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

 4   5   6   7   8 
Prediksi kepribadian Big Five dengan Term-Frequency Inverse Document Frequency Menggunakan Metode k-Nearest Neighbor pada Twitter Roji Ellandi; 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

Twitter merupakan media sosial yang sampai saat ini sangat digemari dan menjadi penyebaran informasi yang sangat cepat. Informasi yang beredar juga sangat banyak, mulai dari berita, opini, komentar, dan kritik semuanya ada yang bersifat positif , negatif, dan netral. Menurut data yang dilansir secara statistik dan berdasarkan penelitian PeerReach, indonesia termasuk pengguna Twitter yang paling aktif ke 3 di dunia dibawah Amerika serikat dan Jepang. Dari kumpulan data tersebut kita dapat melakukan analisis kepribadian terhadap suatu keadaan untuk melihat respon masyarakat, media ataupun kepemerintahan terhadap suatu objek tersebut dan proses klasifikasi itu sendiri. Metode yang digunakan dalam penelitian prediksi kepribadian ini dilakukan untuk mengklasifikasi sebuah tweet ke dalam bentuk 5 kepribadian. Metode kepribadian yang digunakan peneliti adalah Big Five Personality dan metode perhitungan klasifikasi dengan k-NN (k-Nearest Neighbor). hasil dari penelitian ini adalah dapat memperoleh nilai akurasi 60,97% dengan pembobotan melalui tahap TF-IDF(Term-Frequency Invert Document Frequency). Kata kunci : Klasifikasi, Big Five Personality, Twitter, TF-IDF, k-NN
Analisis Kepribadian Melalui Twitter Menggunakan Metode Logistic Regression dengan Pembobotan TF-IDF dan AHP Kartika Prameswari; 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

Melakukan analisis kepribadian saat ini menjadi hal yang telah banyak dilakukan. Banyak sekali dalam seleksi pemilihan minat dan karir, klasifikasi kepribadian diikutsertakan. Hal ini bertujuan agar klasifikasi kepribadian sesuai dengan minat dan karir. Namun dalam implementasi untuk melakukan analisis kepribadian memakan waktu yang lama dan memakan biaya yang besar. Tujuan dari penelitian ini adalah untuk memprediksi klasifikasi kepribadian menggunakan cara yang baru yaitu melalui media sosial twiter. Analisis ini dilakukan dengan pendekatan linguistik dimana analisis kepribadian melalui bahasa atau kata pada tweets yang telah diunggah pengguna twitter. Selain menggunakan tweets, fitur lain pada twitter juga diikutsertakan sebagai bahan pertimbangan untuk penilaian klasifikasi kepribadian melalui pendekatan perilaku sosial. Metode klasifikasi kepribadian ini menggunakan metode logistic regression dengan pembobotan TF-IDF dan AHP. Pembobotan TFIDF dan AHP ini dilakukan untuk menentukan bobot tiap-tiap fitur yang ada pada akun pengguna. Pada pendekatan linguistik digunakan pembobotan TF-IDF, sedangkan untuk pendekatan perilaku sosial menggunakan pembobotan AHP. Hasil dari klasifikasi dengan kedua pembobotan tersebut pada pendekatan perilaku sosial memiliki rata-rata akurasi sebesar 24.95%, sedangkan akurasi tertinggi pada pendekatan linguistik dengan pembagian data set 90:10 adalah 33.5%. Kata kunci : Logistic Regression, AHP, TF-IDF, DISC
Implementasi Naive Bayes Classifier untuk Prediksi Kepribadian Big Five pada Twitter Menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance Frequency (TF-RF) Faidh Ilzam Nur Haq; 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

