Article Per Year (5 Year)
p-Index From 2020 - 2025
4.902
P-Index
This Author published in this journals
All Journal ITEj (Information Technology Engineering Journals) Jurnal Ilmiah KOMPUTASI Jurnal Mirai Management JOIV : International Journal on Informatics Visualization JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Jurnal Sisfokom (Sistem Informasi dan Komputer) JURTEKSI Jurnal Sistem Cerdas JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Teknik Informatika (JUTIF) eProceedings of Engineering The Indonesian Journal of Computer Science International Journal of Computer Technology and Science
Oktariani Nurul Pratiwi
Telkom University
Automotive Engineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Mechanical Engineering

Published : 37 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 37 Documents
Search

 1   2   3   4 
ANALISA PERBANDINGAN ALGORITMA K-MEANS, DECISION TREE, DAN NAE BAYES UNTUK SISTEM PENGELOMPOKKAN SISWA OTOMATIS Oktariani Nurul Pratiwi
Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 2 No. 2 (2016)
Publisher : Universitas Widyatama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (726.124 KB) | DOI: 10.33197/jitter.vol2.iss2.2016.98

Abstract

[INA]Pembelajaran kooperatif adalah proses pembelajaran dengan mengikuti beberapa instruksi yang melibatkan siswa bekerja dalam tim untuk mencapai tujuan bersama dalam kondisi yang mencakup unsur-unsur yang telah ditentukan. Pembelajaran kooperatif mampu membuat siswa lebih percaya diri dan mampu mengungkapkan pendapat sehingga, dapat meningkatkan kemampuan siswa lebih efektif. Salah satu faktor pendukung pembelajaran kooperatif adalah komposisi siswa dalam kelompok. Sebaiknya, penentuan kelompok belajar di sekolah dilakukan berdasarkan pengamatan guru terhadap siswa. Namun hal ini tidak mudah karena membutuhkan waktu lama, dan membuat beban kerja guru bertambah. Sehingga, cara termudah penentuan kelompok belajar adalah ditentukan secara acak. Risikonya, proses pembelajaran kooperatif tidak berjalan dengan efektif. Dibutuhkan sebuah sistem yang mampu menentukan komposisi anggota belajar siswa secara otomatis. Dalam paper ini dipaparkan hasil analisis perbandingan algoritma K-means, Decision Tree, Naive Bayes terhadap data siswa yang dapat digunakan untuk pengelompokkan siswa. Dari hasil uji coba didapatkan Nae Bayes mampu mengelompokkan siswa lebih baik dengan nilai akurasi 70,37%.Kata kunci :Pembelajaran Kooperatif, Pengelompokkan Siswa Otomatis, K-Means, Decision Tree, Nae Bayes.[EN]Cooperative learning is a process of learning that following some instructions involving students work in teams to achieve goal in a condition. Cooperative learning makes students more confident to tell opinions, and improve the ability of students more effectively. Formation of students in a group is important. Preferably, the determination of group learning in school is based on the observation of the student teachers. But, it is not easy because it takes a long time, and increase teacher task. The easiest way of determining groups of students by determined randomly. Hence, cooperative learning become inefficient. This process need a system that capable to determine the formation of the student's learning automatically. In this paper presented the results of a comparative analysis of K-means algorithm, Decision Tree, Nae Bayes. The best result of the experiment by Nae Bayes 70,37% accurately.Keywords : Cooperative Learning, Automatic Grouping of Student, K-means, Decision Tree, Nae Bayes.
PERBANDINGAN ALGORITMA KLASIFIKASI SUPPORT VECTOR MACHINE DAN NAIVE BAYES PADA IMBALANCE DATA Chika Enggar Puspita; Oktariani Nurul Pratiwi; Edi Sutoyo
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 8, No 1 (2021): Desember 2021
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v8i1.1185

