Article Per Year (5 Year)
p-Index From 2020 - 2025
12.925
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 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
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 : 116 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 116 Documents
Search

 3   4   5   6   7 
Detecting Fake News on Social Media Combined with the CNN Methods Anindika Riska Intan Fauzy; Erwin Budi Setiawan
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 7 No 2 (2023): April 2023
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v7i2.4889

Abstract

Social media platforms are created to facilitate human social life as technology develops. Twitter is one of the most popular and frequently used social media for exchanging information. This social media platform disseminates real-time and complete information. Unfortunately, there are not a few tweets that contain false information or are often referred to as hoaxes. Those hoaxes that existed on Twitter are very troubling for society. Fake news or hoaxes can cause misunderstandings in receiving information. Therefore, this research aimed at developing a system that can detect hoaxes on Twitter to anticipate their spread, which can be detrimental to related parties. The system being developed uses a deep learning approach with the Convolutional Neural Network (CNN), Term Frequency-Inverse Document Frequency (TF-IDF), Bidirectional Encoder Representations from Transformers (BERT), and Global Vectors (GloVe). The results of this study display the fake news detected by the system using the CNN method with baseline, BERT, and GloVe. The data have been adjusted to the keywords related to fake news and spread on online media, such as Hoax or Not from Detik.com, CekFakta from Kompas.com, etc. The results show the highest accuracy of 98.57% using CNN with a split ratio of 90:10, baseline unigram-bigram, BERT, and Top10 corpus tweet+IndoNews with an increase of 4.7%.
Kompresi Data Audio Lossless Format Flac Menjadi Audio Lossly Format Mp3 Dengan Algoritma Huffman Shift Coding Luthfi Firmansah; Erwin Budi Setiawan
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Saat ini, musik sudah menjadi suatu kebutuhan. Teknologi di bidang musik sendiri sudah berkembang pesat. Bisa di buktikan dengan perbaikan kualitas audio dari generasi ke generasi. Seperti halnya data gambar maupun video, data audio juga memerlukan kompresi untuk isu storage dan keperluan pengaksesan secara real time. Serta dukungan player pada umumnya yang masih sedikit support terhadap beberapa file audio lossless. Salah satu algoritma yang dapat digun akan adalah Huffman, dengan perkembangan algoritma nya yaitu Huffman Shift Coding. Dalam algoritma Huffman Shift Coding mampu mengubah setiap simbol yang dimiliki suatu data audio baik lossy maupun losless. Dari metode Huffman Shift Coding yang sudah pernah diujikan, rasio kompresi rata - rata diatas 50%. Namun hasil kompresi dari data audio tersebut tidak bisa diputar ulang, kecuali dukungan dari aplikasi kompresi itu sendiri. Dalam penelitian yang dilakukan, penulis mencoba membuat suatu aplikasi kompresi yang dapat merubah data audio yang sifatnya lossless menjadi lossy yang dimana nantinya hasil keluaran dari proses kompresi akan menjadi lebih kecil dengan tujuan untuk menghemat isu storage, dan juga tetap dapat diputar di banyak player pemutar musik yang banyak beredar saat ini. Kata kunci : kompresi, Huffman Coding, audio, lossless audio, lossly audio
Simulasi Numerik Arus Lalu Lintas Pada Jaringan Jalan Menggunakan Metode Godunov Ilyana Fadhilah; Erwin Budi Setiawan; Dede Tarwidi
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Tugas akhir ini membahas pemodelan dan simulasi arus lalu lintas, baik untuk satu jalur jalan maupun untuk jaringan jalan. Jaringan jalan yang dimaksud adalah kumpulan dari beberapa jalur jalan yang dihubungkan oleh sebuah atau lebih persimpangan (junction). Untuk memodelkan arus lalu lintas digunakan persamaan konservasi melalui pendekatan dinamika fluida. Persamaan konservasi untuk kendaraan pada suatu ruas jalan digunakan persamaan LWR sedangkan pada persimpangan digunakan persamaan Rankine-Hugoniot. Solusi numerik untuk persamaan konservasi diselesaikan menggunakan metode Godunov. Simulasi numerik dilakukan untuk mengetahui kepadatan lalu lintas yang disebabkan oleh adanya lampu pengatur lalu lintas. Simulasi numerik yang ditampilkan