Article Per Year (5 Year)
p-Index From 2021 - 2026
11.862
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Penelitian Pendidikan Matematika dan Sains Sinergi 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 Electronics, Electromedical Engineering, and Medical Informatics 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) Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics Journal of Emerging Information Systems and Business Intelligence (JEISBI) SELAYAR: Jurnal Pengabdian Masyarakat Journal of Soft Computing Exploration
Yuni Yamasari
Department Of Informatics, Faculty Of Engineering, Universitas Negeri Surabaya
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Public Health Social Sciences Transportation Other

Published : 101 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 101 Documents
Search

 7   8   9   10   11 
Implementasi Model EfficientNetB0 Berbasis Deep learning untuk Klasifikasi Penyakit Mata pada Citra Fundus Esa Maidatussohiba; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Gangguan penglihatan merupakan permasalahan kesehatan global yang terus meningkat dan sering kali disebabkan oleh penyakit mata seperti katarak, glaukoma, dan retinopati diabetik. Keterbatasan tenaga medis serta fasilitas diagnostik menyebabkan banyak kasus penyakit mata terdeteksi pada tahap lanjut. Oleh karena itu, pemanfaatan kecerdasan buatan berbasis citra fundus retina menjadi salah satu pendekatan yang potensial untuk mendukung deteksi dini penyakit mata secara otomatis. Penelitian ini mengimplementasikan model deep learning berbasis Convolutional Neural Network (CNN) menggunakan arsitektur EfficientNetB0 untuk melakukan klasifikasi penyakit mata pada citra fundus retina. Dataset yang digunakan adalah Eye Disease Dataset dari Kaggle yang terdiri dari empat kelas, yaitu katarak, retinopati diabetik, glaukoma, dan normal. Penelitian ini mengevaluasi pengaruh rasio pembagian dataset terhadap performa model dengan tiga skenario pembagian data pelatihan dan validasi, yaitu 95%:5%, 90%:10%, dan 85%:15%. Tahapan penelitian meliputi preprocessing citra, penerapan data augmentation, serta optimasi pipeline data menggunakan caching, prefetching, dan shuffle. Evaluasi model dilakukan menggunakan metrik accuracy, F1-Score, precision, recall, dan waktu komputasi. Hasil eksperimen menunjukkan bahwa rasio pembagian dataset 95%:5% memberikan performa terbaik dengan akurasi 96,19% dan waktu pelatihan 8 menit 27 detik. Hasil penelitian menunjukkan bahwa arsitektur EfficientNetB0 mampu mengekstraksi fitur citra fundus secara efektif dan efisien serta memberikan performa klasifikasi yang baik terutama pada pembagian data dengan jumlah data training lebih besar. Kata Kunci— klasifikasi penyakit mata, citra fundus retina, deep learning, EfficientNetB0, convolutional neural network.
Penerapan Algoritma Fuzzy C-Means untuk Mendeteksi Emosi Berbasis Fitur Mata Inez Hafizhah Febrina; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak— Emosi mengkomunikasikan dan membangkitkan perilaku manusia, oleh karena itu analisis emosi sangat diperlukan untuk memahami kondisi afektif secara objektif. Salah satu cara potensial untuk melakukannya adalah melalui analisis biometrik mata karena Fitur mata dapat digunakan untuk merepresentasikan perubahan emosional sebagai data numerik. Pendekatan pembelajaran tanpa pengawasan dari pengelompokan untuk deteksi emosi berdasarkan fitur Mata digunakan untuk membandingkan algoritma Fuzzy C-Means (FCM) dalam penelitian ini. Untuk yang pertama, kumpulan Data dikumpulkan dari 27 partisipan dengan jumlah 72.632 frame termasuk FrameNo, A_p2p6_L/R, B_p3p5_L/R, C_p1p4_L/R, ear_L/R, dan avg_ear dalam format numerik yang mewakili fitur biometrik mata. Penelitian ini memiliki tahapan sebagai berikut: Penggabungan kumpulan data, perhitungan dimensi valence dan arousal, normalisasi data, penggabungan pengelompokan FCM untuk proses masuk dengan jarak euclidean invers FCM dari emosi tertentu dengan probabilitas yang sama untuk setiap label cluster untuk menemukan pusatnya; kemudian menerapkan kriteria pemungutan suara mayoritas dengan menggunakan emosi dominan dari partisipan sebelumnya yang terdapat pada label berbeda dalam kelompok. Hasilnya menunjukkan Skor Silhouette sebesar 0,3936 yang diberikan oleh FCM; oleh karena itu, menunjukkan bahwa Fuzzy C-Means memiliki kualitas yang lebih baik pada pemisahan cluster dalam mengatur pola emosi berdasarkan fitur Mata.   Kata Kunci— Fuzzy C-Means, fitur mata, valence-arousal, emosi
Penerapan Arsitektur MobileNetV2 Berbasis Replikasi Channel untuk Klasifikasi Citra Grayscale Miranda Dwi Diana; Yuni Yamasari
Journal of Informatics and Computer Science (JINACS) Vol. 7 No. 03 (2026)
Publisher : Universitas Negeri Surabaya

