturan asosiasi yang telah terbentuk. Maka dari itu, informasi tersebut dapat digunakan dalam merancang strategi bisnis, seperti menciptakan menu baru atau paket bundling yang lebih menarik
Topic Modeling Tugas Akhir Mahasiswa Menggunakan Metode Latent Dirichlet Allocation Dengan Gibbs Sampling Zulfikar Rosadi; Achmad Solichin
Jurnal Ticom: Technology of Information and Communication Vol 13 No 1 (2024): Jurnal Ticom-September 2024
Publisher : Asosiasi Pendidikan Tinggi Informatika dan Komputer Provinsi DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70309/ticom.v13i1.140

Abstract

Penyusunan tugas akhir adalah kewajiban bagi seluruh mahasiswa Universitas Budi Luhur di semester akhir untuk mendapatkan gelar sarjana. Salah satu langkah penting dalam persiapan ini adalah memilih topik penelitian yang tepat dan relevan. Untuk mendapatkan topik yang tepat, mahasiswa biasanya membaca laporan tugas akhir dari angkatan sebelumnya, baik di perpustakaan fisik maupun melalui situs web repositori kampus. Akan tetapi, situs ini belum memiliki fitur pengelompokan topik, sehingga mahasiswa harus membaca laporan satu per satu untuk menemukan topik yang sesuai dengan minat mereka. Penelitian ini mengusulkan penggunaan metode pemodelan topik, Latent Dirichlet Allocation (LDA) dengan Gibbs Sampling, untuk mengidentifikasi tren topik dalam laporan tugas akhir secara otomatis. LDA dengan Gibbs Sampling dipilih karena efektif dalam menemukan pola topik utama dalam teks yang tidak terstruktur. Hasil penelitian menunjukkan bahwa LDA dapat mengidentifikasi topik tersembunyi dengan nilai coherence 0,56 pada iterasi ke-6 dari 10 iterasi yang dijalankan. Topik yang ditemukan meliputi: Web Service, Internet of Things, Sistem Pakar, Sentimen Analisis, Data Mining, dan Kriptografi. Penelitian ini juga menunjukkan bahwa vektorisasi Bag of Words efektif dalam LDA, memberikan distribusi topik yang akurat dan membantu mahasiswa dalam menentukan topik penelitian yang relevan dan menarik. Dengan demikian, penggunaan LDA dapat menjadi solusi untuk mempermudah mahasiswa dalam memilih topik tugas akhir yang sesuai dengan minat dan kebutuhan akademis mereka
OPTIMALISASI PREDIKSI KEHILANGAN KARYAWAN MENGGUNAKAN TEKNIK RFE, SMOTE, DAN ADABOOST Setiyadi, Prambudi; Prayogi, Muhamad Nur; Solichin, Achmad
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 9, No 4 (2024)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v9i4.5642

Abstract

Kehilangan karyawan menjadi isu vital dalam dinamika organisasi karena dampaknya yang signifikan terhadap produktivitas dan stabilitas tenaga kerja. Penelitian ini menerapkan teknik machine learning untuk mengantisipasi pergantian karyawan dengan menggabungkan seleksi fitur, oversampling, dan algoritma ensemble. Empat pendekatan yang dibandingkan adalah RFE-SMOTE-ADABOOST, RFE-ADABOOST, SMOTE-ADABOOST, dan SMOTE-ADABOOST dengan Hyperparameter. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa SMOTE-ADABOOST dengan Hyperparameter mencapai kinerja tertinggi, dengan akurasi 0,907, presisi 0,912, recall 0,898, dan F1-score 0,905. Model ini mengidentifikasi 10 faktor kunci yang mempengaruhi prediksi pergantian karyawan, seperti Education Field, Business Travel, dan Monthly Income. Kesimpulannya, model SMOTE-ADABOOST dengan Hyperparameter terbukti paling efektif dalam memprediksi kehilangan karyawan. Implikasi dari hasil evaluasi ini menunjukkan bahwa organisasi dapat secara proaktif mengidentifikasi dan mengelola faktor-faktor kunci yang mempengaruhi retensi karyawan, sehingga meningkatkan stabilitas tenaga kerja dan produktivitas keseluruhan.
SEGMENTASI DENGAN METODE ACTIVE CONTOUR UNTUK PENINGKATAN AKURASI KLASIFIKASI CITRA USG KANKER PAYUDARA MENGGUNAKAN K-NEAREST NEIGHBOR (KNN) Alhafiz, Muhammad Ihza; Wirasno, Wirasno; Solichin, Achmad
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 1 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i1.5681

Abstract

Kanker payudara, sebuah penyakit yang mengancam, ditandai oleh pertumbuhan sel yang tak terkendali yang dapat menyerang jaringan sehat dalam payudara. Segmentasi citra digital menjadi penting untuk memisahkan gambaran kanker dari latar belakangnya, memungkinkan analisis yang lebih mendalam. Dalam penelitian ini, metode Grayscale, Median Filtering, dan Aktif Kontur diadopsi untuk mengidentifikasi morfologi kanker dalam citra, sementara proses klasifikasi menggunakan metode K-Nearest Neighbor dengan ekstraksi fitur melalui Gray Level Co-Occurrence Matrix untuk menganalisis tekstur kanker. Temuan dari penelitian ini menegaskan bahwa proses aktif kontur digunakan untuk melihat morfologi kanker, diikuti dengan pemotongan citra asli sesuai dengan kontur yang dihasilkan. Selain itu, hasil pengujian K-Nearest Neighbor pada K=18 dengan pembagian data 90% untuk Data Training dan 10% untuk Data Uji menggunakan K-Fold Cross Validation, menunjukkan akurasi algoritma sebesar 68% yang diperoleh melalui Confusion Matrix.
Optimasi Hyperparameter pada Penerapan Ensemble Regression Tree untuk Simulasi Pewarnaan Bibir Andi Hakim Arif; Achmad Solichin
Jurnal Teknik Informatika dan Sistem Informasi Vol 8 No 2 (2022): JuTISI
Publisher : Maranatha University Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jutisi.v8i2.4611