berupa kepadatan arus lalu lintas untuk satu jalur dan untuk jaringan jalan . Kata kunci : jaringan jalan, persamaan LWR, metode Godunov, dinamika fluida Abstract This final project explores the modeling and simulation of traffic flow, both for single lane and for th e road network. The road network in question is a collection of some of the trails are connected by one or more intersection (junction). To model the flow of traffic used through the conservation equations of fluid dynamics approach. Conservation equation for a vehicle on a road used equations used LWR while at the intersection of Rankine-Hugoniot equation. Numerical solution for the conservation equations solved using the method of Godunov. Numerical simulations conducted to determine the traffic congestio n caused by traffic lights. Numerical simulations are displayed in the form of traffic density for the track and for the road network. Keywords: road network, LWR equation, Godunov method, fluid dynamics
Pendeteksian Kekuatan Sentimen Pada Teks Tweet Berbahasa Indonesia Menggunakan Sentistrength Raisa Sianipar; Erwin Budi Setiawan
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Pendeteksian kekuatan sentimen adalah salah satu penelitian terbaru dari analisis sentimen. Yang berbeda adalah, sistem menggunakan perilaku berupa informasi bobot kekuatan sentimen dari setiap term yang terdeteksi untuk mendapatkan polaritas teks. Tugas Akhir ini membangun sebuah sistem yang mengadaptasi classifier SentiStrength. SentiStrength adalah algoritma sekaligus program opinion mining yang menggunakan pendekatan berbasis kamus/leksikon. Kamus/leksikon SentiStrength ini berisi terms berikut bobot kekuatan sentimennya. Dikarenakan kamus/leksikon default SentiStrength dibuat dalam bahasa Inggris (English), maka sesuai ijin dari pengembangnya, leksikon ini telah diterjemahkan ke dalam bahasa Indonesia untuk kebutuhan penelitian. Penelitian ini menghasilkan nilai akurasi sebesar 57.33%. Hasil pengujian lainnya dapat dilihat lebih lanjut. Kata kunci : Sentiment Analysis, Emosi, SentiStrength , Twitter, Bahasa, Indonesia
Simulasi Pengaturan Lampu Lalu Lintas Menggunakan Cellular Automata Dan Fuzzy Inference System Septian Nugraha Kudrat; Yuliant Sibaroni; Erwin Budi Setiawan
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

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

Abstract

Kemacetan menjadi permasalahan di berbagai wilayah, terutama di kota-kota besar. Permasalahan ini tidak mudah untuk diatasi karena semakin hari pertumbuhan populasi kendaraan semakin bertambah. Salah satu efek yang timbul dari pertumbuhan populasi kendaraan adalah menjadi sensitifnya pengaturan traffic light pada suatu persimpangan. Sistem pengaturan traffic light yang tidak sesuai dengan keadaan jumlah kendaraan dapat memicu kemacetan. Saat ini, sistem pengaturan traffic light menggunakan pengaturan Fixed Time. Durasi traffic light hasil pengaturan Fixed Time tidak dapat menyesuaikan dengan keadaan jumlah kendaraan sehingga tundaan yang dihasilkan berpotensi lama, terutama jika proporsi jumlah kendaraan tidak sesuai dengan durasi traffic light yang diberikan. Penelitian ini dilakukan untuk menghasilkan suatu skema pengaturan yang lebih baik dibanding skema Fixed Time. Dalam penelitian ini, dikembangkan skema pengaturan adaptif menggunakan Fuzzy Inference System (FIS). FIS menghasilkan durasi lampu hijau untuk tiap pendekat. FIS tidak memiliki parameter performa untuk menguji kemampuan skema yang telah dibuat sehingga sistem perlu diintegrasikan dengan model Cellular Automata (CA). Pergerakan kendaraan yang dihasilkan CA dapat memunculkan tundaan dan kecepatan rata-rata. Indikator keberhasilan utama dalam perhitungan didasarkan pada waktu tunggu rata-rata dan kecepatan rata-rata yang dialami oleh setiap kendaraan dalam waktu pengamatan per time step. Selain itu, pembagian durasi lampu lalu lintas dalam satu siklus menjadi faktor pertimbangan tambahan untuk menganalisis performa sistem. Metode FIS menghasilkan hingga 76,2 % tundaan rata-rata pada kelas E dan menghasilkan hingga 23,8 % tundaan rata-rata pada kelas F. Skema Fixed Time menghasilkan 0 % tundaan rata-rata pada kelas E dan 100 % tundaan rata-rata pada kelas F sehingga tundaan yang dihasilkan skema Fixed Time lebih lama daripada tundaan yang dihasilkan metode FIS. Kata kunci : traffic light, Fixed Time, adaptif, Fuzzy Inference System, Cellular Automata.
