Article Per Year (5 Year)
p-Index From 2021 - 2026
7.656
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) SITEKIN: Jurnal Sains, Teknologi dan Industri Journal of Environmental Engineering and Sustainable Technology Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal POINTER JURNAL PENGABDIAN KEPADA MASYARAKAT Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer SISFO Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) JAST : Jurnal Aplikasi Sains dan Teknologi Indonesian Journal of Electrical Engineering and Computer Science Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat) Kohesi: Jurnal Sains dan Teknologi Journal of Information System and Application Development
Lailil Muflikhah
Fakultas Ilmu Komputer, Universita Brawijaya, Malang, Indonesia
Arts Humanities Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mechanical Engineering Public Health Social Sciences Other

Published : 114 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 114 Documents
Search

 8   9   10   11   12 
Peningkatan Akurasi Prediksi Harga Barang Impor Menggunakan XGBoost dan Particle Swarm Optimization Haris, Asmuni; Sholeh, Mahrus; Muflikhah, Lailil; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129419

Abstract

Impor di Indonesia dilakukan untuk memenuhi kebutuhan dalam negeri dan memastikan kelancaran produksi serta distribusi. Namun sering terjadi under invoicing, yaitu harga barang yang diimpor dilaporkan lebih rendah dari nilai sebenarnya, yang mengakibatkan kerugian penerimaan negara. Penelitian ini bertujuan untuk memprediksi harga barang impor yang sebenarnya guna mengurangi kerugian tersebut. Data yang digunakan diperoleh dari dataset barang impor yang tersedia di platform Kaggle, yang disediakan oleh Data Analytics Community (Mof-DAC) dari Kementerian Keuangan Indonesia. Metode yang diusulkan meliputi beberapa langkah, dimulai dengan ekstraksi fitur menggunakan Large Language Model (LLM) dan Regular Expression (Regex), diikuti oleh optimasi hyperparameter XGBoost menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa model dengan ekstraksi fitur menggunakan metode Regex mengungguli LLM berdasarkan nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Kombinasi ekstraksi fitur menggunakan Regex dan TFIDF memberikan hasil yang optimal dalam hal waktu pemrosesan dan akurasi prediksi. Hyperparameter terbaik untuk XGBoost ditemukan dengan max-depth 51,49, subsample 0,89, dan min_child_weight 0,65, yang meningkatkan akurasi MAPE menjadi 14,6%. Meskipun model Random Forest memiliki akurasi prediksi sedikit lebih baik dengan MAPE sebesar 12,8%, namun waktu pemrosesannya sangat lama sekitar 3 jam membuatnya kurang efisien. Sebaliknya, XGBoost dengan waktu pemrosesan hanya 51,49 detik dan MAPE 14,6% dipilih sebagai model terbaik karena akurasi yang cukup baik dengan waktu komputasi yang cepat.   Abstact Imports in Indonesia fulfill domestic needs and sustain manufacturing and distribution. Under invoicing, where imported products are purposely underpriced, reduces state revenue. This study predicts imported goods prices to reduce financial losses. The Data Analytics Community (Mof-DAC) of the Indonesian Ministry of Finance provided the Kaggle imported products dataset. The Large Language Model (LLM) and Regular Expression are used to extract features in the suggested method. XGBoost hyperparameters are then optimized using Particle Swarm Optimization. Research shows that the Regex-extracted feature model outperforms the LLM model in MSE, RMSE, and MAPE. Regex feature extraction and TFIDF produce the best processing time and prediction accuracy. The ideal XGBoost hyperparameters were a maximum depth of 51.49, a subsample value of 0.89, and a minimum child weight of 0.65. These hyperparameters increased MAPE accuracy to 14.6%. The Random Forest model has a Better Prediction Accuracy (MAPE) of 12.8%, but its processing time is 3 hours, lowering its efficiency. XGBoost was chosen as the best model due to its 51.49-second processing time and 14.6% MAPE. High accuracy and efficient computing make this model effective.
