Article Per Year (5 Year)
p-Index From 2021 - 2026
11.28
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Penelitian Pendidikan Matematika dan Sains Jurnal Teknologi Informasi dan Ilmu Komputer JIEET (Journal of Information Engineering and Educational Technology) JOURNAL OF APPLIED INFORMATICS AND COMPUTING JURNAL INFORMATIKA PengabdianMu: Jurnal Ilmiah Pengabdian kepada Masyarakat Journal of Robotics and Control (JRC) Jurnal Abdi: Media Pengabdian Kepada Masyarakat Indonesian Journal of Electrical Engineering and Computer Science Abdimas: Papua Journal Of Community Service Insyst : Journal of Intelligent System and Computation Jurnal Nasional Teknik Elektro dan Teknologi Informasi Journal of Informatics and Computer Science (JINACS) Ranah Research : Journal of Multidisciplinary Research and Development Journal Serambi Engineering (JSE) Journal of Emerging Information Systems and Business Intelligence (JEISBI)
YUNI YAMASARI
Teknik Informatika, Universitas Negeri Surabaya
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Chemical Engineering, Chemistry & Bioengineering 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 Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Public Health Social Sciences Transportation Other

Published : 94 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 94 Documents
Search

 6   7   8   9   10 
Klasifikasi Halusinasi pada LLM menggunakan XGBoost dengan Ekstraksi Fitur FastText dan Optimizer PSO Anindha Arsya Dhaniswara; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 04 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Halusinasi pada Large Language Models (LLM) merupakan kondisi ketika model menghasilkan informasi yang tidak sesuai dengan fakta. Penelitian ini bertujuan menganalisis kinerja XGBoost dengan representasi teks FastText untuk mendeteksi halusinasi, serta mengevaluasi pengaruh teknik balancing dan optimasi hyperparameter menggunakan Particle Swarm Optimization (PSO). Metode balancing yang digunakan meliputi Random Oversampling, SMOTE, dan Random Undersampling. Hasil pengujian menunjukkan bahwa model baseline memperoleh akurasi terbaik sebesar 91,48% pada rasio pembagian data 70:30. Penerapan balancing belum memberikan peningkatan yang berarti, sedangkan optimasi menggunakan PSO mampu meningkatkan akurasi menjadi 92,71% dengan nilai AUC sebesar 97,63%. Temuan ini menunjukkan bahwa optimasi hyperparameter menggunakan PSO lebih efektif dalam meningkatkan performa model dibandingkan teknik balancing pada penelitian ini.   Kata Kunci— Deteksi Halusinasi, Large Language Model, FastText, Teknik Balancing, XGBoost, PSO
Kombinasi LSTM dan GRU Untuk Prediksi Harga Bitcoin Derri Nuril Wardana; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 04 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Bitcoin merupakan aset kripto yang memiliki tingkat besaran jarak naik dan turunnya harga yang sangat tinggi sehingga sulit diprediksi secara akurat. Pergerakan harga dipengaruhi dari berbagai faktor, termasuk sentimen pasar dari para pelaku pasar, situasi ekonomi global, dan aktivitas perdagangan. Tujuan penelitian ini adalah mengembangkan model peramalan harga Bitcoin menggunakan kombinasi Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Dataset yang digunakan berbentuk data historis harga penutupan Bitcoin per USD yang diperoleh dari Yahoo Finance dengan periode Oktober 2014 hingga Februari 2023. Data diproses melalui tahap normalisasi menggunakan Min-Max Scaling dan menggunakan metode sliding window dengan ukuran window 30 dan 60. Pengujian dilakukan dengan beberapa skenario pembagian data, yaitu 90:10, 85:15, 80:20, 70:30, 60:40, dan 50:50, dengan jumlah epoch sebanyak 50 dan 100. Evaluasi model dilakukan menggunakan R², MAE, RMSE, dan MSE. Hasil penelitian menunjukkan bahwa model kombinasi LSTM dan GRU menghasilkan performa yang sangat baik dengan nilai yang diperoleh pada window size 30, pembagian data 60:40, dan epoch 50, yaitu R² sebesar 0,991726, MAE sebesar 0,013888, RMSE sebesar 0,020943, dan MSE sebesar 0,000439.   Kata Kunci— Bitcoin, Prediksi Harga, Deep Learning, Long Short-Term Memory, Gated Recurrent Unit, Time Series.
