Article Per Year (5 Year)
p-Index From 2021 - 2026
13.044
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) INTENSIF: Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi JURNAL MEDIA INFORMATIKA BUDIDARMA Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control JITK (Jurnal Ilmu Pengetahuan dan Komputer) Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Jurnal Teknik Informatika (JUTIF) JINAV: Journal of Information and Visualization eProceedings of Engineering Eduvest - Journal of Universal Studies Scientific Journal of Informatics Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika LOGIC: Jurnal Penelitian Informatika Proceeding of Community Service and Engagement
Erwin Budi Setiawan
Telkom University
Aerospace Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Neuroscience Social Sciences

Published : 136 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 136 Documents
Search

 10   11   12   13   14 
PERBAIKAN APLIKASI BINAR ILMU GRADING SYSTEM UNTUK PENINGKATAN EFEKTIVITAS DAN EFISIENSI PROSES BISNIS DAN BASIS DATA MASYARAKAT SASAR: SMP DAN SMA BINAR ILMU Isman Kurniawan; Erwin Budi Setiawan; Danang Triantoro Murdiansyah
The Proceeding of Community Service and Engagement (COSECANT) Seminar Vol. 3 No. 1 (2023): Prosiding COSECANT : Community Service and Engagement Seminar
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/cosecant.v3i1.7094