Implementasi Convolutional Neural Network untuk Klasifikasi Kanker Usus Besar Dengan Normalisasi Ghostweight Baihaqi, Galih Restu; Setiawan, Budi Darma; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129432

Abstract

Kanker usus besar merupakan salah satu kanker yang dapat menyebabkan kematian. Jenis kanker ini merupakan kanker peringkat kedua terbanyak pada wanita dan peringkat ketiga terbanyak pada pria. Akhir–akhir ini, pendekatan Deep Learning (DL) banyak digunakan untuk melakukan proses–proses dalam dunia medis. Salah satu metode yang terkenal yaitu Convolutional Neural Network (CNN). CNN tentunya harus memiliki akurasi yang tinggi untuk dapat diterapkan pada kasus ini. Dataset yang digunakan adalah dataset Lung and Colon Cancer Histopathological Images yang berfokus pada kanker ususnya saja. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada CNN adalah dengan menormalisasi bobot. Untuk ini, metode yang diusulkan adalah Ghost Weight Normalization (GWN) dengan normalisasi L1 yang terinspirasi dari GhostNet. Metode ini bekerja dengan cara melakukan pembagian bobot utuh menjadi beberapa bagian yang dinamakan GW dan kemudian dinormalisasi untuk setiap GW-nya, lalu digabung kembali menjadi bobot utuh seperti semula. Pendekatan ini terbukti dapat meningkatkan akurasi CNN dengan sangat baik, yaitu mengalami penambahan akurasi sebesar 14% yang semula CNN biasa memperoleh akurasi sebesar 0.8 menjadi 0.94, presisi 0.8 menjadi 0.94 dan F1-score 0.8 menjadi 0.94. GWN juga dapat mengungguli gaya normalisasi biasa, yaitu normalisasi pada bobot tanpa membaginya menjadi GW. Ukuran GW yang efisien adalah 4 dengan perolehan akurasi, persisi, dan f1-score masing-masing 0.94, dengan epoch 8 dan rata – rata untuk waktu proses training-nya pada setiap epoch-nya adalah 259 detik.   Abstract Colon cancer is one of the cancers that can cause death. This type of cancer is the second most common cancer in women and the third most common in men. Lately, Deep Learning (DL) approaches have been widely used to perform processes in the medical world. One of the well-known methods is Convolutional Neural Network (CNN). The method should have high accuracy to be applied in this case. The dataset used is the Lung and Colon Cancer Histopathological Images dataset which focuses on Colon Cancer only. One way that can be used to improve accuracy on CNN is by normalizing the weights. Our proposed method is Ghost Weight Normalization (GWN) with L1 normalization inspired by GhostNet. This method works by dividing the whole weight into several parts called GW and then normalized for each GW, then merged back into the whole weight as before. This approach proved to be able to improve the accuracy of CNN very well, which experienced an increase in accuracy by 14% from the usual CNN accuracy of 0.8 to 0.94, precision 0.8 to 0.94, and f1-score 0.8 to 0.94. GWN can also outperform the usual normalization style, which is normalizing the weights without dividing them into GWs. The efficient GW size is 4 with accuracy, precision, and f1-score of 0.94 each, with 8 epochs and the average training time for each epoch is 259 seconds.
Deteksi Motif Batik Menggunakan Pre-Trained Convolutional Neural Network EfficientNet pada Aplikasi Mobile Wibowo, Dhimas Bagus Bimasena; Rahayudi, Bayu; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Indonesia memiliki kekayaan budaya yang mendunia, salah satunya adalah batik yang sejak tahun 2009 telah diakui UNESCO sebagai Warisan Budaya Tak Benda. Pengetahuan masyarakat yang minim, terutama generasi muda, terhadap ragam motif batik yang kaya makna menjadi tantangan dalam pelestariannya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi motif batik berbasis machine learning melalui perangkat mobile guna mempermudah proses identifikasi batik sekaligus mengkaji pengaruh pemilihan hyperparameter terhadap kinerja model, serta melihat apakah terjadi penurunan performa setelah integrasi ke aplikasi mobile. Proses penelitian meliputi enam tahap dimulai dari Data Collection, Data Preprocessing, Data Augmentation, Hyperparameter Tuning, Model Training, dan Model Evaluation. Dataset yang digunakan berasal dari Kaggle dengan total 1.350 gambar dari 15 kelas motif batik, yang kemudian diperluas menjadi 3.845 gambar melalui augmentasi. 24 skenario kombinasi hyperparameter diuji untuk memperoleh model terbaik, yang kemudian dikonversi ke format TFLite dan diintegrasikan ke aplikasi mobile berbasis Kotlin. Pengujian menggunakan 300 gambar uji menghasilkan nilai f-measure rata-rata sebesar 0.79, sama dengan hasil evaluasi model sebelum integrasi, yang menunjukkan bahwa performa model tetap stabil. Hasil ini menunjukkan bahwa aplikasi deteksi motif batik berbasis machine learning ini berpotensi menjadi sarana edukatif dan pelestarian budaya yang efektif.