Sistem Verifikasi Otomatis Atribut Foto Yudisium Menggunakan YOLO Dan OpenCV di UNESA Febry San Pratama; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Verifikasi foto yudisium di Universitas Negeri Surabaya (UNESA) saat ini masih dilakukan secara manual oleh staf akademik, yang menghadapi tantangan berupa volume berkas yang besar (mencapai 1.600 berkas per periode), waktu pemrosesan yang lama, serta potensi subjektivitas dan ketidakkonsistenan penilaian. Tujuan dari penelitian ini adalah untuk mengembangkan sebuah sistem verifikasi otomatis yang menggunakan teknologi computer vision dan deep learning untuk meningkatkan efisiensi, akurasi, dan kredibilitas validasi atribut foto resmi siswa. Sistem yang dikembangkan mengintegrasikan algoritma YOLO (You Only Look Once) untuk deteksi objek dan OpenCV untuk pengolahan citra. YOLO digunakan untuk mengidentifikasi keberadaan serta posisi logo almamater dan penggunaan dasi, sementara OpenCV dimanfaatkan untuk memvalidasi kesesuaian warna latar belakang biru melalui analisis ruang warna HSV. Sistem ini dibangun menggunakan bahasa pemrograman Python dengan framework Flask sebagai layanan backend untuk memproses unggahan gambar. Penelitian ini menggunakan dataset sebanyak 2.000 gambar yang dibagi menjadi data training (80%), validation (10%), dan testing (10%). Hasil pengujian menunjukkan bahwa model YOLO mencapai performa yang sangat tinggi dengan nilai rata-rata mAP50 sebesar 0,987 dan precision sebesar 0,978 pada data uji. Secara spesifik, kelas dasi mencapai nilai recall sempurna sebesar 1,000, yang berarti seluruh objek dasi dalam data uji berhasil dideteksi oleh model. Implementasi sistem ini terbukti mampu memberikan keputusan verifikasi "Sesuai" atau "Tidak Sesuai" secara otomatis dan konsisten, sehingga dapat menjadi solusi efektif dalam mempercepat proses administrasi akademik di lingkungan perguruan tinggi.   Kata Kunci— YOLO, OpenCV, Computer Vision, Foto Yudisium, Verifikasi Otomatis.
Aplikasi Izin Pegawai Web Codeigniter Dengan Approval Berjenjang Dan WhatsApp Audzad Dzulhijzah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Proses pengajuan surat izin pegawai di UPT Pengujian Kendaraan Bermotor (PKB) Wiyung masih dilakukan secara manual menggunakan formulir kertas dan pencatatan administrasi konvensional. Kondisi tersebut menyebabkan proses persetujuan membutuhkan waktu yang lama, meningkatkan risiko kesalahan pencatatan, menyulitkan pemantauan status pengajuan, serta berpotensi mengakibatkan kehilangan dokumen fisik. Penelitian ini dirancang dan dibangun untuk aplikasi surat izin pegawai berbasis web yang dapat meningkatkan proses administrasi.perizinan. Perancangan system yang digunakan adalah metode Waterfall yang meliputi beberapa tahap yaitu  pertama analisis kebutuhan, yang kedua perancangan sistem, yang ketiga implementasi, yang ke empat pengujian, dan yang terakhir pemeliharaan. Aplikasi ini dikembangkan menggunakan framework CodeIgniter dengan basisdata MySQL dan dilengkapi dengan beberapa fitur yaitu, pengajuan izin secara daring, validasi otomatis sisa hak cuti, tanda tangan digital, persetujuan berjenjang oleh Ketua Tim Kerja dan Kepala Bidang, notifikasi WhatsApp Gateway menggunakan API Fonnte, serta pembuatan laporan secara otomatis. Pengujian sistem dilakukan menggunakan dua metode yaitu metode BlackBox Testing dan User Acceptance Testing (UAT).Blackbox testing digunakan untuk memastikan setiap fungsi berjalan sesuai kebutuhan pengguna sedangkan User Acceptance Testing (UAT) digunakan untuk mengukur seberapa besar penerimaan aplikasi oleh pengguna yang langsung memakainya.. Hasil dari pengujian ini menunjukkan jika seluruh fungsi utama sistem dapat beroperasi dengan baik dan memenuhi keinginan dan kebutuhan proses administrasi di UPT PKB Wiyung. Implementasi aplikasi ini mampu mempercepat proses pengajuan dan persetujuan surat izin, meningkatkan akurasi pengelolaan data, memperbaiki transparansi status pengajuan, serta mendukung penerapan administrasi digital dan konsep paperless office di lingkungan instansi pemerintah.   Kata Kunci— Surat Izin Pegawai, CodeIgniter, Waterfall, Black Box Testing, WhatsApp Gateway, Tanda Tangan Digital.