Mendeteksi Spammers Di Twitter Dengan Svm Classifier Damarsari Cahyo Wilogo; Erwin Budi Setiawan; Yuliant Sibaroni
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam Tugas Akhir ini dibahas tentang pemodelan dan simulasi mendeteksi spammer di Twitter dengan menggunakan metode Support Vector Machine (SVM). Banyaknya spam pada media sosial salah satunya Twitter dapat mempengaruhi pengguna Twitter dalam mendapatkan informasi yang dapat dipertanggungjawabkan kebenaran dari informasi tersebut, sehingga dibutuhkan suatu teknik untuk mendeteksi bahwa suatu konten merupakan spam atau tidak. Maka pada penelitian ini menggunakan metode SVM dalam mengklasifikasi spam. Pemilihan metode SVM ini dikarenakan dari beberapa penelitian bahwa metode ini dapat memberikan hasil yang baik dalam proses klasifikasi. Pada penelitian ini memberikan hasil akurasi sebesar 96.67% pada rasio 90 data training 10 data testing dengan menggunakan seluruh fitur, untuk penggunaan kelompok fitur tweet hasil akurasi tertinggi didapatkan pada rasio 80:20 sebesar 96.67%, dan untuk penggunaan kelompok fitur user hasil akurasi tertinggi didapatkan pada rasio 60:40 sebesar 75%. Dari pengujian tersebut penggunaan kelompok fitur tweet memberikan hasil yang sangat berpengaruh dibandingkan dengan penggunaan kelompok fitur user, hal ini dibuktikan dengan hasil akurasi dari penggunaan kelompok fitur tweet sama dengan hasil akurasi dari penggunaan seluruh fitur. Kata kunci : Twitter, Support Vector Machine (SVM), Spam, Klasifikasi Abstract In this final project discussed about modeling and simulation detecting spammers on Twitter by using Support Vector Machine (SVM) method. Many of spam on social media one of which Twitter can affect Twitter users in getting information that can be justified the truth of the information, so it takes a technique to detect a content is a spam or not, so in this final project using SVM method in classifying spam. The selection of SVM method is because of some research that this method can give good results in the process of classification. In this research, the result of accuracy is 96.67% at 90 for training 10 for testing ratio using all features, for the use of tweet feature group the highest accuracy result is found in 80:20 ratio of 96.67%, and for user feature group usage the highest accuracy result is found in ratio 60:40 by 75%. From these research the use of tweet feature groups gives a very influential result compared to the use of user feature groups, as evidenced by the accuracy of using the tweet feature group equal to the accuracy of the use of all features. Keywords: Support Vector machine (SVM), Spam, Twitter, Classification
Analisis Sentimen Politik Pada Twitter Dan Facebook Menggunakan Metode Naive Bayes Classifier (studi Kasus : Pilkada Jawa Barat 2018) Aji Reksanegara; Erwin Budi Setiawan
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pengaruh media sosial seperti Facebook dan Twitter pada sektor politik cukuplah besar. Opini atau pemikiran masyarakat dapat dibentuk melalui informasi dan berita yang dapat menentukan opini positif dan netral bahkan juga negatif terhadap kejadian atau peristiwa politik yang sedang berlangsung. Karena hal tersebut kita dapat meneliti sentiment yang diberikan pada Facebook dan Twitter tersebut apakah memang memiliki akurasi atau ketepatan yang tinggi pada sesuatu pembicaraan berupa tweet dan comment yang diberikan masyarakat pada calon