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 21 Documents
Search
Journal : eProceedings of Engineering

 1   2   3 
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.
Implementasi Frontend Untuk Sistem Deteksi Defect Produksi Kain Tekstil Pt. Gracia Mega Karya Menggunakan Metode User Centered Design (Ucd) Mustada, Fitrina Annisa; Utama , Nur Ichsan; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Dalam industri tekstil, peningkatan produksiyang signifikan akibat tingginya permintaan dan investasimodal asing menghadirkan tantangan baru dalam memastikankualitas kain yang dihasilkan. Penelitian ini bertujuan untukmengembangkan antarmuka frontend untuk sistem deteksicacat produksi kain tekstil di PT. Gracia Mega Karyamenggunakan metode User Centered Design (UCD) untukmenyajikan hasil deteksi cacat secara visual dan interaktif.Sistem ini, yang dinamakan "Defector” menyajikan informasivisual terkait deteksi defect dalam produksi kain tekstil. Prosespengembangan diawali dengan pengumpulan data dan analisiskebutuhan pengguna, yang diterapkan dalam perancanganprototipe. Prototipe ini kemudian diuji melalui pengujiankegunaan (usability testing) untuk memastikan bahwaantarmuka memenuhi kebutuhan pengguna dan mudahdigunakan. Hasil penelitian menunjukkan bahwa sistem"Defector" efektif dalam meningkatkan efisiensi dan kualitasproduksi kain tekstil. Antarmuka yang dikembangkan bersifatintuitif dan responsif, memungkinkan pengambilan keputusanyang lebih cepat dan akurat terkait perbaikan danpengembangan proses produksi. Kata kunci— Defect, Frontend, Laravel, Textile, User Centered Design (UCD)
Klasifikasi Multi-Label Pada Soal Berdasarkan Kategori Topik Menggunakan Metode Support Vector Machine Novanza, Alvin Renaldy; Pratiwi , Oktariani Nurul; Hamami , Faqih
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Pendidikan, sebagai bagian penting dalamkehidupan manusia, senantiasa mengalami perkembanganseiring dengan adanya kemajuan ilmu pengetahuan danteknologi (IPTEK). Salah satu inovasi penting dalam pendidikanadalah e-learning, yang memungkinkan siswa belajar tanpaterikat ruang kelas. Namun, dengan semakin banyaknya soalkuis yang beragam topiknya, terutama dalam mata pelajaranIPA yang mencakup berbagai konsep ilmiah, pengelolaan soalsecara manual menjadi tidak efisien. Oleh karena itu,diperlukan sistem klasifikasi yang dapat mengorganisasi danmengelompokkan soal secara otomatis dan efisien, sehingga bisameningkatkan pemahaman siswa, khususnya pada matapelajaran IPA. Penelitian ini memiliki tujuan untukmengimplementasikan algoritma Support Vector Machinedalam proses klasifikasi soal multi-label pada mata pelajaranIPA tingkat SMP. Proses klasifikasi mencakup pembersihandata, case folding, tokenisasi, stopword removal, stemming, danpembobotan atau ekstraksi fitur teks menggunakan TF-IDF.Pemodelan menggunakan pendekatan problem transformationdengan metode label powerset untuk mengubah soal denganmulti-label menjadi bentuk multi-class sehingga bisa dilakukanklasifikasi biner oleh SVM. Evaluasi model dilakukanmenggunakan confusion matrix untuk menganalisis performaklasifikasi dan K-Fold Cross Validation untuk memastikankeakuratan dan generalisasi model. Hasil penelitianmenunjukkan bahwa SVM dapat diterapkan untuk klasifikasisoal multi-label dengan akurasi 67%, serta presisi, recall, danF1-score masing-masing sebesar 75%. Analisis confusion matrixmengungkapkan bahwa model memiliki beberapa kesalahanklasifikasi, mengindikasikan ruang untuk perbaikan lebihlanjut. Meskipun demikian, model SVM menunjukkan potensiyang baik. Penelitian ini juga mengidentifikasi beberapa areauntuk perbaikan, termasuk peningkatan kualitas data danpemilihan parameter model yang lebih optimal. Oleh karena itu,metode SVM layak dipertimbangkan dalam sistem pendidikanuntuk pengembangan bank soal dan sistem evaluasi berbasisteknologi, meskipun diperlukan perbaikan lebih lanjut pada model dan data. Kata kunci— bank soal, confusion matrix e-learning, klasifikasi multi-label, K-Fold Cross Validation, Support VectorMachine.