Identifikasi Kerusakan Jaringan Tubuh Pada Citra Histopatologi Menggunakan Arsitektur ResNet-50 Wijaya, Nicholas; Muflikhah, Lailil; Darma Setiawan, Budi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Analisis citra histopatologi merupakan aspek penting dalam diagnosis patologis berbasis jaringan, khususnya dalam mendeteksi kelainan sel seperti steatosis dan nekrosis. Proses ini dapat ditingkatkan dengan penerapan teknologi klasifikasi citra berbasis machine learning, terutama menggunakan Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan model klasifikasi anotasi citra histopatologi berbasis CNN menggunakan arsitektur ResNet-50 yang dioptimalkan melalui pendekatan transfer learning. Model dilatih awal melalui proses pre-training menggunakan dataset publik PanNuke dan fine-tuning menggunakan dataset anotasi citra histopatologi dengan tiga kelas utama: nekrosis, normal, dan steatosis, yang merepresentasikan kondisi masing-masing sel pada citra. Memanfaatkan metode validasi silang (cross-validation), membantu meningkatkan tingkat kestabilan hasil prediksi. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan citra anotasi histopatologi dengan tingkat akurasi tinggi dan efektif. Temuan ini membuka peluang untuk penerapan sistem klasifikasi otomatis dalam praktik klinis guna mendukung proses diagnosis yang lebih cepat dan akurat.
Analisis Sentimen Pengguna Indodax Menggunakan FastText dan Convolutional Neural Network (CNN) Maulana, Muhammad Taufik; Muflikhah, Lailil; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan pesat investor cryptocurrency di Indonesia, yang jumlahnya melampaui investor pasar saham, menyoroti pentingnya platform perdagangan seperti Indodax. Ulasan pengguna menjadi krusial untuk evaluasi layanan, namun volumenya yang besar memerlukan analisis otomatis. Penelitian ini bertujuan untuk membangun dan mengevaluasi model deep learning untuk analisis sentimen pada ulasan aplikasi Indodax dari Google Play Store. Metode yang digunakan adalah kombinasi FastText sebagai word embedding dan convolutional neural network (CNN) untuk klasifikasi sentimen ke dalam tiga kelas yaitu positif, negatif, dan netral. Pengujian difokuskan pada tiga aspek utama yaitu pengaruh ukuran kernel CNN (3, 4, dan 5), dampak tahapan preprocessing data, dan kinerja keseluruhan model. Hasil penelitian menunjukkan bahwa model dengan ukuran kernel 5 mencapai akurasi tertinggi sebesar 0,8079. Tahapan preprocessing data, terutama cleaning, terbukti krusial dalam meningkatkan kinerja model. Secara keseluruhan, model kombinasi FastText dan CNN menunjukkan kinerja yang solid, meskipun menghadapi tantangan dalam membedakan ulasan netral dan negatif. Penelitian ini memberikan kontribusi dalam penerapan analisis sentimen di domain keuangan digital Indonesia. 