Analisis kepribadian seseorang sangat membantu sebagai penilaian dalam berbagai hal seperti perekrutan, karir, dan kesehatan. Metode yang biasa digunakan dalam analisis kepribadian dengan cara wawancara, observasi, dan survei kuesioner. Penelitian ini mencoba memberi solusi dengan cukup menggunakan media sosial yaitu twitter, dengan menganalisa informasi data pengguna twitter tersebut, hal ini untuk menambah metode dari analisis kepribadian. Teori klasifikasi kepribadian menggunakan Big Five Personality yang terdiri dari openness, conscientiousness, extraversion, agreeableness, dan neuroticism. Metode yang digunakan yaitu Naïve Bayes Classifier dengan pembobotan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan Term Frequency-Relevance Frequency (TF-RF). Kata Kunci :Twitter, Big Five Personality, Naïve Bayes Classifier, TF-IDF dan TF-RF
Analisis Sentimen Kepuasan Pelanggan Terhadap Internet Provider Indihome di Twitter Menggunakan Metode Decision Tree dan Pembobotan TF-IDF Shakina Rizkia; Erwin Budi Setiawan; Diyas Puspandari
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 pelanggan merupakan salah satu faktor untuk mengukur kesuksesan sebuah layanan pada suatu perusahaan jasa. Kepuasaan pelanggan umumnya digunakan oleh perusahaan jasa sebagai bahan evaluasi untuk memperbaiki layanan yang diberikan. Salah satu cara untuk mengukur kepuasan pelanggan adalah dengan menggunakan analisis sentimen untuk mengklasifikasikan opini pelanggan terhadap layanan tersebut ke dalam kelas positif, negatif dan netral, sehingga diperoleh seberapa besar pelanggan yang puas terhadap layanan yang diberikan berdasarkan banyaknya opini positif, negatif, maupun netral. Data diperoleh dari tweet tentang opini pelanggan terhadap layanan indihome. Metode yang digunakan dalam tugas akhir ini adalah Decision Tree dengan menggunakan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF). Berdasarkan hasil eksperimen, didapatkan akurasi maksimal sebesar 80,1 % dengan menggunakan bigram dan pembobotan TFIDF. Kata kunci : Analisis Sentimen, Decision Tree.
Analisis Sentimen Pada Twitter Mengenai Layanan Toko Online Dengan Metode Naïve Bayes I Kadek Candradinata; Erwin Budi Setiawan
eProceedings of Engineering Vol 7, No 3 (2020): Desember 2020
Publisher : eProceedings of Engineering

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

Abstract

Strategi pemasaran seperti toko online atau lebih sering disebut e-commerce, muncul seiring berkembangnya teknologi. Banyaknya pengguna e-commerce, tentunya akan membuat perusahaan kesulitan untuk mengerti keinginan penggunanya. Dengan mengetahui sentimen pengguna, maka perusahaan dapat mengetahui apakah sistem yang digunakan sudah baik untuk pengguna atau belum. Oleh karena itu, analisis sentimen pengguna diperlukan agar perusahaan dapat mempertahankan penggunanya. Untuk mendapatkan data sentimen, digunakanlah Twitter, karena Twitter memiliki jutaan pengguna di Indonesia. Data dibagi menjadi tiga kelas yaitu: positif, negatif, dan netral. Penelitian dimulai dengan mengumpulkan data berupa Tweet dari Twitter. Lalu dilakukan preprocessing yang terdiri dari: Case Folding, Tokenisasi, Stopword, dan Stemming. Pembobotan data menggunakan TF-IDF, klasifikasi menggunakan metode Naïve Bayes Classifier. Hasil penelitian menunjukkan rata-rata performansi tertinggi yang didapatkan oleh klasifikasi menggunakan metode Naïve Bayes dan pembobotan TF-IDF pada data uji 10%, yaitu Akurasi 66,64%, Precision 67,13%, dan Recall 68,44%. Metode Naïve Bayes memerlukan sumber daya yang tidak kecil dan waktu yang cukup lama untuk data yang banyak.