Prediksi Mahasiswa Mengundurkan Diri Menggunakan Metode Support Vector Machine Adnyana, I Gusti Ngurah Bagus Putra; Pratiwi, Oktariani Nurul; Darmawan, Irfan
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Tingkat keberhasilan mahasiswa adalah salahsatu cara untuk mengukur kualitas dari sebuah perguruantinggi, dan salah satu masalah yang sering menyebabkanmahasiswa gagal adalah berhenti kuliah. Dari data yangdiperoleh 8.483.213 mahasiswa terdaftar pada tahun 2020,602.208 mahasiswa berhenti kuliah yang berasal dariperguruan tinggi swasta. Telkom University sebagai salah satuperguruan tinggi swasta akan dilakukan penelitian untukmemprediksi mahasiswa yang berhenti kuliah, terutama padaprogram studi S1 Sistem Informasi. Karena pada TelkomUniversity berhenti kuliah dikategorikan sebagaimengundurkan diri, maka penelitian ini dilakukan untukmemprediksi mahasiswa mengundurkan diri atau tidak.Mengundurkan diri pada program studi S1 Sistem Informasimerupakan salah satu key peformance indicator yang nilainyaharus dapat ditekan, oleh karena itu menggunakan machinelearning dengan metode SVM dapat menyelesaikanpermasalahan pada penelitian ini. Pada penelitian inimenunjukkan bahwa model SVM mendapatkan akurasi tinggisebesar 98,30% sebelum dilakukan metode oversamplingdengan SMOTE, namun menurun menjadi 92,34% setelahpenerapan metode oversampling dengan SMOTE untukmengatasi ketidakseimbangan data. Meskipun akurasinyamenurun, tetapi dari nilai recall, precision, serta F1-Scoremeningkat yang mengindikasikan SVM setelah dilakukanoversampling lebih baik dalam mengklasifikasikan mahasiswayang mengundurkan diri. Dengan akurasi yang tinggi, makametode SVM terbukti efektif dalam memprediksi mahasiswayang terindikasi mengundurkan diri atau tidak. Kata Kunci - SVM, Machine Learning, MahasiswaMengundurkan Diri, Prediksi, CRISP-DM
Analisis Prediksi Performa Akademik Menggunakan Algoritma Decision Tree (Studi Kasus: Prodi S1 Sistem Informasi Universitas Telkom) Hanid, Wihda Sifwi; Pratiwi, Oktariani Nurul; Darmawan, Irfan
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Peningkatan kualitas pendidikan dan hasil belajarmenjadi tujuan utama sistem pendidikan, termasuk mengetahuiperforma akademik mahasiswa sejak dini. Jalur seleksi masukperguruan tinggi terbukti berpengaruh terhadap perbedaanprestasi belajar dan dapat dijadikan faktor dalam memantauperforma akademik mahasiswa. Penelitian ini menggunakanalgoritma Decision Tree untuk memprediksi performamahasiswa Prodi S1 Sistem Informasi Universitas Telkomberdasarkan data histori akademik angkatan 2017-2019 yangdikumpulkan melalui sistem informasi akademik resmi, yaituiGRACIAS. Proses pengolahan data mencakup tahap datapreparation, training, dan testing dengan penangananketidakseimbangan data menggunakan Synthetic MinorityOversampling Technique (SMOTE). Evaluasi performansimodel dilakukan menggunakan confusion matrix untukmengukur akurasi, presisi, recall, dan f1-score. Dariperhitungan confusion matrix, hasil penelitian menunjukkanbahwa baik model dengan maupun tanpa penanganan SMOTEmenghasilkan akurasi 66%, namun terdapat perbedaan padahasil metrik di kelas "Memuaskan", yaitu recall yangmeningkat dari 50% menjadi 67%. Selain itu, evaluasimenggunakan k-fold cross validation menunjukkan perbedaanyang signifikan, dengan akurasi sebelum menggunakanSMOTE sebesar 66%, sementara setelah menggunakanSMOTE, akurasi meningkat menjadi 84%. Penelitian ini jugamelakukan deployment dengan membangun sistem inputsederhana menggunakan Streamlit untuk memudahkanpengguna dalam memprediksi performa akademik mahasiswa.Penelitian ini memberikan kontribusi dalam mendukungpengambilan keputusan akademik untuk meningkatkanpemahaman terhadap performa mahasiswa. Kata kunci— Performa Akademik, Decision Tree, DataMining