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

Abstract

Abstrak—Kecelakaan lalu lintas masih menjadi permasalahan serius yang berdampak pada tingginya angka cedera dan kematian, di mana salah satu penyebab utamanya adalah kondisi mengantuk yang menurunkan tingkat konsentrasi pengemudi. Oleh karena itu, diperlukan suatu sistem deteksi mata tertutup dan terbuka yang akurat dan efisien. Pendekatan berbasis citra mata menjadi solusi yang potensial karena mampu mengidentifikasi kondisi mata terbuka dan tertutup secara otomatis menggunakan metode pengolahan citra dan deep learning. Penggunaan citra grayscale dinilai lebih efisien dari segi komputasi, namun memiliki keterbatasan karena tidak sesuai dengan arsitektur model pre-trained yang umumnya memerlukan input tiga channel. Penelitian ini bertujuan untuk menerapkan arsitektur MobileNetV2 berbasis replikasi channel dalam klasifikasi citra grayscale untuk deteksi mata tertutup dan terbuka. Teknik replikasi channel dilakukan dengan menggandakan citra grayscale menjadi tiga channel agar kompatibel dengan arsitektur MobileNetV2. Model dikembangkan menggunakan pendekatan transfer learning untuk meningkatkan kemampuan ekstraksi fitur dan performa klasifikasi. Hasil pengujian menunjukkan bahwa model MobileNetV2 dengan teknik replikasi channel mampu mencapai akurasi sebesar 99,92% dalam mengklasifikasikan kondisi mata terbuka dan tertutup. Hal ini menunjukkan bahwa metode yang diusulkan efektif dalam meningkatkan kompatibilitas citra grayscale dengan model deep learning pre-trained serta mampu menghasilkan performa klasifikasi yang tinggi. Kata Kunci—deteksi kelelahan, MobileNetV2, replikasi channel, citra grayscale, transfer learning.
Eksplorasi Random Forest Berbasis Ekstraksi Fitur dan Metode Sampling untuk Analisis Data Multi-label Sentimen dan Emosi Rebecca Jasmine Surya; 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— Penggunaan aplikasi mobile dalam bidang teknologi telah memberikan wadah bagi penggunanya dalam mengekspresikan emosi dan opini melalui ulasan pengguna. Klasifikasi emosi pada ulasan pengguna dapat membantu dalam memahami tingkat kepuasan pengguna. Namun, proses klasifikasi emosi masih mengalami permasalahan khususnya dalam menghadapi ketidakseimbangan data. Penelitian ini mengusulkan model klasifikasi emosi menggunakan Random Forest pada dataset ulasan di Google Play Store yang melalui tahapan pre-processing, ekstraksi fitur menggunakan TF-IDF, penerapan metode sampling berupa SMOTE, Tomek-Links, dan SMOTE-Tomek dalam permasalahan ketidakseimbangan data, serta pemanfaatan hyperparameter tuning menggunakan Particle Swarm Optimization (PSO). Model klasifikasi tersebut menunjukkan bahwa penggunaan algoritma Random Forest dengan metode sampling SMOTE pada pembagian data dengan rasio 95:5 mampu menghasilkan kombinasi dengan kinerja paling optimal dengan nilai accuracy dan recall masing-masing sebesar 85,24%, precision 85,32% dan nilai F1-score sebesar 85,20%. Secara keseluruhan, penggunaan Random Forest melalui ekstraksi fitur dan metode sampling serta optimasi hyperparameter mampu memberikan hasil model klasifikasi emosi yang lebih efektif dan efisien dalam menangani data yang tidak seimbang.   Kata Kunci— Random Forest, TF-IDF, Metode Sampling, Particle Swarm Optimization, Klasifikasi Emosi.
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.
Co-Authors Aditya Prapanca 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 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 Dwi F. Suyatno Eka Putra, Ricky Ervin Yohannes Ervin Yohannes Ervin Yohannes Ervin Yohannes Esa Maidatussohiba Esther Irawati Setiawan Esti Yogiyanti Esti, Esti 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 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 Mauridhi Hery 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 Rahulil Muhammad Rifki Agustian Muhammad Zakia Avlach Muhammad Zhafran Ammar 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 Nurun Nafisah Nurun Nafisah 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 Ricky Eka Putra 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 Supeno M. S. Nugroho 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