Abstract

Abstract: Question classification is a computer science system, which aims to analyze questions and can label each question based on existing categories. Questions can be collected from several materials or topics that are many and different. Therefore, the researcher intends to create a classification system for quiz questions Data Warehouse and Business Intelligence which can be grouped into topics Data Warehouse, Business Intelligence, Data Analytics, and Performance Measurement. One way to solve this problem is by approach machine learning. In this study, researchers used a comparison of machine learning algorithms, namely the algorithm NaïveBayes and SupportVectorMachine using SMOTE and methods Cross-Validation The results of this study show the best accuracy results and are very helpful. The results obtained in the method cross-validation before SMOTE resulted in an accuracy rate of 82.02% for the results after going through the SMOTE stage of 94.79% on the algorithm Naïve Bayes, while the algorithm SupportVectorMachine get accuracy of 81.39% in the process before SMOTE for the results after going through SMOTE of 96.52%.  Keywords: Cross-Validation; Machine Learning; Naive Bayes; Support Vector Machine; Question Classification  Abstrak: Klasifikasi pertanyaan merupakan sebuah sistem ilmu komputer, yang bertujuan untuk menganalisis pertanyaan serta dapat memberi label pada setiap pertanyaan berdasarkan kategori yang ada. Pertanyaan soal dapat dikumpulkan dari beberapa materi atau topik yang banyak dan berbeda. Oleh karena itu, bermaksud untuk membuat sistem klasifikasi pertanyaan soal kuis Data Warehouse dan Business Intelligence yang dapat dikelompokkan menjadi topik Data Warehouse, Business Intelligence, Data Analitik, dan Pengukuran Kinerja. Cara  yang dapat dilakukan untuk permasalahan ini dengan menggunakan pendekatan MachineLearning. Pada penelitian kali ini menggunakan perbandingan algoritma MachineLearning yaitu algoritma NaïveBayes dan SupportVectorMachine menggunakan metode SMOTE dan Cross-Validation. Hasil penelitian ini menunjukkan hasil akurasi yang terbaik dan sangat membantu. Hasil yang diperoleh pada metode cross-validation sebelum SMOTE menghasilkan tingkat akurasi sebesar 82.02% untuk hasil sesudah melalui tahap SMOTE sebesar 94.79 %  pada algoritma Naïve Bayes, sedangkan pada algoritma Support Vector Machine menghasilkan akurasi sebesar pada proses sebelum SMOTE 81.39% untuk hasil sesudah melalui SMOTE sebesar 96.52%. Kata kunci: Klasifikasi Pertanyaan; Pembelajaran Mesin; Naive Bayes; Support Vector Machine; Cross-Validation
Analisis Sentimen IMBd Film Review Dataset Menggunakan Support Vector Machine (SVM) dan Seleksi Feature Importance Hilda Nuraliza; Oktariani Nurul Pratiwi; Faqih Hamami
Jurnal Mirai Management Vol 7, No 1 (2022)
Publisher : STIE AMKOP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37531/mirai.v7i1.2222