Analisis Sentimen Berbasis Aspek Terhadap Richeese Factory pada Platform Twitter Menggunakan Algoritme Naïve Bayes dan Menggunakan Marketing Mix 4P Firzania, Heidea Yulia; Pratiwi, Oktariani Nurul; Hamami , Faqih
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Pembatasan pengunjung di gerai makanan membuat masyarakat memesan makanan dan minuman darirumah sehingga popularitas brand tersebut meningkat. Makabanyak brand bersaing terutama brand makanan cepat saji.Richeese Factory adalah brand makanan cepat saji Indonesiayang menyajikan makanan pedas, saus keju dan satu-satunyabrand makanan yang bersaing dengan brand luar negeri, tetapibrand tersebut masih kalah dengan brand luar negeri. Denganmenggunakan analisis sentimen dan aspek teori Marketing Mix4p yang didapat dari ulasan pelanggan pada Twitter, dapatmeningkatkan minat masyarakat kepada brand RicheeseFactory. Sistematika penyelesaian menggunakan KnowledgeDiscovery in Database, tahapan pertama adalah data selection,pada tahap tersebut, peneliti menentukan keywordpengambilan data dari Twitter, yang kemudian data diambildengan cara crawling data. Hasil dari implementasi AlgoritmeNaïve Bayes perbedaan max features dan test size memilikiperan penting pada hasil akurasi. Algoritme Gaussian danMultinomial Naïve Bayes memiliki hasil akurasi yang lebihtinggi daripada Algoritme Bernoulli Naïve Bayes, akan tetapisebagian besar akurasi tertinggi pada Algoritme MultinomialNaïve Bayes dengan nilai 84%. Berdasarkan tingkat akurasidari implementasi Algoritme Naïve Bayes jika nilai max featuressemakin tinggi nilai akurasi juga semakin tinggi. Kata kunci— Richeese Factory, Analisis Sentiment, Marketing Mix, Naïve Bayes
Analisis Sentimen Pada Media Sosial Twitter Menggunakan Support Vector Machine (SVM) Terhadap Kata Kunci #TheLinkinJKT Asriana, Asriana; Pratiwi, Oktariani Nurul; Fakhrurroja, Hanif
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Pada penelitian ini dilakukan sentimen analisis terhadap tweetss terkait #TheLinkinJKT mengenai segi <SistemTicketing= dan <Kepuasan Event= dengan kategori sentimen label positif dan negatif. Sentimen analisis dilakukan menggunakanpendekatan Machine Learning dengan algoritma Support VectorMachine (SVM). Terdapat 1.331 jumlah data keseluruhan pada <Sistem Ticketing= dengan 650 tweetss dengan label positif dan705 tweetss dengan label negatif. Sedangkan pada <Kepuasan Event= terdapat 4.400 jumlah data keseluruhan dengan 1.995dengan label positif dan 2.402 dengan label negatif, pelabelan datadilakukan secara manual. Berdasarkan hasil analisismenggunakan SVM, akurasi tertinggi pada <Sistem Ticketing=dengan rasio split 70:30 sebesar 0,737 atau 73% dan akurasitertinggi pada <Kepuasan Event= dengan rasio split 80:20 sebesar0,743 atau 74%. Adapun hasil evaluasi kinerja modelmenggunakan K-Fold Cross Validation pada <Sistem Ticketing=dengan hasil accuracy sebesar 0,74, precision sebesar 0,71, recallsebesar 0,71 dan f1- score sebesar 0,71, sedangkan pada<Kepuasan Event= hasil accuracy sebesar 0,74, precision sebesar0,82, recall sebesar 0,57, dan f1-score sebesar 0,68. Hasil darianalisis ini diharapkan dapat memberikan digunakan sebagaifeedback bagi pihak terkait untuk meningkatkan kualitas layananyang diberikan dari sisi sistem ticketing dan kepuasan konsumenterhadap event yang diselenggarakan oleh pihak promotorDyandra Global Edutainment untuk acara-acara berikutnya. Kata kunci— Analisis Sentimen, Support Vector Machine, Natural Language Processing