Ekspansi Fitur Pada Analisis Sentimen Twitter Dengan Pendekatan Metode Word2vec Hildan Fawwaz Naufal; Erwin Budi Setiawan
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

Media sosial yang kemajuannya semakin pesat memfasilitasi para pengguna media sosial untuk memberikan sebuah opini, entah itu opini positif atau negatif. Salah satu sosial media yang digunakan adalah twitter, dari opini yang pengguna unggah pada twitter tersebut akan ada kosa kata yang tidak terstruktur yang dapat di manfaatkan untuk melakukan penelitian analisis sentimen. Pada penelitian ini, dilakukan percobaan untuk mengetahui pengaruh dari pembobotan TF-IDF dan pengaruh penerapan feature expansion dengan pendekatan Word2Vec pada klasifikasi SVM dan KNN. Hasil penelitian didapatkan akurasi sebesar 83.7% pada SVM dan 83% pada KNN, kemudian pengaruh penerapan feature exspansion dengan pendekatak Word2Vec menghasilkan akurasi 84% pada SVM. Kata kunci : analisis sentimen, feature expansion, Word2Vec, SVM, KNN
Prediksi Perubahan Kondisi Uptrend Dan Downtrend Pada Pasar Saham Dengan Menggunakan Model Artificial Neural Network Ann Brigita Tenggehi; Irma Palupi; Erwin Budi Setiawan
eProceedings of Engineering Vol 9, No 3 (2022): Juni 2022
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Prediksi adalah sebuah proses untuk memperkirakan sesuatu secara sistematis dan memperkecil adanya kesalahan dimana hasilnya merupakan yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan masa sekarang. Masalah yang diangkat pada penelitian ini adalah Perubahan Kondisi harga naik (uptrend) dan harga turun (downtrend) pada Pasar Saham. Penelitian bertujuan untuk memprediksi Kondisi harga naik (uptrend) dan harga turun (downtrend) Pasar Saham Indonesia yang dipengaruhi oleh Pasar Saham Global. Prediksi dilakukan dengan menggunakan data saham dari 8 Data Harga Saham dari beberapa negara di dunia yaitu Indonesia (^JKSE), Kuala Lumpur (^KLSE),Singapura (^STI),China (000001.SS),Hong Kong (^HSI),Korea (^KS11),Jepang(^N225),dan United States(^DJI). Model yang digunakan adalah Artificial Neural Network (ANN) dimana model ini akan memprediksi harga naik dan harga turun berdasarkan data close dari Pasar Saham Indonesia (^JKSE). Hasil pengujian dari model yang dibangun memberikan nilai Train Accuracy tertinggi yaitu model ANN-05 dengan hasil yang ditampilkan adalah 76.74%. Model dengan nilai Test Accuracy tertinggi yaitu model dari ANN-01 dengan hasil 71.55% dengan menggunakan Node Hidden Layer 16,32,64 dan 128. Kata Kunci : Prediksi,Pasar Saham,Artificial Neural Network (ANN).