Abstract

Perkembangan teknologi internet khususnya dalam bidang perfilman memberikan sarana terbuka bagi masyarakat dalam mengekspresikan pendapat dan emosional. Salah satu pendapat yang seringkali masyarkat keluarkan yaitu berupa penilaian sebuah film pada platform tertentu seperti IMDB. Ulasan yang dikeluarkan tentunya mengandung emosional yang dibawakan oleh masyarakat itu sendiri, baik emosional positif maupun negatif yang dinamakan sentimen. Sentimen atau opini masyarakat ini perlu dianalisis untuk mengklasifikasikan opini sesuai dengan kelasnya sehingga kecenderungannya terhadap suatu objek dapat diketahui. Adapun metode yang digunakan dalam penelitian ini yaitu metode data mining dengan Knowledge Discovery in Database (KDD). Tujuan dari penelitian ini yaitu analisa sentiment IMDB film review oleh masyarakat menggunakan algoritma Support Vector Machine dan seleksi Feature importance untuk memperoleh pola dan hasil yang terbaik. Dengan pengujian validasi akurasi data menggunakan metode split data sederhana dan k-fold cross validation yang menghasilkan akurasi sebesar 91.942% dan 87.699%. Lalu Kemudian dilakukan evaluasi menggunakan confusion matrix dengan penetapan max feature sebesar 10000 untuk memeriksa nilai ketepatan prediksi yang dilakukan oleh model yaitu diperoleh akurasi sebesar 88.033%. Dalam hal ini dapat dibuktikan bahwa kemampuan model dalam melakukan klasifikasi dinilai cukup baik. Keywords: Data Mining, KDD, Feature Importance, SVM, Confusion Matrix
Analisis Sentimen Review Customer Terhadap Laptop Asus Dan Laptop Acer Menggunakan Metode Support Vector Machine Eflin Trinova Limbong; Oktariani Nurul Pratiwi; Hilman Dwi Anggana
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Pada masa pandemi covid 19 masyarakat bekerja dari rumah, belajar dari rumah, dan ibadah dari rumah. Sehingga banyak aktivitas yang harus dilakukan secara daring (online). Oleh karena itu dibutuhkan teknologi pendukungnya, salah satunya adalah laptop. Penelitian ini memilih melakukan analisis sentimen review konsumen pada laptop Asus dan laptop Acer. Penelitian ini berguna untuk mewangetahui sentimen pelanggan terhadap laptop Asus dan Acer pada media sosial Twitter dan menerapkan algoritma Support Vector Machine. Data diambil melalui API Twitter. Kemudian data akan diberi label sesuai sentimen dan aspeknya. Data akan di preprocessing kemudian data hasil preprocessing diberi bobot agar dapat diklasifikasi menggunakan Support Vector machine. Data akan dibagi menjadi data training dan data testing dan menghasilkan rasio terbaik 70:30 untuk data Asus dan 80:20 untuk data Acer. Percobaan dilakukan dengan kernel linear, kernel radial basis function dan kernel polynomial kemudian dievaluasi dengan confusion matrix dan dilakukan validasi dengan k fold cross validation. Pada data Asus rasio terbaik 70:30 dengan akurasi terbaik kernel radial basis function rata-rata Precision 99%, Recall 99%, dan F1-Score sebesar 99% dan telah dilakukan validasi menghasilkan rata-rata 99.63%. pada data Acer rasio terbaik adalah 80:20 dengan akurasi terbaik kernel polynomial rata-rata Precision 100%, Recall 100%, dan F1-Score sebesar 100% dan telah dilakukan validasi menghasilkan rata-rata 99.6%. Kata Kunci: Acer, Asus, Analisis Sentimen, Confusion Matrix, Support Vector Machine.
Analisis Sentimen Review Customer Terhadap Produk Indihome Dan First Media Menggunakan Algoritma Convolutional Neural Network Saleh Hasan Badjrie; Oktariani Nurul Pratiwi; Hilman Dwi Anggana
eProceedings of Engineering Vol 8, No 5 (2021): Oktober 2021
Publisher : eProceedings of Engineering

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

Abstract

Pada masa ini media sosial merupakan salah satu media untuk mengetahui dan memberikan informasi secara luas dan cepat. Era digital dimana berkembang pesatnya industri 4.0, sebagian besar informasi yang tersebar dalam media sosial dapat berupa pendapat, opini, masukkan, dan juga saran setiap perorangan atau individu terhadap sebuah produk atau objek tertentu yang disebut sentimen. Terdapat tiga macam sentimen yaitu sentimen positif, sentimen negatif, dan sentimen netral. Tiga sentimen tersebut digunakan di beberapa panggung ternama seperti Twitter. Internet pun mulai berkembang di zaman ini dari setiap provider untuk menggunakan media sosial tersebut seperti IndiHome dan First Media. Dua provider tersebut tidak sedikit dari masyarakat Indonesia mengungkapkan pendapatnya terkait layanan atau produk tersebut dari konektivitas, harga, dan layanan pelanggan. Dari fenomena tersebut analisis sentimen dapat dilakukan untuk mendapatkan nilai dan value dari kedua objek tersebut yang akan dianalisis. Tetapi, dalam penerapan analisis sentimen membutuhkan algoritma yang dapat melakukan sebuah klasifikasi pendapat atau sentimen masyarakat. Dalam hal ini, penelitian yang ada sebelumnya dapat digunakan sebagai referensi yang akan digunakan dalam analisis ini dari segi algoritma, analisis sentimen dan klasifikasi. Algoritma CNN (Convolutional Neural Network) adalah algoritma deep learning yang dapat menggunakan gambar sebagai input, menetapkan kepentingan untuk berbagai aspek dan objek dalam gambar agar dapat membedakan satu dengan yang lain dan memiliki akurasi yang tinggi, sehingga dalam penelitian analisis sentimen review produk IndiHome dan First Media. Penelitian ini bertujuan untuk melakukan penilaian produk terhadap provider menggunakan metode analisis sentimen review customer dari tiap tweets yang pelanggan telah lampirkan dengan algoritma convolutional neural network. Menggunakan aplikasi website open-source yaitu Jupyter Notebook. Hasil akurasi yang didapatkan, memperoleh akurasi tertinggi sebesar 98% untuk provider IndiHome dan 91% untuk provider First Media. Kata Kunci: Twitter, Analisis Sentimen, IndiHome, First Media, CNN.
SENTIMENT ANALYSIS OF PUBLIC OPINIONS TOWARDS TELKOM UNIVERSITY POST PANDEMIC Anindya Prameswari Putri Djakaria; Oktariani Nurul Pratiwi; Hanif Fakhrurroja
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 10, No 1 (2023): Desember 2023
Publisher : STMIK Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v10i1.2645