gubernur tersebut. Serta dapat menilai bagaimana para pendukung atau masyarakat memberikan tanggapan yang beragam. Proses inti dari penelitian ini menggunakan metode Naive Bayes Classifier, akan tetapi banyak metode lain yang akan mendukung perhitungan Naive Bayes Classifier tersebut untuk membentuk akurasi yang didapatkan menjadi lebih tinggi. Seperti metode preprocessing dan pembobotan TF-IDF. Preprocessing data dibutuhkan agar data yang telah didapatkan menjadi lebih baik dan terukur. Serta penggunaan pembobotan TF-IDF bertujuan untuk memberikan perhitungan akurasi yang digunakan untuk metode Naive Bayes Classifier menjadi lebih baik. Setelah itu akan didapatkan akurasi sesuai skenario yang akan diuji dan confusion matrix untuk skenario terbaik yang didapatkan. Kata kunci : Facebook, Preprocessing, Twitter, Naive Bayes Classifier, independent, training. Abstract The influence of social media like Facebook and Twitter on the political sector is quite large. Public opinion or thought can be formed through information and news that can determine positive and neutral opinions and even negative events or ongoing political events. Because of this we can examine the sentiment given to Facebook and Twitter whether it has high accuracy or accuracy on something in the form of tweets and comments given by the community to the prospective governor. And can assess how supporters or the community provide diverse responses. The core process of this study uses the Naive Bayes Classifier method, but many other methods will support the calculation of the Naive Bayes Classifier to form the obtained accuracy higher. Like the preprocessing method and the TF-IDF weighting. Preprocessing data is needed so that the data that has been obtained becomes better and measurable. As well as the use of TF-IDF weighting, the aim is to provide a better calculation of the accuracy used by the Naive Bayes Classifier method. After that, accuracy will be obtained according to the scenario to be tested and the confusion matrix for the best scenario obtained. Keywords: Facebook, Preprocessing, Twitter, Naive Bayes Classifier, independent, training
Analisis Sentimen Program Acara Di Sctv Pada Twitter Menggunakan Metode Naive Bayes Dan Support Vector Machine Dery Anjas Ramadhan; Erwin Budi Setiawan
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Kepuasan penonton merupakan suatu faktor yang menjadi bahan pertimbangan dalam menentukan keberhasilan program acara televisi. Dengan kepuasan penonton perusahaan tahu harus membuat jadwal tayang yang baik dan menentukan berapa durasi acara maupun berapa episode yang harus dibuat. Selain itu perusahaan dapat meminimalisir kerugian karena jumlah penonton yang tidak sesuai harapan, maka dari itu dapat dilakukan suatu Analisis Sentimen pada Tweet Twitter SCTV yang berupaya untuk mengetahui sentimen dari setiap Tweet. Metode klasifikasi yang digunakan adalah Naive Bayes dan Support Vector Machine. Setelah dilakukan penelitian akurasi terbaik dari Metode Naive Bayes dan Metode Support Vector Machine adalah Support Vector Machine dengan Seluruh Program Acara didapatkan hasil akurasi 88,57%. Kata kunci : Analisis Sentimen, Naive Bayes, Support Vector Machine
Prediksi Big Five Personality dengan Term Frequency Inverse Document Frequency (TF – IDF) Menggunakan Metode Logistic Regression pada Pengguna Twitter Rendo Zenico; Erwin Budi Setiawan; Fida Nurmala Nugraha