Abstract

Proyek pengabdian masyarakat ini bertujuan untuk mengatasi permasalahan dalam manajemen akademik dan pengelolaan data di SMP dan SMA Binar Ilmu. Dengan fokus pada perbaikan aplikasi dari sisi proses bisnis dan basis data, proyek ini memberikan solusi yang dapat meningkatkan efisiensi dalam proses input nilai, pelaporan, dan akses informasi akademik. Melalui kolaborasi dengan mitra sekolah, solusi ini dirancang untuk memenuhi kebutuhan nyata dan membawa dampak yang signifikan dalam membantu siswa mendapatkan pemahaman yang lebih baik tentang perkembangan akademik mereka dan memberdayakan staf sekolah untuk fokus pada kegiatan pengajaran yang lebih kreatif dan produktif. Potensi keberlanjutan proyek ini terletak pada peningkatan kapasitas internal sekolah, peran sumber daya internal dalam pemeliharaan teknologi, komitmen sekolah terhadap inovasi, dukungan pemangku kepentingan, dan pemantauan yang berkelanjutan. Dengan kombinasi dari faktor-faktor ini, proyek ini diharapkan akan memberikan perubahan positif yang berkelanjutan dalam manajemen akademik sekolah dan pemberdayaan siswa serta staf.
Analisis Sentimen Multimodal terhadap Opini Publik Mengenai Kesehatan Mental di Media Sosial X dengan Metode CNN BiLSTM dan Ekspansi fitur FastText Nadim Rafli Hamzah; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Dalam hal kesehatan masyarakat global, kesehatan mental menjadi perhatian penting. Salah satu situs media sosial yang paling populer, X telah berkembang menjadi forum bagi orang-orang untuk mendiskusikan masalah kesehatan mental dan berbagi cerita pribadi. Menganalisis sentimen dalam percakapan online ini penting untuk memahami persepsi publik dan memandu intervensi kesehatan mental. Penelitian ini mengusulkan model analisis sentimen menggunakan multimodal yang memanfaatkan data tekstual dan visual, dengan fitur teks yang diekstraksi melalui CNN-BiLSTM, TF IDF, dan FastText, dan fitur gambar menggunakan VGG-16. Klasifikasi sentimen dilakukan dengan menggunakan model Hybrid CNN-BiLSTM dengan mekanisme perhatian. Model ini menggunakan fusi tingkat menengah untuk mengintegrasikan fitur teks dan gambar, diikuti dengan tingkat keputusan untuk menggabungkan output dari model teks saja, gambar saja, dan multimodal. 24.742 pasangan tweetgambar dikumpulkan dari platform X dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN (Cable News Network) dan X digabungkan. Dengan akurasi 87,92%, model multimodal mengungguli model teks saja sebesar 0,09% dan model gambar saja sebesar 25,10%. Hasil ini menunjukkan keefektifan data modalitas, ekstraksi fitur yang komprehensif, dan multimodal. Keywords—Analisis Sentimen, FastText, Hybrid CNN-BiLSTM, TF-IDF, VGG-16
Deteksi Bunuh Diri pada Media Sosial Twitter Menggunakan Metode CNN-LSTM dengan Ekspansi Fitur Word2vec Fathin Thariq Wiyono; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Deteksi bunuh diri melalui media sosial telah menjadi tantangan besar dalam beberapa tahun terakhir, terutama pada platform seperti Twitter yang berisi unggahan singkat dan emosional. Penelitian ini bertujuan untuk mengembangkan model deep learning hybrid yang dapat mendeteksi potensi bunuh diri pada tweet di Twitter, menggunakan metode CNN-LSTM dan fitur semantik yang diperluas dengan Word2Vec. Dengan meningkatnya angka bunuh diri di kalangan generasi muda, yang membutuhkan sistem deteksi dini berbasis teknologi canggih. Deteksi dini ini dapat membantu memberikan intervensi lebih cepat bagi individu yang berisiko tinggi. Pendekatan yang diusulkan menggunakan kombinasi Convolutional Neural Network (CNN) untuk menangkap pola lokal dalam teks, Long Short-Term Memory (LSTM) untuk memahami urutan kata dalam teks, serta Word2Vec untuk memperkaya representasi semantik kata-kata dalam tweet. Sistem ini memanfaatkan ekstraksi fitur TF-IDF dan ekspansi fitur menggunakan Word2Vec untuk meningkatkan kemampuan model dalam mengenali pola emosional dan semantik yang ada dalam tweet. Hasil eksperimen menunjukkan bahwa model hybridCNN-LSTM dengan ekspansi fitur Word2Vec dan optimasi menghasilkan akurasi sebesar 91,31%. Hasil model hybrid CNN-LSTM belum mununjukkan hasil yang lebih baik dari model non-hybrid. Kontribusi utama dari penelitian ini adalah mengeksplorasi pengaruh ekspansi fitur Word2vec pada model hybrid deep learning untuk deteksi bunuh diri dan mengintegrasikan ekstraksi fitur TF-IDF sertaoptimasi untuk meningkatkan performa klasifikasi teks. Kata kunci— deteksi bunuh diri, hybrid deep learning, word2vec, TF-IDF, optimasi
Deteksi Depresi di Twitter Menggunakan Metode CNN-BiGRU dengan Fitur Ekspansi FastText Muhammad Arif Dwi Putra; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Depresi merupakan gangguan mental yang sering tidak terdeteksi dengan baik, meskipun banyak mempengaruhi individu di seluruh dunia. Media sosial, khususnya Twitter, menjadi platform yang digunakan untuk mengekspresikan emosi, termasuk gejala depresi yang tidak diungkapkan secara eksplisit. Penelitian ini bertujuan untuk mengembangkan model deteksi depresi di Twitter dengan metode hybrid CNN-BiGRU yang dilengkapi dengan ekspansi fitur FastText. CNN digunakan untuk mengekstraksi pola lokal dalam teks, sementara BiGRU memproses urutan kata dari dua arah untuk menangkap konteks yang lebih dalam. Ekspansi FastText bertujuan untuk menangani variasi kosakata dan meningkatkan akurasi dalam mendeteksi makna implisit dalam teks. Penelitian ini penting karena banyak pengguna media sosial yang tidak mendapatkan perawatan depresi yang memadai. Deteksi otomatis melalui teks Twitter dapat menjadi solusi untuk intervensi dini. Pengujian menggunakan dataset tweet berbahasa Indonesia menunjukkan bahwa model hybrid BiGRU-CNN dengan FastText mencapai akurasi tertinggi sebesar 80,65% pada korpus IndoNews dengan optimizer RMSprop. Model ini diharapkan dapat berkontribusi dalam deteksi depresi dan mendukung intervensi kesehatan mental. Kata kunci— Depresi, Twitter, CNN-BiGRU, FastText, Deteksi Emosi, Model Hybrid.
Klasifikasi Sentimen Multimodal Pada Media Sosial X Terkait Isu Kesehatan Mental Dengan Ekspansi Fitur FastText dan Model CNN-GRU I Gusti Bagus Bagaskara Kerta Yasa; Erwin Budi Setiawan
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Media sosial kini berfungsi sebagai platform utama bagi orang untuk membagikan pengalaman dan pandangan, termasuk yang berkaitan dengan kesehatan mental. Namun, analisis data yang ada menghadapi beberapa tantangan, seperti perbedaan jenis seperti teks dan gambar dan pola ekspresi yang rumit. Penelitian ini bertujuan untuk merancang model analisis sentimen multimodal yang dapat mendeteksi masalah kesehatan mental di media sosial X dengan menggabungkan metode Convolutional Neural Network (CNN), Gated Recurrent Units (GRU), dan ekspansi fitur FastText. Metodologi yang diusulkan mencakup pengumpulan data secara real-time dari media sosial X, meliputi teks dan gambar. Data teks diolah dengan teknik praproses standar dan representasi fitur FastText, sedangkan data visual diambil menggunakan VGG-16 untuk mengenali pola visual yang relevan. 24.742 pasangan tweet gambar dikumpulkan dari platform Twitter dan dianotasi melalui sistem pemungutan suara mayoritas. Untuk membangun korpus kemiripan FastText, 63.512 data dari portal berita digital CNN dan Twitter digabungkan penggabungan modalitas dilakukan melalui lapisan integrasi untuk menghasilkan klasifikasi sentimen akhir (positif dan negatif). Hasil evaluasi pada dataset uji menunjukkan bahwa metode ini mampu meningkatkan akurasi deteksi sentimen hingga 0,12% dibandingkan metode yang hanya berbasis teks. Secara keseluruhan, akurasi yang diperoleh mencapai 87,89%. Dengan capaian ini, diharapkan penelitian ini dapat menjadi referensi dalam pemantauan isu kesehatan mental di media sosial X secara lebih efektif. Keywords—Analisis Sentimen Multimodal, VGG-16, Hybrid CNN-GRU, TF-IDF, FastText
Hate Comment Detection On Twitter Using Long Short Term Memory (LSTM) With Genetic Algorithm (GA) Dea Alfatihah Nindya Erlani; Erwin Budi Setiawan
Eduvest - Journal of Universal Studies Vol. 4 No. 11 (2024): Journal Eduvest - Journal of Universal Studies
Publisher : Green Publisher Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59188/eduvest.v4i11.1758