Studi Ablasi Hyperparameter pada Model Image Captioning dengan Integrasi Fitur Deteksi Objek Moh. Novil Ma'arij; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Image captioning berbasis arsitektur encoder-decoder dengan mekanisme Bahdanau Attention umumnya hanya mengandalkan fitur global CNN, yang belum sepenuhnya mampu merepresentasikan detail objek, atribut, lokasi, maupun hubungan antar objek dalam citra. Berbagai penelitian mengatasi keterbatasan ini dengan menambahkan fitur objek dari model object detector, namun bukti empiris mengenai efektivitas perbandingan langsung antar jenis object detector, khususnya YOLOv8, pada tugas ini masih terbatas. Penelitian ini membandingkan kinerja tiga skenario integrasi fitur, yaitu Baseline (fitur global Xception), One-Stage (Xception + YOLOv8), dan Two-Stage (Xception + Faster R-CNN), menggunakan dual projection feature fusion dan decoder GRU dengan Bahdanau Attention. Eksperimen dilakukan pada dataset Flickr8k dengan 18 skenario hasil kombinasi tiga skenario model, tiga konfigurasi hyperparameter, dan dua ukuran batch size, dievaluasi menggunakan metrik BLEU, METEOR, ROUGE-L, CIDEr, dan SPICE. Hasil ANOVA dua arah menunjukkan bahwa konfigurasi hyperparameter merupakan faktor paling dominan terhadap variasi kinerja model (46,0% variansi CIDEr; 80,3% variansi SPICE), diikuti ukuran batch (24,3%; 6,4%), sedangkan pemilihan arsitektur object detector tidak berpengaruh signifikan secara statistik (2,3%; 4,1%; p>0,05). Skenario Two-Stage (Faster R-CNN) memperoleh rata-rata kinerja tertinggi, namun selisihnya relatif kecil terhadap skenario lain. Konfigurasi terbaik diperoleh pada kombinasi batch size 16 dan label smoothing, dengan CIDEr tertinggi 0,4285. Temuan ini mengindikasikan bahwa optimasi strategi pelatihan memberikan dampak lebih besar terhadap kualitas caption dibandingkan pemilihan jenis object detector. Kata Kunci— image captioning, Bahdanau attention, YOLOv8, Faster R-CNN, optimasi hyperparameter.
Identifikasi Penyakit Kulit Manusia Menggunakan Arsitektur Convolution Neural Network Berbasis Deep Xception Muhammad Habil Habibi; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Penelitian ini bertujuan untuk mengembangkan sistem identifikasi penyakit kulit manusia (Monkeypox, Herpes, dan Chickenpox) menggunakan arsitektur Convolutional Neural Network (CNN). Pendekatan ini memanfaatkan metode transfer learning dengan mengevaluasi backbone Xception untuk mengekstraksi fitur visual lesi kulit secara efisien. Dataset yang digunakan adalah Dataset Penyakit Kulit bersumber dari platform publik Roboflow Universe terdiri dari 4.423 citra. Hasil penelitian menunjukkan penggunaan arsitektur Xception menghasilkan performa paling optimal pada data uji dengan nilai validasi akurasi mencapai 0,9836 pada skenario pembagian dataset 70:30. Hasil tersebut mencerminkan kemampuan model sangat baik dalam melakukan fit data dan mempertahankan kemampuan generalisasi tinggi. Dibuktikan dengan nilai precision, recall, dan F1-score seimbang secara berturut-turut 0,9836, 0,9836, dan 0,9820, sehingga sistem terbukti tidak memiliki bias pada kelas tertentu dan mumpuni untuk mengklasifikasikan penyakit kulit secara akurat untuk diimplementasikan pada aplikasi berbasis mobile. Kata Kunci— : Identifikasi Penyakit Kulit, Convolutional Neural Network, Xception, Transfer Learning, Robotflow Universe.