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Kepribadian atau personality bisa didefinisikan sebagai keseluruhan cara seseorang bereaksi dan berinteraksi dengan lingkungan maupun dengan individu lainnya. Penelitian yang berkaitan dengan kepribadian seseorang sudah banyak dilakukan para ahli untuk kepentingan tertentu. Penelitian terhadap kepribadian seseorang dalam penggunaan media sosial juga sudah mulai banyak dikembangkan. Salah satu media sosial yang digunakan untuk mengamati dan meneliti kepribadian dari seseorang adalah Twitter. Dengan banyaknya pengguna aktif pada Twitter, setiap individu pasti memiliki ciri yang berbeda dalam menggunakan akun Twitter mereka. Pada penelitian tugas akhir ini, penulis membangun sistem klasifikasi kepribadian pengguna Twitter. Penelitian yang dilakukan menggunakan dua pendekatan, yaitu pendekatan linguistik dan pendekatan perilaku sosial dengan menggunakan fitur dari Twitter itu sendiri. Data yang digunakan adalah data dari 143 pengguna Twitter dengan jumlah 351,197 tweet dengan rasio perbandingan data latih dan data uji 70%:30%. Menggunakan pembobotan Term Frequency Inverse Document Frequency (TF – IDF) dan Logistic Regression sebagai algoritma klasifikasi, akurasi yang dihasilkan oleh sistem yang dibangun pada tugas akhir ini 69% untuk pendekatan perilaku sosial dan 76,20% untuk pendekatan linguistik dan pendekatan perilaku sosial. Kata kunci : twitter, pembobotan, TF – IDF, logistic regression
Prediksi Kepribadian Disc Dengan K-nearest Neighbors Algorithm (knn) Menggunakan Pembobotan Tf-idf Dan Tf-chi Square Nur Ihsan Putra Munggaran; Erwin Budi Setiawan
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Media sosial berkembang pesat pada saat ini. Salah satu media sosial yang berkembang dengan sangat pesatadalah twitter. Twitter adalah media sosial yang di dalamnya berisikan informasi seperti biografi seseorang dantweet atau cuitan dari penggunanya. Oleh karena informasi yang kita dapatkan di twitter bisa dimanfaatkan untukmenggambarkan kepribadian seseorang. Ada banyak metode yang bisa digunakan untuk mengetahui kepribadianseperti Big 5, MBTI dan DISC. Dalam penelitian ini penulis menggunakan metode DISC (Dominance InfluenceSteadiness Conscientiousness) karena metode ini masih sangat sedikit digunakan untuk penelitian, dan penulismenggunakan metode pengklasifikasian dari data mining dengan metode pengklasifikasian K- Nearest NeighborsAlgorithm (KNN). Fitur linguistic yang akan digunakan dibagi menjadi dua bagian yaitu fitur katagori kata daricorpus yang dibangun secara manual dan fitur yang didapatkan langsung dari data twitter menggunakan twitterapps. Penelitian ini akan sangat berguna untuk pemilihan sumber daya manusia karena bisa menghemat biayadan tenaga yang dikeluarkan, dengan menggunakan aplikasi ini bisa menentukan kepribadian seseorang hanyadengan menggunakan media sosial twitter. Metode pembobotan yang digunakan dalam penelitian ini adalah TF-IDF dan TF-Chi Square yang berguna untuk mengukur bobot setiap kata pada sebuah tweet. Dari hasil percobaandidapatkan akurasi terbaik sebesar 40.60% pada perbandingan data latih dan data uji sebesar 60:40 danpendekatan linguistik dengan menggunakan skenario pendakatan perilaku sosial dengan pemilihan nilai ksebesar 61. Kata Kunci : DISC, KNN, TF-IDF, TF-Chi Square, Twitter Abstract Social media is growing rapidly at this time. One of the fastest growing social media is Twitter. Twitter is socialmedia