Analisis Sentimen Publik Terhadap Layanan Transjakarta dalam Program Jaklingko Pada Platform X Menggunakan Embedding Word2vec dan Convolutional Neural Network Al Kautsar, Prima Daffa; Muflikhah, Lailil; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Seiring meningkatnya penggunaan media sosial, masyarakat semakin aktif menyuarakan opini terhadap layanan publik, termasuk TransJakarta. Platform X (sebelumnya Twitter) menjadi wadah utama pengguna untuk menyampaikan apresiasi maupun keluhan terhadap layanan transportasi tersebut. Kondisi ini mendorong perlunya analisis sentimen otomatis guna memahami persepsi publik secara luas dan efisien. Penelitian ini bertujuan mengklasifikasikan sentimen komentar pengguna terhadap layanan TransJakarta dalam program JakLingko dengan memanfaatkan kombinasi metode Word2Vec dan Convolutional Neural Network (CNN). Komentar dikumpulkan melalui crawling dan diproses melalui tahapan pre-processing seperti pembersihan teks, tokenisasi, dan stemming. Representasi teks dilakukan menggunakan dua pendekatan Word2Vec, yaitu Continuous Bag-of-Words (CBOW) dan Skip-gram, dengan parameter vector size 100, window size 5, min count 3, dan 10 epoch. Model CNN dibangun dengan kernel size 3, 16 filter, dropout rate 0,5, batch size 32, serta optimizer Adam. Pengujian dengan 5-Fold Cross Validation menunjukkan pendekatan Skip-gram menghasilkan kinerja lebih baik dibandingkan CBOW, dengan F1-Score tertinggi 0,7163 dan MCC 0,5900. Pada pengujian akhir, model CNN dengan embedding Skip-gram dan konfigurasi learning rate 0,0005 serta 15 epoch memperoleh F1-Score 0,7167, MCC 0,5898, dan akurasi 0,7276.
Analisis Sentimen Ulasan Pengguna Aplikasi Mypertamina Pada Google Play Store Menggunakan Metode Xgboost dan Word2Vec Embedding Wardana, Dzaky Ahmadin Berkah; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 8 (2025): Agustus 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dalam era digital, penggunaan aplikasi layanan publik semakin meningkat seiring dengan kebutuhan masyarakat akan kemudahan akses layanan. Salah satu contohnya adalah aplikasi MyPertamina, yang menjadi syarat utama pembelian BBM bersubsidi sejak Juli 2022. Kebijakan ini mendorong lonjakan jumlah pengguna dan tingginya volume ulasan di Google Play Store. Ulasan-ulasan tersebut mencerminkan berbagai persepsi masyarakat, baik berupa apresiasi maupun keluhan, yang dapat dimanfaatkan untuk mengevaluasi kualitas layanan secara lebih objektif. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi MyPertamina ke dalam tiga kategori, yaitu negatif, netral, dan positif, dengan mengombinasikan algoritma Extreme Gradient Boosting (XGBoost) dan metode representasi teks Word2Vec Embedding. Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan text preprocessing. Representasi kata dibentuk menggunakan dua pendekatan Word2Vec, yaitu CBOW dan Skip-gram, sebelum diklasifikasikan menggunakan XGBoost. Pengujian dilakukan dalam dua tahap, yaitu baseline dan setelah tuning hyperparameter menggunakan GridSearchCV. Hasil awal menunjukkan bahwa kedua pendekatan menghasilkan akurasi yang sama, yaitu 78%, dengan CBOW lebih baik dalam mengenali sentimen positif dan Skip-gram lebih baik dalam mengenali sentimen negatif dan netral. Setelah tuning, kombinasi Skip-gram dan XGBoost menghasilkan akurasi terbaik sebesar 83%, serta peningkatan nilai precision, recall, dan f1-score. Hasil ini menunjukkan bahwa pendekatan tersebut mampu mengidentifikasi sentimen pengguna secara efektif, dan dapat digunakan untuk mendukung evaluasi layanan publik.
Klasifikasi Fenotipe Resistensi Obat Pada Penyakit Malaria Menggunakan Metode Random Forest Susanto, Dominicus Christian Bagus; muflikhah, lailil; Setya Perdana, Rizal
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 11 (2025): November 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penelitian ini menggunakan metode machine learning untuk mengklasifikasikan fenotipe resistensi obat pada penyakit malaria. Data genetik (DNA) dari 9623 pasien malaria digunakan dan dianalisis dengan berbagai metode, termasuk pengurangan dimensi data, klasifikasi, dan validasi model. Hasilnya menunjukkan bahwa metode Random Forest dengan 100 tree dan kedalaman tree 10 adalah yang terbaik dengan tingkat akurasi tertinggi 82.22%. Temuan ini menunjukkan potensi machine learning dalam membantu pengembangan obat antimalaria yang lebih efektif.