Abstract

In the era of social media like today, one social media that is currently quite popular is Twitter. This study explores the use of the Long Short Term Memory (LSTM) method optimized with the Genetic Algorithm (GA) to detect hate speech in Twitter data in Indonesia. We use TF-IDF and GloVe feature extraction techniques to produce effective word vector representations in natural language processing. This study also introduces feature expansion and similarity corpus construction to improve the performance of the LSTM classification model. Evaluation is carried out through a confusion matrix to measure accuracy, precision, recall, and F1 score. The results show that the LSTM model with TF-IDF and GloVe feature extraction achieves the best performance with an accuracy of up to 92.91%. We also found that the combination of Unigram + Bigram + Trigram, max feature 10000, and Glove corpus with Top 20 similarity gave optimal results. In addition, parameter optimization using genetic algorithms has been shown to improve accuracy and F1-Score. The resulting LSTM model is able to classify test data with high accuracy, which has the potential to help in the detection and handling of hate speech on social media, as well as improving the model's ability to identify and understand text content in the Indonesian language context.
Sentence-Level Granularity Oriented Sentiment Analysis of Social Media Using Long Short-Term Memory (LSTM) and IndoBERTweet Method Nisa Maulia Azahra; Erwin Budi Setiawan
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 1 (2023): March
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i1.25765

Abstract

The dissemination of information through social media has been rampant, especially on the Twitter platform. This information eventually invites various opinions from users as their points of view on a topic being discussed. These opinions can be collected and processed using sentiment analysis to assess public tendencies to obtain a fundamental source of decision-making. However, the procedure is not optimal enough due to its inability to recognize the word meaning of the opinion sentences. By using sentence-level granularity-oriented sentiment analysis, the system can explore the "sense of the word" in each sentence by giving it a granularity weight as the system's consideration in recognizing word meaning. To construct the procedure, this research utilizes LSTM as the classification model combined with TF-IDF and IndoBERTweet as feature extraction. Not only that, but this research also conducts the Word2Vec feature expansion method which was built using Twitter and IndoNews corpus to produce word similarity corpus and find effective word semantics. To be fully compliant with the granularity requirements, manual labeling, and system labeling were performed by considering weight granularity as a model performance comparison. This research succeeded in getting 88.97% accuracy for manual labeling data and 97.80% for system labeling data after combining these methods. The experimental results show that the granularity-oriented sentiment analysis model can outperform the conventional sentiment analysis system which can be seen based on the high performance of the resulting system.
Social Media Sentiment Analysis Using Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU) Ahmad Zahri Ruhban Adam; Erwin Budi Setiawan
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 1 (2023): March
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i1.25813