Sistem Informasi Pencarian Arsip Fisik Akta Kelahiran (SIPAKTA) pada Disdukcapil Kabupaten Magetan Fellia Nurlailatul Rochmah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak — Proses pencarian arsip fisik akta kelahiran di Dinas Kependudukan dan Pencatatan Sipil Kabupaten Magetan masih memanfaatkan data yang tersimpan dalam Microsoft Excel , sehingga petugas harus melakukan pencarian secara manual untuk memperoleh informasi lokasi penyimpanan arsip. Kondisi tersebut menyebabkan proses pencarian membutuhkan waktu yang relatif lama serta berpotensi menimbulkan kesalahan. Penelitian ini bertujuan mengembangkan Sistem Informasi Pencarian Arsip Fisik Akta Kelahiran (SIPAKTA) berbasis website  untuk meningkatkan efektivitas pencarian arsip. Pengembangan sistem menggunakan metode Waterfall  yang meliputi analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. SIPAKTA dibangun menggunakan framework  Laravel dan basis data MySQL dengan mengintegrasikan data akta kelahiran dan data lokasi arsip yang diimpor dari Microsoft Excel . Sistem menyediakan fitur pengelolaan arsip, pengelolaan pengguna, dan pencarian arsip berdasarkan nomor akta, nama bayi, nama ayah, nama ibu, serta tanggal lahir. Pengujian dilakukan menggunakan Black Box Testing  dan pengujian efektivitas melalui pengukuran tingkat keakuratan serta waktu pencarian antara Microsoft Excel  dan SIPAKTA. Hasil pengujian menunjukkan bahwa seluruh fungsi sistem berjalan sesuai kebutuhan fungsional dengan tingkat validitas sebesar 100%. Pengujian efektivitas terhadap 5 responden dan 10 sampel arsip menunjukkan bahwa SIPAKTA memperoleh tingkat akurasi pencarian sebesar 100% dengan rata-rata waktu pencarian 13,22 detik, sedangkan Microsoft Excel memperoleh tingkat akurasi pencarian 88% dengan rata-rata waktu pencarian 36,54 detik. Selain meningkatkan ketepatan dan mempercepat proses pencarian, SIPAKTA mendukung pencarian berdasarkan nomor akta, nama bayi, nama ayah, nama ibu, dan tanggal lahir sehingga proses penelusuran arsip fisik menjadi lebih fleksibel, cepat, dan efektif dibandingkan metode sebelumnya.   Kata Kunci — Sistem Informasi, Arsip Fisik Akta Kelahiran, Pencarian Arsip, Efektivitas Sistem, Black Box Testing.
Perbandingan Arsitektur Pada Metode Convolutional Neural Network Untuk Deteksi Parkir Muhamad Alfin Ardiansyah; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Kurangnya informasi terkait ketersediaan lahan parkir masih menjadi suatu permasalahan yang terjadi bagi para pengendara. Peningkatan volume kendaraan tidak seimbang dengan ketersediaan lahan parkir, hal ini menyebabkan terjadinya macet di berbagai tempat. Seringkali pengendaara harus memutar dan turun dari kendaraan untuk mendapatkan tempat parkir yang kosong. Pada penelitian ini penulis membandingkan arsitektur dari metode Convolutional Neural Network untuk deteksi parkir dengan bantuan bahaya pemrograman python, sehingga akan memudahkan pengendara untuk mendapatkan tempat parkir yang kosong.              Hasil deteksi dari penelitian ini terbilang sangat baik dengan model arstitektur ResNet50 dengan akurasi training set 0.8884 dan nilai loss training set 0.2999 sedangkan nilai pada validation set 0.9804 dan nilai loss validation set 0.0226. hasil dari_sistem pendeteksi gambar sebuah tempat parkir menggunakan data pada video yang--sudah dilatih sebelumnya dan bisa mengetahui tempat parkir mana yang masih kosong.   Kata Kunci— Convolutional Neural Network, Python, Deteksi Parkir.