Comparison Genetics Algorithm and Particle Swarm Optimization in Dietary Recommendations for Maternal Nutritional Fulfillment Kurnianingtyas, Diva; Daud, Nathan; Indriati, Indriati; Muflikhah, Lailil
SITEKIN: Jurnal Sains, Teknologi dan Industri Vol 21, No 2 (2024): June 2024
Publisher : Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/sitekin.v21i2.28937

Abstract

Fulfilling maternal nutrition is an NP-hard problem. Optimization techniques are required to solve its complexity. This issue is crucial as it affects the number of stunted toddlers in Indonesia. Stunting begins in the womb due to inadequate maternal nutrition during pregnancy. Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) are optimization methods applied to NP-hard problems, including medicine. Their performance has not been compared in this field. This study aims to identify an alternative method for recommending daily menus based on maternal nutritional needs. There are 55 food ingredients used to fulfill five menu parts: staple food (SF), vegetables (VG), plant source food (PS), animal source food (AS), and complementary (CP). Nutritional adequacy for prenatal is determined by Total Energy Expenditure (TEE) based on basal energy, daily activity, and stress levels. Results show PSO outperforms GA in average fitness values, 30.45 to 102.51, while GA excels in execution time, 0.33 to 23.22 seconds. PSO is preferred for effectiveness, and GA for efficiency, but given the problem's urgency, PSO is recommended. Exploring other metaheuristic methods is advised to enhance menu recommendation solutions for maternal nutrition. Additionally, expanding the food database is necessary for more varied maternal menu to support stunting prevention.
Pengembangan Metode Klasifikasi Berdasarkan K-Means Dan LVQ Eka Ratnawati, Dian; ., Marji; Muflikhah, Lailil
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 1 No 1: April 2014
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (646.659 KB) | DOI: 10.25126/jtiik.20141197

Abstract

AbstrakPada penelitian ini dikembangkan metode klasifikasi berdasarkan pengelompokan K-Means dan LVQ. Metode-metode klasifikasi yang telah ada jika ada data dengan frekuensi kecil cenderung tidak digunakan dalam pengujian kelas, padahal dimungkinkan data tersebut sangat bermanfaat. Langkah untuk melakukan pengelompokan adalah: melakukan pengelompokkan dengan K-Means. Pengelompokan terus dilakukan sampai mencapai threshold (batasan tertentu). Jika threshold sudah dicapai dan pada satu cluster masih terdapat kelas yang berbeda maka dilakukan pembelajaran dengan menggunakan LVQ. Akurasi gabungan K-Means dan LVQ lebih baik daripada dengan K-Means murni. Untuk  akurasi rata-rata tertinggi K-Means dan LVQ didapatkan 92%, sedang untuk K-Means murni 82%.Kata kunci: klasifikasi, pengelompokan, K-Means, LVQAbstractThis research will develop methods of classification based on K-Means clustering. Grouping method used is a combination of K-Means and LVQ. Classification methods that have been there if there is a small frequency data tend to be used in the test class, but it is possible they are very useful. Steps to perform grouping is doing the K-Means clustering. Grouping is continues until it reaches the threshold. If the threshold has been reached and there are cluster of different classes then performed using LVQ learning. Accuracy combined K-Means and LVQ is better than with pure K-Means. For the highest average accuracy of K-Means and LVQ gained 92%, while for the K-Means only 82%.Keywords: classification, grouping, K-Means, LVQ