Deteksi Berita Rumor Pada Sosial Media Twitter Menggunakan Metode Naïve Bayes Multinomial Dengan Pembobotan Tf-idf Refka Muhammad Furqon; Erwin Budi Setiawan
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Media sosial adalah sarana tempat untuk berkomunikasi dan bertukar informasi sesama manusia, dan salah satu media sosial yang digunakan adalah Twitter. Ada beberapa informasi yang kita dapatkan belum tentu benar adanya, ada berita yang kurang tepat ataupun tidak tepat kebenarannya bisa disebut berita rumor. Berita rumor sudah sangat sering kita lihat dimedia sosial, banyak sekali pihak yang dirugikan dengan adanya berita rumor. Pada penelitian tugas akhir ini, penulis membangun sistem untuk mendeteksi berita rumor pada twitter. Diperlukan nilai bobot pada tweet yang diambil dari berita rumor yang disebarkan oleh beberapa orang di Twitter, Term Frequency Inverse Document Frequency (TF-IDF) pembobotan yang digunakan penulis dalam penelitian ini dengan fitur ekstraksi TF-IDF N-gram. Klasifikasi data menggunakan metode Naïve bayes Multinomial untuk memprediksi hasil akurasi dari penelitian ini. Hasil performansi yang diperoleh menggunakan TF-IDFdalam pengujian sebesar 78,53% dengan data uji sebesar 10%. Sedangkan untuk klasifikasi tanpa menggunakan TF-IDF sebesar 77,98% dengan data uji sebesar 10%. Keyword: Rumor, TF-IDF, Naïve Bayes Multinomial, Non Rumor, Sosial Media Abstract Social media is a place to communicate and exchange information about fellow human beings, and one of the social media used is Twitter. There is some information that we get is not necessarily true, there is a lack of precise or improper news of the truth can be called rumors news. Rumor news has been very often seen in social media, so many parties were harmed by rumors of news. In this final research assignment, the author builds a system to detect rumors of news on Twitter. It takes a weighted value to a tweet taken from rumor news spread by some people on Twitter, the weighting Term Frequency Inverse Document Frequency (TF-IDF) that the author used in this study. The data classification uses the Naïve Bayes Classifier method to predict the accuracy results of this study. Performance results obtained using TF-IDF in tests of 78,53% with a test data of 10%. As for classification without using TF-IDF of 77,98% with test data of 10%. Keyword: Rumor, TF-IDF, Naïve bayes Multinomial, Non Rumor, Media Social
Analisis Trending Topik Pada Twitter Menggunakan Metode Naive Bayes Dengan Pembobotan Tf-idf Saut Sihol Ritonga; Erwin Budi Setiawan; Isman Kurniawan
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Twitter adalah salah satu media sosial yang banyak sekali para penggunanya menceritakan berbagai macam banyak kejadian oleh karena itu perlu megklasifikasi topik menjadi dengan akurasi tinggi untuk lebih baik pengambilan informasi. Oleh karena itu penulis melakukan penelitian untuk mengatasi masalah ini dengan membagi beberapa tren topik twitter. Pembobotan yang digunakan adalah TF-IDF dengan menggunakan Naïve Bayes. Akurasi terbaik pada pembobotan TF-IDF menggunakan klasifikasi Naïve Bayes didapat pada skenario data training, data tesing 80:20 adalah 57.08% dan memiliki nilai f-measure 0.52. Trending pertama yang terdeteksi dari pengambilan data dari bulan 25 Juli sampai 28 Agustus adalah politik dengan persentase 26.88% lalu kedua senbud persentase 8.65% dan yang ketiga hukam 8.27%. Kata Kunci: Twitter, Naive Bayes, TF-IDF, Topik. Abstract Twitter is one of the many social media users who tell a wide variety of events so it is necessary to classify topics into high accuracy for better information retrieval. Therefore, the authors conducted research to overcome this problem by dividing a number of Twitter topic trends. The weighting used is TF-IDF by using Naïve Bayes. The best accuracy on TF-IDF weighting using the Naïve Bayes classification is obtained in the training data scenario, the 80:20 testing data is 57.08% and has an f-measure value of 0.52. The first trend detected from data collection from July 25 to August 28 is politic with a percentage of 26.88%, then second senbud with a percentage of 8.65% and a third with 8.27% hukam. Keyword: Twitter, Naive Bayes, TF-IDF, Topic
Prediksi Kepribadian Disc Pada Twitter Menggunakan Metode Decision Tree C4.5 Dengan Pembobotan Tf-idf Dan Tf-rf Maulina Gustiani Tambunan; Erwin Budi Setiawan