Abstract

Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.            Keywords: naïve bayes; sentiment analysis; twitter; telkom university.  Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University. Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
Perbandingan Analisis Sentimen Aplikasi Traveloka dan Tiket.com pada Twitter dengan Metode Support Vector Machine Rukmana, Putri Utami; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
Jurnal Sistem Cerdas Vol. 6 No. 3 (2023)
Publisher : APIC

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37396/jsc.v6i3.350

Abstract

The emergence of the COVID-19 pandemic in Indonesia resulted in an economic crisis, including in the world of tourism, which caused a decline in the national economy. With the existence of Online Travel Agencies (OTA) such as Traveloka and Tiket.com, it is hoped that they can help improve the tourism sector for the Indonesian economy. As a popular OTA and to see the opinion of the Indonesian people, it can be seen from public opinion in the form of tweets on the Twitter application. The tweets data will be taken and sentiment analysis will be carried out on the OTA Traveloka and Tiket.com applications which will be classified into certain classes based on opinions and modeling will be carried out using the Support Vector Machine (SVM) algorithm method. This research aims to determine the level of accuracy of the SVM algorithm and find out how sentiment analysis compares between Traveloka and Tiket.com. In the sentiment analysis comparison, in terms of price, Traveloka is superior and in terms of service, Tiket.com is superior. After modeling by comparing splitting data and handling imbalanced data using Synthetic Minority Oversampling Technique (SMOTE), the best SVM accuracy results for the Tiket.com price dataset were 68%, for Traveloka prices it was 97%, for Tiket.com services it was 92%, and for Traveloka services it is 89%.
Implementasi Aplikasi Backend Untuk Sistem Informasi Deteksi Defect Produksi Kain Tekstil Menggunakan Php Dengan Framework Laravel Bagaskara, Kumara Ris Panji; Utama, Nur Ichsan; Pratiwi, Oktariani Nurul
Jurnal Ilmiah Komputasi Vol. 23 No. 4 (2024): Jurnal Ilmiah Komputasi : Vol. 23 No 4, Desember 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.23.4.3662

Abstract

Produksi tekstil terus meningkat seiring dengan investasi modal asing dan tingginya permintaan akan kain tekstil. Dalam menghadapi tantangan ini, diperlukan teknologi mutakhir untuk memastikan kualitas produksi kain. Fokus penelitian ini beralih kepada pengembangan backend sistem untuk menyajikan hasil dari model machine learning klasifikasi objek yang mendeteksi defect. Framework Laravel dan bahasa PHP dipilih sebagai landasan pengembangan, sementara MariaDB berperan sebagai database. Penelitian ini bertujuan meningkatkan akurasi dan resolusi dalam deteksi defect, menciptakan standar kualitas produk yang jelas, dan menggantikan penggunaan inspeksi manual yang rentan terhadap subjektivitas dan kesalahan. Dengan PT Gracia Mega Karya yang menjadi fokus utama penelitian ini, penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan efisiensi dan kualitas produksi kain tekstil. Sebagai hasil, dikembangkan sebuah website laporan dinamakan “Defector” yang menyajikan informasi visual terkait deteksi defect dalam produksi kain tekstil. Website ini dirancang untuk mempermudah pengambilan keputusan terkait perbaikan dan pengembangan proses produksi secara efektif.
Analisis Sentimen Dan Pemodelan Topik Terhadap Aplikasi Pembelajaran Online Pada Platform Google Play (Studi Kasus: Quipper) Gosal, Yose Thimothy; Oktariani Nurul Pratiwi; Iqbal Yulizar Mukti; Deden Witarsyah
Jurnal Ilmiah Komputasi Vol. 23 No. 4 (2024): Jurnal Ilmiah Komputasi : Vol. 23 No 4, Desember 2024
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.23.4.3663