Co-Authors A. Bachtiar , Fitra Abdurrachman Bachtiar, Fitra Achmad Jafar Al Kadafi, Achmad Jafar Addin Sahirah, Rafifa Adinugroho, Sigit Agung Setiyoaji Agus Ardiansyah Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Ahmad Nur Royyan Ahmad Wildan Attabi' Akbar Grahadhuita Al Kautsar, Prima Daffa Aldi Bagus Sasmita Aldino Caturrahmanto Anis Zubair, Anis Annisaa Amalia Safitri Aqmal Maulana Tisno Nuryawan Ardiza Dwi Septian Arief Andy Soebroto Ashidiq, Muhammad Fihan Aulia Herdhyanti Bachtiar, Harsya Baharudin B. Baharum Baihaqi, Galih Restu Bajsair, Fath' Hani Sarli Bayu Laksana Yudha Bayu Rahayudi Bening Herwijayanti Bintang, Tulistyana Irfany Brillian Ghulam Ash Shidiq Budi Darma Setiawan Candra Dewi Candra Dewi Daneswara Jauhari Daneswara Jauhari, Daneswara Darma Setiawan, Budi Darmawan, Riski Daud, Nathan Dewi, Buana Dhimas Wida Syahputra Dian Eka Ratnawati Dimas Joko Hariyanto Dimas Joko Haryanto Duwi Purnama Sidik Edy Santoso Edy Santoso Eni Hartika Harahap Eva Agustina Ompusunggu Faris Dinar Wahyu Gunawan Fatimah Az-Zahra, Adinda Feri Eko Herman Fitra Abdurrachman Bachtiar Fitrotuzzakiyah, Shafira Puspa Gessia Faradiksi Putri HANA RATNAWATI Hanggar Wahyu Agi Prayogo Haris, Asmuni Haryanto, Dimas Joko Hinandy Nur Anisa Hoar, Wilhelmina Sonya Ichsan Achmad Fauzi Iftinan, Salsa Nabila Imam Cholissodin Imam Cholissodin Imam Cholissodin Imam Cholissodin Indriati Indriati Indriati Indriati Issa Arwani Kautsar, Ahmad Izzan Khairunnisa, Alifah Ksatria Bhuana Kukuh Bhaskara Kukuh Haryobismoko Kurnianingtyas, Diva Laily Putri Rizby Luqyana, Wanda Athira Luthfi Afrizal Ardhani M. Ali Fauzi M. Tanzil Furqon, M. Tanzil Marine Putri Dewi Yuliana Marji . Marji Marji Maulana, Muhammad Taufik Maulidiya, Afifulail Maya Nur Muh Arif Rahman Muh Hamim Fajar Muh. Arif Rahman Muhammad Abduh Muhammad Fajri Muhammad Ferian Rizky Akbari Muhammad Rafif Al Aziz MUHAMMAD SYAFIQ Muhammad Tanzil Furqon Muhammad Wafiq Mukhrodi, Dillah Lyra Nashi Widodo Nisa, Lisa N. Novanto Yudistira Nurfansepta, Amira Ghina Nurhidayati Desiani Nurul Dyah Mentari Nurul Hidayat Nurul Hidayat Olivia Bonita Puji Indah Lestari Puspita Sari Putra Pandu Adikara Putri, Rania Aprilia Dwi Setya Rachmad Indrianto Rachmatika, Isnayni Sugma Rafifah Nawawi, Danisha Ramadhan, Galang Gilang Randi Pratama Nugraha Randy Cahya Wihandika Ratih Kartika Dewi Rekyan Regarsari Mardhi Putri Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Rendi Cahya Wihandika Rheza Raditya Andrianto Ria Ine Pristiyanti Rika Raudhotul Rizqiyah Riski Darmawan Riyanarto Sarno Rizal Setya Perdana Rizal Setya Perdana Robbiyatul Munawarah Rowan Rowan Rusydi Hanan, Muhammad Satrio Hadi Wijoyo Setiana, Maya Setya Perdana, Rizal Shalsadilla, Shafatyra Reditha Sholeh, Mahrus Sukma, Lintang Cahyaning Supraptoa Supraptoa Surya Dermawan Susanto, Dominicus Christian Bagus Sutrisna, Naufal Putra Sutrisno Sutrisno Sutrisno, Sutrisno Syafruddin Agustian Putra Syarif Hidayatulloh Tahtri Nadia Utami Tibyani Tibyani Tirana Noor Fatyanosa, Tirana Noor Tri Fadilah, Ghina Utaminingrum, Fitri Vianti Mala Anggraeni Kusuma Vidya Capristyan Pamungkas Wahyu Rizki Ferdiansyah Wardana, Dzaky Ahmadin Berkah Warut, Gregorius Batara De Wibowo, Dhimas Bagus Bimasena Wijaya, Nicholas Yobel Leonardo Tampubolon Yogi Suwandy Yulian Ekananta Yunita, W. Lisa Zakiyyah, Rizka Husnun Zanna Annisa Nur Azizah Fareza