eProceedings of Engineering Vol 7, No 1 (2020): April 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Media sosial online berperan penting bagi kebutuhan manusia sehari-hari, yang dapat membangun konektivitas antara pengguna dengan pengguna lainnya. Di zaman yang modern ini hampir setiap kalangan memiliki media sosial sebagai sarana informasi dan sebagai ungkapan dengan sudut pandang keperibadian masing-masing pengguna atas berbagai aspek kehidupan. Dengan menggunakan media sosial di twitter, penulis dapat menemukan berbagai macam karakter dan keperibadian yang dimiliki oleh masing-masing pengguna media sosial. Salah satu permasalahannya adalah bagaimana mengklarifikasi kepribadian seseorang melalui tweet pada media sosial twitter. Maka dalam hal ini, penulis melakukan klasifikasi kepribadian pengguna twitter dengan menggunakan penilaian DISC serta membangun sistem klasifikasi kepribadian untuk mengetahui tingkat akurasi algoritma metode Decision Tree C4.5 dan nilai performansi yang baik. Yang membedakan penelitian ini dengan penelitian lainnya adalah setiap kata menggunakan metode pembobotan TF-IDF dan TF-RF. Followers, following, retweet, hastag, huruf besar, huruf kecil, emoticon dan lainnya merupakan sarana pendekatan berdasarkan prilaku sosial pengguna. Percobaan melalui pendekatan perilaku sosial didapatkan hasil nilai Bi Class Dominance adalah sebesar 97.56, Influence sebesar 70.13, Steadiness sebesar 57.14, Compliance sebesar 73.34. Percobaan melalui pendekatan linguistik TF-IDF didapatkan hasil nilai Bi Class Dominance adalah 97.50, Influence sebesar 73.17, Steadiness sebesar 46.15, Compliance sebesar 74.36. Percobaan melalui pendekatan linguistik TF-RF didapatkan hasil nilai Bi Class Dominance adalah sebesar 100, Influence sebesar 75.00, Steadiness sebesar 53.28, Compliance sebesar 72.50. Hasil perhitungan F-Measure dari pendekatan perilaku sosial adalah sebesar 0.2626 dari data latih dan data uji 80 :20, melalui pendekatan linguistik pada TF-IDF didapatkan hasil perhitungan F-Measure sebesar 0.3010 dari data latih dan data uji 90 :10, dan percobaan melalui pendekatan linguistik pada TF-RF didapatkan hasil F-Measure sebesar 0.4824 dari data latih dan data uji 90 :10. Kata Kunci : DISC, Decision Tree C4.5, TF-IDF, TF-RF, Twitter Abstract Online social media plays an important role for everyday human needs, which can build connectivity between users and other users. In this modern era almost every society has social media as a means of information and as an expression with each user's personal perspective on various aspects of life. By using social media on Twitter, the author can find a variety of characters and personality possessed by each social media user. One problem is how to clarify one's personality through tweets on Twitter social media. So in this case, the writer classifies the personality of Twitter users by using the DISC assessment and builds a personality classification system to determine the accuracy of the Decision Tree C4.5 algorithm algorithm and good performance value. What distinguishes this study from other studies is that each word uses the TF-IDF and TF-RF weighting methods. Followers, following, retweet, hashtag, uppercase, lowercase, emoticons and others are a means of approach based on the user's social behavior. Experiments through the approach of social behavior obtained the value of Bi Class Dominance is 97.56, Influence is 70.13, Steadiness is 57.14, Compliance is 73.34. Experiments through the TF-IDF linguistic approach showed that the Bi Class Dominance value was 97.50, Influence was 73.17, Steadiness was 46.15, Compliance was 74.36. Experiments through the TF-RF linguistic approach showed that the Bi Class Dominance value was 100, Influence was 75.00, Steadiness was 53.28, Compliance was 72.50. The F-Measure calculation results from the social behavior approach is 0.2626 from the training data and 80: 20 test data, through the linguistic approach on TF-IDF, the F-Measure calculation results are obtained from 0.3010 from the training data and 90: 10 test data, and experiments through linguistic approach to TF-RF obtained F-Measure results of 0.4824 from training data and 90: 10 test data. Keywords : DISC, Decision Tree C.45, TF-IDF, TF-RF, 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