Abstract

Kemajuan teknologi informasi dan komunikasi pada era Industri 4.0 telah mengubah metode pengajaran di berbagai lembaga, termasuk melalui aplikasi e-learning seperti Quipper. Quipper memanfaatkan teknologi untuk mendukung pembelajaran. Analisis sentimen ulasan pengguna di Google Play diperlukan untuk memahami persepsi pengguna terhadap aplikasi ini. Penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) untuk klasifikasi sentimen dan Latent Dirichlet Allocation (LDA) untuk identifikasi topik utama dalam ulasan. Algoritma KNN, dipilih karena kesederhanaannya dan akurasi tinggi, menghasilkan akurasi 84.68%, precision 86.40%, recall 85.87%, dan F1-score 86.09% dengan nilai K terbaik 14. Sebagian besar ulasan bersifat positif (55.1%), menunjukkan kepuasan pengguna terhadap Quipper. Analisis LDA mengidentifikasi topik utama dari ulasan positif dan negatif, yang mengungkap aspek-aspek spesifik yang perlu diperbaiki oleh Quipper untuk meningkatkan kepuasan pengguna. Kata kunci: Analisis Sentimen, K-NN, LDA, Pemodelan Topik, dan Quipper
KLASIFIKASI SOAL MENGGUNAKAN MULTI-LABEL PROBLEM TRANSFORMATION DENGAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBOR Kurniawan, Muhammad Rayhan; Pratiwi, Oktariani Nurul; Hamami, Faqih
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.v10i1.5910

Abstract

Pendidikan merupakan komponen utama dalam membangun sumber daya manusia yang berkualitas. Ujian merupakan bagian dari proses evaluasi pendidikan untuk mengukur kemampuan siswa dalam memahami materi yang dipelajari. Proses ujian secara online memerlukan fasilitas mengenai pengelolaan soal, sehingga diperlukan klasifikasi untuk mengelompokkan soal sesuai dengan topiknya. Klasifikasi multi-label adalah proses pengelompokan data ke dalam beberapa kelas berdasarkan kesamaan ciri atau karakteristik data, di mana setiap soal dapat memiliki lebih dari satu topik. Penelitian ini berfokus pada pengklasifikasian soal mata pelajaran Bahasa Indonesia tingkat SMP dengan menggunakan metode Problem Transformation dan algoritma Random Forest serta K-Nearest Neighbor (K-NN). Metode Problem Transformation yang digunakan yaitu Binary Relevance, Classifier Chain, dan Label Powerset. Metrik evaluasi untuk menentukan kinerja terbaik yaitu berdasarkan F1-Score dengan K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dibandingkan K-NN dengan nilai F1-Score terbaik di semua metode Problem Transformation. Nilai F1-Score terbaik dengan metode Label Powerset pada algoritma Random Forest sebesar 69%, dan K-NN sebesar 44%. Berdasarkan hasil tersebut, algoritma Random Forest dengan Label Powerset lebih efektif dalam mengklasifikasikan soal multi-label. Diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan efisiensi pengelolaan soal ujian pada sistem pembelajaran online seperti Learning Management System (LMS).
Co-Authors Adnyana, I Gusti Ngurah Bagus Putra Agustiana, Nathifa Alyasyifa, Salma Anindya Prameswari Putri Djakaria Anshari, Faishal Mufied Al Ariandi, Rama Asriana Asriana, Asriana Bagaskara, Kumara Ris Panji Cahyani, Pradita Chika Enggar Puspita Chrisdiyanti, Ivania Nonita Deden Witarsyah Deden Witarsyah Djakaria, Anindya Prameswari Putri Eflin Trinova Limbong Fa'rifah, Riska Yanu Fa'rifah, Riska Yanua Fakhrurroja, Hanif Faqih Hamami Fazrin, Fadhilah Firzania, Heidea Yulia Gosal, Yose Thimothy Hadwirianto, Muhammad Raihan Hanid, Wihda Sifwi Hilman Dwi Anggana Hwang, Jun-seok I B K Widiartha Iqbal Yulizar Mukti Irfan Darmawan Kamil, Andhika Ihsan Kardila, Yuni Kasparov, Michael Christensen Bonar Kurniawan, Muhammad Rayhan Mardika, Jody Muhaimin, Luthfi Ahmad Muharman Lubis Mustada, Fitrina Annisa Nisa, Amarila Zahratun Novanza, Alvin Renaldy Nur Ichsan Utama Nuraliza, Hilda Orvalamarva Pramudia, Rudi Guna Pramuwidya, Shinta Rachmadita Andreswari Rukmana, Putri Utami Saleh Hasan Badjrie Sutoyo, Edi Talisman, Bryan Ronald Yoon, Hyoen-yeong Yulio Ferdinand