Abstract

The advancing technologies are aimed to maximize human performance. One of the great developments in technology is social media. The social media used in this study is Twitter because most people in Indonesia give their opinions to the public through tweets. The opinions given are very diverse, where they write positive, negative, and neutral opinions. The purpose of this study is to analyze the sentiments of the opinions given by the public in Bahasa Indonesia. To conduct sentiment analysis, tweets are collected by crawling the data. Tweets are then labeled positive, negative, and neutral and then represented as 1, -1, and 0. The method used to classify tweet sentiment is the Convolutional Neural Network (CNN) and Gated Recurrent Unit method (GRU). Research stages including feature selection, feature expansion, preprocessing and balancing with SMOTE. The highest accuracy value obtained on the CNN-GRU model with an accuracy value of 97.58% value. Based on these tests, it can be concluded that sentiment analysis research on Twitter social media using the Convolutional Neural Network and Gated Recurrent Unit methods can produce fairly high accuracy, and feature expansion testing of the deep learning model can provide a significant increase in accuracy values.
Hate Speech Detection Using Convolutional Neural Network and Gated Recurrent Unit with FastText Feature Expansion on Twitter Kevin Usmayadhy Wijaya; Erwin Budi Setiawan
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26532

Abstract

Twitter is a popular social media for sending text messages, but the tweets that can send are limited to 280 characters. Therefore, sending tweets is done in various ways, such as slang, abbreviations, or even reducing letters in words which can cause vocabulary mismatch so that the system considers words with the same meaning differently. Thus, using feature expansion to build a corpus of similarity can mitigate this problem. Two datasets constructed the similarity corpus: the Twitter dataset of 63,984 and the IndoNews dataset of 119,488. The research contribution is to combine deep learning and feature expansion with good performance. This study uses FastText as a feature expansion that focuses on word structure. Also, this study uses four deep learning methods: Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU), and a combination of the two CNN-GRU, GRU-CNN classification with boolean representation as feature extraction. This study uses five scenarios to find the best result: best data split, n-grams, max feature, feature expansion, and dropout percentage. In the final model, CNN has the best performance with an accuracy of 88.79% and an increase of 0.97% from the baseline model, followed by GRU with an accuracy of 88.17% with an increase of 0.93%, CNN-GRU with an accuracy of 87.47% with an increase of 1.86%, and GRU-CNN with an accuracy of 87.55% with an increase of 1.32%. Based on the result of several scenarios, the use of feature expansion using FastText succeeded in avoiding vocabulary mismatch, proven by the highest increase in accuracy of the model than other scenarios. However, this study has a limitation is that the dataset is used in Indonesian.
Topic Detection on Twitter Using Deep Learning Method with Feature Expansion GloVe Windy Ramadhanti; Erwin Budi Setiawan
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol. 9 No. 3 (2023): September
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v9i3.26736