Extractive Text Summarization Terhadap Artikel Berita Indonesia Berbasis Machine Learning Hadwirianto, Muhammad Raihan; Hamami, Faqih; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Abstrak — Terciptanya internet, jejaring sosial, forum, danteknologi informasi yang tersebar secara cepat, menyebabkaninteraksi terhadap informasi semakin sulit untuk dipahami,dibuat, dikembangkan, dan disimpan. Dengan luasnyainformasi sehingga hampir tidak mungkin untuk seorang pununtuk memproses dan meringkas semua data informasi yangtersedia. Indonesia memiliki literasi yang sangat rendah darinegara lain dengan beberapa faktor seperti tidak membiasakandiri untuk membaca buku dari rumah, perkembanganteknologi yang semakin pesat, minimnya sarana untukmembaca, kurangnya motivasi untuk membaca, dan sifat malasuntuk mengembangkan ide. Automatic text summarizationadalah salah satu alternatif teknologi yang bisa digunakanuntuk menyelesaikan masalah tersebut. Automatic textsummarization merupakan bagian dari bidang NaturalLanguage Processing (NLP) yang bertujuan untukmerepresentasikan dokumen teks yang panjang menjadi lebihringkas, sehingga pengguna dapat dengan mudah memahamiinformasi dengan cepat. Berbagai metode telah dilakukanuntuk mengatasi masalah peringkasan teks otomatis untukobjek berbahasa Indonesia, yaitu berbasis extractive danabstractive. Untuk mengatasi masalah ini, pada penelitiandigunakan extractive text summarization berbasis machinelearning. Pada penelitian ini menggunakan dataset publik yangbisa digunakan untuk penelitian-penelitian selanjutnya. Metodeyang digunakan untuk mendapatkan hasil summarizationdengan menggunakan metode Word2Vec dengan penerapanmodel Continous Bag-of-Word (CBOW) dan Skip-Gram. Metodeyang digunakan untuk evaluasi akurasi hasil ringkasan adalahRecall-Oriented Understudy for Gisting Evaluation (ROUGE). Kata kunci— Automatic Text Summarization, Word2Vec,Continous Bag-of-Words, Skip-Gram, Recall-OrientedUnderstudy for Gisting Evaluation
RANCANG BANGUN WEBSITE FUND MYEDU UNTUK MENCARI BEASISWA DENGAN MENGGUNAKAN CRAWLING API Kasparov, Michael Christensen Bonar; Darmawan, Irfan; Pratiwi, Oktariani Nurul
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

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

Abstract

Teknik pengambilan data melalui proses crawling merupakan suatu metode otomatis untuk mengambil informasi dari sebuah situs web dengan bantuan program komputer. Pendekatan ini memungkinkan pengambilan informasi dari beragam sumber secara efektif dan terorganisir. Contoh penggunaan Data Crawling adalah mengetahui kriteria suatu kampus untuk menerima seseorang melalui jalur beasiswa. Banyak kampus mempublikasikan informasni tentang kriteria yang harus dipenuhi oleh calon penerima beasiswa di situs web mereka. Namun, mencari dan menguimpulkan informasi secara manual menjadi sangat memakan waktu. Metode yang digunakan pada penelitian ini adalah Web Crawler API. Terbukti bahwa metode web crawling API dapat secara otomatis mengumpulkan informasi tentang kriteria suatu kampus untuk menerima seseorang melalui jalur beasiswa menggunakan Data Crawling yaitu dengan membuat website, data dummy, dan API. Cara menyajikan data yang sudah diperoleh agar calon mahasiswa bisa mendapatkan rekomendasi beasiswa dari formulir data yang telah diisi sesuai dengan jurusan yang telah diambil di bangku SMA/SMK yaitu dengan dibuatnya website Fund MyEdu sebagai tempat menampilkan informasi beasiswa bagi calon penerima beasiswa. Dimana terdapat fitur Dashboard Admin, Lihat Beasiswa, Kelola Users, Verifikasi Users, Beranda, Beasiswa, Rekomendasi Beasiswa, dan Tentang Kami. Fund MyEdu memiliki dua role yaitu admin dan users, admin berperan sebagai pengelola dan verifikator data users serta data beasiswa. Sedangkan users merupakan calon penerima beasiswa. Kata kunci— Crawler API, Beasiswa, Data Crawling, Website
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