Perbandingan Grayscale Adapter dan RGB ConvNeXt pada Transfer Learning ConvNeXt Tiny FER2013 Alifian Erga Iswardhana; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Emosi berperan penting dalam interaksi manusia-mesin, se-hingga Facial Emotion Recognition (FER) menjadi topik penelitian yang relevan. FER2013, sebagai salah satu benchmark FER yang umum digunakan, terdiri atas citra grayscale beresolusi rendah, sedan-gkan arsitektur modern seperti ConvNeXt Tiny dilatih pada ImageNet dengan citra RGB beresolusi tinggi, sehingga muncul kesenjangan do-main saat keduanya diadaptasi satu sama lain. Penelitian ini mem-bandingkan dua strategi adaptasi input untuk menjembatani kesen-jangan tersebut, yaitu Grayscale Adapter (proyeksi kanal yang dapat dipelajari) dan RGB ConvNeXt (duplikasi kanal deterministik), dalam mentransfer ConvNeXt Tiny pretrained ImageNet ke FER2013. Ke-dua strategi diuji dengan backbone dan protokol evaluasi yang iden-tik, dievaluasi menggunakan akurasi, F1-Score, dan AUC pada 7.178 citra data uji. Hasil menunjukkan bahwa RGB ConvNeXt menca-pai Test Accuracy 58,71% dan F1-Score (macro) 0,5649, mengung-guli Grayscale Adapter yang hanya mencapai 34,15% dan F1-Score (macro) 0,2564, pada seluruh metrik agregat maupun pada F1-Score setiap kelas emosi. Analisis performa per kelas menunjukkan pola peningkatan yang tidak seragam antar kelas, mengindikasikan kon-tribusi gabungan dari penyelarasan normalisasi input dan pembob-otan kelas terhadap kesenjangan performa. Temuan ini menegaskan bahwa strategi adaptasi kanal input bukan keputusan teknis yang ne-tral, melainkan berdampak signifikan terhadap efektivitas transfer learning pada dataset grayscale beresolusi rendah. Kata Kunci—ConvNeXt Tiny, FER2013, Grayscale Adapter, RGB ConvNeXt, ImageNet Pretrained, Transfer Learning.
Perbandingan Performa SVM dan LSTM dengan Sampling pada Analisis Sentimen Kesehatan Mental Herlangga Fitdia Saputra; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Article In Press(1)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Kesehatan mental adalah hal yang sangat penting dalam kehidupan manusia dan bisa terlihat dari apa yang kita ungkapkan di media sosial. Dengan menganalisis apa yang kita tulis, kita bisa mendeteksi jika seseorang mengalami masalah psikologis lebih awal. Namun, seringkali data yang kita gunakan untuk menganalisis ini tidak seimbang, sehingga membuat hasilnya tidak akurat. Penelitian ini ingin melihat bagaimana dua algoritma, yaitu Support Vector Machine dan Long Short-Term Memory, bekerja dalam mengenali tujuh kondisi kesehatan mental, seperti Normal, Depresi, Suicidal, Kecemasan, Stres, Bipolar, dan Gangguan Kepribadian. Data yang digunakan sebanyak 53.044 teks dan diperoleh dari Kaggle. Sebelum dianalisis, data ini dibersihkan dengan mengubah huruf, menghapus tautan, angka, dan tanda, serta menghilangkan kata-kata yang tidak penting. Kemudian, data ini diseimbangkan dengan menggunakan metode Synthetic Minority Over-sampling Technique untuk model Support Vector Machine, sedangkan model Long Short-Term Memory menggunakan class weight saat pelatihan. Hasilnya menunjukkan bahwa model Long Short-Term Memory bekerja lebih baik daripada model Support Vector Machine dalam semua skenario. Model Long Short-Term Memory mencapai akurasi tertinggi sebesar 74,38% dengan precision 76,18%, recall 74,38%, dan F1-score 74,93% saat data dibagi 80:20. Sementara itu, model Support Vector Machine mencapai akurasi tertinggi sebesar 72,80% dalam skenario yang sama. Jika kita tidak membersihkan data terlebih dahulu, hasilnya menunjukkan bahwa akurasi kedua model meningkat, yang berarti bahwa struktur teks asli masih menyimpan informasi penting tentang kondisi psikologis seseorang.   Kata Kunci—Analisis Sentimen, Kesehatan Mental, Support Vector Machine, Long Short-Term Memory, SMOTE, Machine Learning.