Abstract

Technology helps us in many activities and keeps growing, so it makes activities more efficient, time-saving, using fewer resources and also information and entertainment are accessible. Machine Learning technology is the fastest-growing field in computer science that is used in many areas such as marketing, healthcare, manufacturing, information security, and transportation. One of the machine learning methods is the Ensemble of Regression Tree (ERT) which has succeeded in detecting facial features on the eyebrows, eyes, nose, and lips. However, utilization ERT method has not been found to detect specific areas such as lips only for gaining optimization. Then this research will be conducted to extract the facial feature annotation dataset from the iBUG 300W dataset with 68 facial features to 20 lip area points. The results of the extraction are reduced error rate, resources saving, lip features still detected and lip coloring simulation was successfully carried out using the configuration of hyperparameter values, tree = 4, regularization = 0.25, cascade = 8, feature pool = 500, oversampling = 40 and translation jitter = 0. From observations also discovered optimization that hard disk resource savings are 69.36%, RAM 30.8%, and CPU 3.8%; reduce the error rate by 0.058%; and increase inference speed by 39%.
Prediksi Kapabilitas Calon Debitur Menggunakan Analisis Data Machine Learning Dengan Metode Random Forest Ananda Surya, Archie; Rizki Darmawan, Dika; Solichin, Achmad
Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-1.1929

Abstract

This study was conducted at a financing company engaged in investment, working capital, and multipurpose financing, particularly in the consumer financing sector for four-wheeled vehicles, two-wheeled vehicles, and multipurpose products. The high level of non-performing loans (NPLs) has led to a decline in the company's asset quality. Although credit scoring has been implemented as the initial filter to evaluate prospective borrowers, certain aspects are still being overlooked. Credit scoring becomes less relevant when a prospective borrower has little or no credit history at all—a situation commonly encountered in motorcycle or two-wheeled vehicle financing. Therefore, this research aims not only to provide insights into borrower classification but also to reduce the percentage of non-performing loans, especially in two-wheeled vehicle financing in the future. The classification method used is Random Forest with SMOTE, utilizing 28 parameters including credit scoring, salary, number of active loans, borrower age, application region, marital status, length of employment, gender, and number of dependents. The data used for training the model in this study consists of records available in the system up to the year 2023, totaling 254,609 entries. The research findings indicate that the Random Forest model achieved an accuracy rate of 69%, which is slightly higher than the LightGBM (LGBM) method at 59% and XGBoost, which had an accuracy rate of 39%.
Co-Authors Abdullah 'Alim Abdurrohim Musthofa Achmad Maulana Agus Harjoko Agus Santoso Ahmad Ihsanudin Ahmad Zainul Mafakhir Akbar, Kafi Kurnia Alfredo Pasaribu Alhafiz, Muhammad Ihza Ananda Surya, Archie Andi Hakim Arif Anggi Ayu Ningtyas Anindya Putri Pradiptha Arif, Andi Hakim Asmoro, Phaksi Bangun Bayu Raditya Nasution Chaerullah, Dhiesky Chalid, Iqbal Chandra, Joko Christian Dasril Aldo Dedy Mirwansyah Desena, Wahyu Desiawan, Masdar Dewantara, Erno Kurniawan Dwi Kristanto Dwi Kristanto Emil Salim Fadlan Amrullah Fahrullah Fahrullah Galih Gumilar Widhasmara Goenawan Brotosaputro Hanafi, Mohammad Afif Hari Soetanto Irennada Ismail Adi Susanto Khaeri Diniari Khansa Khairunnisa Kurnianta, Kristana Lia Amellia Putri Lutfi Nukman Majid, Muhammad Farras Masdar Desiawan Mochammad Andika Putra Mohammad Syafrullah Muhamad Refaldi Muhammad Agus Arianto Muhammad Agus Arianto Muhammad Ali Akbar Muhammad Arif Kurniawan Muhammad Fahrizal Muhammad Hamdi Sukriyandi Muhammad Verdiansyah Muharam, Asep Budiyana Nanda Arista Rizki Nariza Wanti Wulan Sari Nazori AZ Nita, Yulia Noor Ferdyansyah Nugroho, Ludi Nurwijayanti Obby Oktafianto Painem, Painem Painem, Painem Pradana, Rizky Pradiptha, Anindya Putri Pramudita, Bagas Prayogi, Muhamad Nur Rahmat Kurniawan Rasyid, Annisa Ratna Kusumawardani Reka Dwi Syaputra Restu Maulunida Reva Ragam Santika Richki Hardi Riki Wijaya Rizki Darmawan, Dika Robby Suganda Rusdah Rusdah Saddam, M Amiruddin Setiyadi, Prambudi Sister, Maya Gian Suherman Achmad Syahrul, Ahmad Tan Wee Chang Tetlageni, Muhamad Ridho Triyono, Gandung Tulodo, Bernadeta Asri Rejeki Ummu Habibah Romlah Utomo Budiyanto Wati, Lisna Wirasno, Wirasno Zainal A. Hasibuan Zulfikar Rosadi