Abstract

Twitter is a medium of communication, transmission of information, and exchange of opinions on a topic with an extensive reach. Twitter has a tweet with a text message of 280 characters. Because text messages can only be written briefly, tweets often use slang and may not follow structured grammar. The diverse vocabulary in tweets leads to word discrepancies, so tweets are difficult to understand. The problem often found in classifying topics in tweets is that they need higher accuracy due to these factors. Therefore, the authors used the GloVe feature expansion to reduce vocabulary discrepancies by building a corpus from Twitter and IndoNews. Research on the classification of topics in previous tweets has been done extensively with various Machine Learning or Deep Learning methods using feature expansion. However, To the best of our knowledge, Hybrid Deep Learning has not been previously used for topic classification on Twitter. Therefore, the study conducted experiments to analyze the impact of Hybrid Deep Learning and the expansion of GloVe features on classification topics. The total data used in this study was 55,411 datasets in Indonesian-language text. The methods used in this study are Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), and Hybrid CNN-RNN. The results show that the topic classification system with GloVe feature expansion using the CNN method achieved the highest accuracy of 92.80%, with an increase of 0.40% compared to the baseline. The RNN followed it with an accuracy of 93.72% and a 0.23% improvement. The CNN-RN Hybrid Deep Learning model achieved the highest accuracy of 94.56%, with a significant increase of 2.30%. The RNN-CNN model also achieved high accuracy, reaching 94.39% with a 0.95% increase. Based on the accuracy results, the Hybrid Deep Learning model, with the addition of feature expansion, significantly improved the system's performance, resulting in higher accuracy.
Co-Authors Abdullah, Athallah Zacky Adhyasta Naufal Faadhilah Adriana, Kaysa Azzahra Adyatma, I Made Darma Cahya Agung Toto Wibowo Ahmad Zahri Ruhban Adam Aji Reksanegara Aji, Hilman Bayu Alvi Rahmy Royyan Anang Furkon RIfai Anindika Riska Intan Fauzy Annisa Aditsania Annisa Cahya Anggraeni Annisa Cahya Anggraeni Annisa Rahmaniar Dwi Pratiwi Arie Ardiyanti Arki Rifazka Arliyanna Nilla Athirah Rifdha Aryani Aufa Ab'dil Mustofa Aydin, Raditya Bagas Teguh Imani Bayu Muhammad Iqbal Bayu Surya Dharma Sanjaya Billy Anthony Christian Martani Bintang Ramadhan, Rifaldy Brenda Irena Brigita Tenggehi Cahyudi, Ridho Maulana Crisanadenta Wintang Kencana Damarsari Cahyo Wilogo Danang Triantoro Murdiansyah Daniar Dwi Pratiwi Daniar Dwi Pratiwi Dea Alfatihah Nindya Erlani Dede Tarwidi Dedy Handriyadi Deni Saepudin Dery Anjas Ramadhan Dhinta Darmantoro Diaz Tiyasya Putra Dion Pratama Putra, Dion Pratama Diyas Puspandari Evi Dwi Wahyuni Faidh Ilzam Nur Haq Farid, Husnul Khotimah Fathin Thariq Wiyono Fathurahman Alhikmah Fathurahman Alhikmah Fazira Ansshory, Azrina Febiana Anistya Feby Ali Dzuhri Fhina Nhita Fhina Nhita Fida Nurmala Nugraha Fikri Maulana, Fikri Firdaus, Dzaki Afin Fitria, Mahrunissa Azmima Fitria Gde Bagus Janardana Abasan, I Ghina Dwi Salsabila Girindra Syukran Prahasto Gita Safitri Grace Yohana Grace Yohana Hafiza, Annisaa Alya Hanif Reangga Alhakiem Hildan Fawwaz Naufal Husnul Khotimah Farid I Gusti Ayu Putu Sintha Deviya Yuliani I Gusti Bagus Bagaskara Kerta Yasa I Kadek Candradinata Ibnu Sina, Muhammad Noer Ihsani Hawa Arsytania Ilyana Fadhilah Inggit Restu Illahi Inggit Restu Illahi Irma Palupi Isep Mumu Mubaroq Isman Kurniawan Kacaribu, Isabella Vichita Kamil, Ghani Kamil, Nabilla Kartika Prameswari Kemas Muslim Lhaksmana Kevin Usmayadhy Wijaya Khamil, Muhammad Khamil Luthfi Firmansah M. Arif Bijaksana Mahmud Imrona Mansel Lorenzo Nugraha Marissa Aflah Syahran Marissa Aflah Syahran Maulina Gustiani Tambunan Mela Mai Anggraini Moh Adi Ikfini M Moh. Hilman Fariz Muhammad Afif Raihan Muhammad Arif Dwi Putra Muhammad Faiq Ardyanto Putro Muhammad Khiyarus Syiam Muhammad Kiko Aulia Reiki Muhammad Nur Ilyas Muhammad Shiba Kabul Muhammad Tsaqif Muhadzdzib Ramadhan Mustofa, Aufa Ab'dil Nabilla Kamil Nadim Rafli Hamzah Naufal Adi Nugroho Naufal Razzak , Robith Nisa Maulia Azahra Nur Ihsan Putra Munggaran Nuril Adlan , Muhammad Putri, Karina Khairunnisa Raffly, Famardi Putra Muhammad Raffly Rafi Anandita Wicaksono Raisa Sianipar Rakhmat Rifaldy Ramadhan, Ananta Ihza Ramadhan, Helmi Sunjaya Ramadhani, Andi Nailul Izzah Rangga Lesmana Rayhan Rahmanda Refka Muhammad Furqon Regina Anatasya Rudiyanto Rendo Zenico Riaji, Dwi Hariyansyah Rizki Annas Sholehat Roji Ellandi Saleh, Abd Salsabil, Adinda Arwa Sanabila Khoirunnisa Sanjaya, Bayu Surya Dharma Sari Ernawati Saut Sihol Ritonga Septian Nugraha Kudrat Septian Nugraha Kudrat Setiawan, Rizki Tri Shakina Rizkia Siti Inayah Putri Sri Suryani Prasetyowati Sukmawati Dwi Lestari Syafa Fahreza Syafa Fahreza Syahdan Naufal Nur Ihsan Valentino, Nico Wicaksono, Galih Wasis Wida Sofiya Widiarta, I Wayan Abi Widjayanto, Leonardus Adi Widyanto, Jammie Reyhan Windy Ramadhanti Yoan Maria Vianny Yuliant Sibaroni Zahwa Dewi Artika Zakaria, Aditya Mahendra ZK Abdurahman Baizal