Co-Authors Aditya Prapanca Agnes, Rifa Zaini Agus Prihanto Agus Prihanto Agustin Tjahyaningtijas, Hapsari Peni Alhakiim, Thomi Aditya Alifian Erga Iswardhana Alpiana, Intan Ammar, Muhammad Zhafran Amrina Rosyada Andi Iwan Nurhidayat Anggraini, Lusiana Anindha Arsya Dhaniswara Anita Qoiriah ANITA QOIRIAH Anita Qoiriah Anjani, Ayu Annisa Nur Hidayati ARI KURNIAWAN Arya Tandy Hermawan Asma Johan Asmunin Asmunin Atik Wintarti Atik Wintarti Audzad Dzulhijzah Aviana, Anisah Nurul Azalia, Virna Hari Nur Chindy Ayudia Sri Fastaf Derri Nuril Wardana Eka Putra, Ricky Ervin Yohannes Esa Maidatussohiba Esther Irawati Setiawan Esti, Esti Yogiyanti Fani Fadillah Hermawan Farid Baskoro Fatimah Nur Alifiah Febry San Pratama Fellia Nurlailatul Rochmah Firdaus Bagus Wicaksono Firdaus, Mohamad Adi Putra Hani Nafisah Amaliya Hapsari Peni Agustin Tjahyaningtijas Harahap, Satria Baladewa Herlangga Fitdia Saputra I Made Suartana Ika Putri Arisanti Ikko Cahya Awinata Inez Hafizhah Febrina Iqbaal Januar Eka Firmansyah Ismail Johanes, Sugiharto Kartika Wulandari Khahar, Abdul Khoiru Miftakhul Falah Khusna, Asmaul M Dzikri Hisyam Ilyasa M. Aziz Rizaldi Mas Arya Bhisma Rangga Douval Saputra Mauridhi H. Purnomo Meakhel Gunawan Mediana, Prissely Pravasstifany Miranda Dwi Diana Moh. Novil Ma'arij Mohammad Hasan Machfoed Muhamad Alfin Ardiansyah Muhamad Azis Thohari Muhamad Khafidhun Alim Muslim Muhammad Habil Habibi Muhammad Rifki Agustian Muhammad Zakia Avlach Mutiara Nur Zarima Zarima Muttaqin, Aziz Fiqri Nafisah, Nurun Naim Rahmawati Naim Rochmawati Naim Rochmawati Nanda Ade Handaya Nesya Amelinda Nugroho, Supeno M. S. Nurcahyo, Krisna Bayu Aditya Oktafia Widya Santoso Pradangga, Aryo Praptama, Ervan Putri Alvina Putri, Rezky Arisanti Raden Mohamad Herdian Bhakti Rafli Aditya Pramana Raharko, Natasha Isnaeni Rahayu, Siskawati Rahmawati, Naim Rahulil, Muhammad Ramadhan, Dani Rebecca Jasmine Surya Ricky Eka Putra Rina Harimurti Rochmawati, Naim S., Rahma Aziz Sadewa, Bagas Ahmad Salahuddin, Muhammad Rico Saputra, Ivan Rangga Shahputri, Vira Arum Solihin, Aziz Suartana, I Made Sukrisna Sulaiman Amrozi Jailani Surya, Arum Ayu Suyatno, Dwi F. Syarif Hidayatulloh Tazki Yatun Niyah Tohari Ahmad Wardana, Prima Lukito Widi Aribowo Wiyli Yustanti Wiyli Yustanti Wiyli Yustanti Yoyok Prastyo, Yoyok