which contains information such as someone's biography and tweets or tweets from users. Because theinformation we get on twitter can be used to describe a person's personality. There are many methods that canbe used to find out personalities such as Big 5, MBTI and DISC. In this study the author uses the DISC( Dominance Influence Steadiness Conscientiousness ) method because this method is still very little used forresearch, and the author uses the classification method of data mining with classification methodsK-NearestNeighbors Algorithm (KNN). The linguistic feature that will be used is divided into two parts, namely the wordcategory feature from the manually built corpus and features obtained directly from twitter data usingtwitter apps. This research will be very useful for the selection of human resources because it can save costs andlabor spent, using this application can determine one's personality using only social media twitter. Theweighting method used in this study is TF-IDF and TF- Chi Square which is useful for measuring the weight ofeach word in a tweet . From the results of the experiments obtained accuracy the best is 40. 60 % in thecomparison of training data and test data at 60:40 and the linguistic approach using a socialbehavior approach scenario with the selection of a k value of 61. Keywords : DISC, KNN, TF-IDF, TF-Chi Square, Twitter
Co-Authors Abdullah, Athallah Zacky Adriana, Kaysa Azzahra 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 Arsytania, Ihsani Hawa Athirah Rifdha Aryani Aufa Ab'dil Mustofa Aydin, Raditya Bagas Teguh Imani Bayu Muhammad Iqbal Bayu Surya Dharma Sanjaya Billy Anthony Christian Martani Brenda Irena Brigita Tenggehi Crisanadenta Wintang Kencana Damarsari Cahyo Wilogo Daniar Dwi Pratiwi Daniar Dwi Pratiwi Dea Alfatihah Nindya Erlani Dede Tarwidi Dedy Handriyadi Dery Anjas Ramadhan Dhinta Darmantoro Diaz Tiyasya Putra Dion Pratama Putra, Dion Pratama Diyas Puspandari Dwi Hariyansyah Riaji Faidh Ilzam Nur Haq Famardi Putra Muhammad Raffly Raffly 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 Gita Safitri Grace Yohana Grace Yohana Hanif Reangga Alhakiem Hildan Fawwaz Naufal Husnul Khotimah Farid I Gusti Ayu Putu Sintha Deviya Yuliani I Kadek Candradinata I Made Darma Cahya Adyatma Ibnu Sina, Muhammad Noer Ilyana Fadhilah Inggit Restu Illahi Irma Palupi Isabella Vichita Kacaribu Isep Mumu Mubaroq Isman Kurniawan Kamil, Ghani Kartika Prameswari Kemas Muslim Lhaksmana Kevin Usmayadhy Wijaya Khoirunnisa, Sanabila 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 Faiq Ardyanto Putro Muhammad Khiyarus Syiam Muhammad Kiko Aulia Reiki Muhammad Nur Ilyas Muhammad Shiba Kabul Muhammad Tsaqif Muhadzdzib Ramadhan Nabilla Kamil Naufal Adi Nugroho Naufal Razzak , Robith Nilla, Arliyanna Nisa Maulia Azahra Nur Ihsan Putra Munggaran Nuril Adlan , Muhammad Prahasto, Girindra Syukran Rafi Anandita Wicaksono Raisa Sianipar Rakhmat Rifaldy Ramadhan, Ananta Ihza Ramadhan, Helmi Sunjaya Rayhan Rahmanda Refka Muhammad Furqon Regina Anatasya Rudiyanto Rendo Zenico Ridho Maulana Cahyudi Rifaldy Bintang Ramadhan Rizki Annas Sholehat Roji Ellandi Salsabil, Adinda Arwa Sari Ernawati Saut Sihol Ritonga Septian Nugraha Kudrat Septian Nugraha Kudrat Setiawan, Rizki Tri Shakina Rizkia Siti Inayah Putri Sri Suryani Sri Suryani Sukmawati Dwi Lestari Syafa Fahreza Syahdan Naufal Nur Ihsan Valentino, Nico 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