Article Per Year (5 Year)
p-Index From 2021 - 2026
8.78
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 : 123 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 123 Documents
Search

 9   10   11   12   13 
Penjadwalan Ujian Akhir Semester Menggunakan Algoritma Artificial Bee Colony (Studi Kasus: Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya) Bajsair, Fath' Hani Sarli; Kurnianingtyas, Diva; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Naskah ini akan diterbitkan di Jurnal Internasional Cogent Engineering
Klasifikasi Alzheimer Disease Menggunakan Multimodal pada Gambar MRI Scan dan Hasil Asesmen Kognitif Rafifah Nawawi, Danisha; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penelitian ini mengeksplorasi pendekatan klasifikasi penyakit Alzheimer dengan memanfaatkan integrasi data citra dan data kognitif pasien. Model yang dikembangkan bersifat multimodal, menggabungkan informasi visual dari irisan citra MRI 2D dengan data asesmen kognitif melalui dua jalur pemrosesan terpisah. Citra MRI diproses menggunakan ResNet101 yang telah dimodifikasi pada bagian akhir, sementara data kognitif diolah melalui multilayer perceptron. Kedua representasi digabung menggunakan teknik intermediate fusion untuk menghasilkan prediksi akhir. Eksperimen dilakukan menggunakan dataset ADNI dan mencakup berbagai kombinasi fungsi loss, optimizer, serta konfigurasi hyperparameter. Hasil menunjukkan bahwa pendekatan multimodal secara konsisten memberikan performa lebih baik dibandingkan dengan pendekatan unimodal. Konfigurasi terbaik dicapai ketiga konfigurasi berikut, AdamW dengan Focal Loss (lr=1e-5, wd=1e-4) yang menghasilkan macro sensitivity dan specificity tertinggi yaitu sebesar 95,59% 97,69%. Akurasi tertinggi sebesar 95,86% diperoleh dengan SGD default menggunakan Focal Loss, sementara AUC terbaik sebesar 0,9902 dicapai oleh SGD dengan Focal Loss (lr=1e-4, wd=1e-5). Temuan ini menegaskan pentingnya eksplorasi strategi pelatihan dan desain model dalam pengembangan sistem klasifikasi Alzheimer berbasis multimodal.
Deteksi Mutasi Epidermal Growth Factor Receptor pada Pasien Kanker Paru Menggunakan Algoritma Random Forest Fauzi, Ichsan; Muflikhah, Lailil; Adikara, Putra Pandu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker paru adalah gangguan sistem pernapasan terutama pada paru-paru yang disebabkan oleh pertumbuhan sel kanker. Mutasi EGFR adalah mutasi yang terjadi pada gen EGFR yang berperan penting dalam menangani sel kanker tanpa proses operasi. Deteksi mutasi EGFR masih sulit untuk dilakukan sehingga membutuhkan pendekatan baru untuk mendeteksi mutasi EGFR dengan aman, akurat, dan efisien. Penelitian ini bertujuan untuk membangun model Random Forest yang dapat digunakan untuk mendeteksi mutasi EGFR pada pasien kanker paru. Penelitian ini juga melibatkan beberapa teknik preprocessing data dan optimasi hyperparameter untuk membangun model dengan kinerja terbaik. Penelitian ini menggunakan data sekunder yang bersumber dari data klinis pasien RSUD Dr. Saiful Anwar Kota Malang pada tahun 2018 dan 2019. Hasil penelitian ini menunjukkan bahwa SMOTE sebagai metode resampling terbaik yang mampu meningkatkan kinerja model Random Forest hingga memperoleh accuracy 0,975, f1-score 0,969, dan AUC 0,994 pada data uji. Kombinasi hyperparameter n trees 50, max depth 7 dan 9, dan min samples split 3 dan 5 menjadi kombinasi hyperparameter terbaik berdasarkan pengujian data uji dengan accuracy 0,975, f1-score 0,969, dan AUC 0,997. Model yang dihasilkan diharapkan dapat berkontribusi dalam perkembangan di bidang teknologi dan kesehatan terutama dalam penanganan pasien kanker paru di Indonesia.
Enhancing Islamic Boarding School Management in Jombang through Artificial Intelligence Kurnianingtyas, Diva; Daud, Nathan; Widodo, Agus Wahyu; Muflikhah, Lailil; Yudistira, Novanto
TRI DHARMA MANDIRI: Dissemination and Downstreaming of Research to the Community (Journal of Community Engagement) Vol 5 No 2 (2025)
Publisher : SMONAGENES Research Center, Univeritas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21776/ub.jtridharma.2025.005.02.143

Abstract

The drive for digital transformation and the need to enhance governance efficiency in religious educational institutions provided the backdrop for this community service program, which implemented artificial intelligence (AI) technology at an Islamic boarding school in Jombang. This program aimed to enhance the management competencies of Islamic boarding schools in Jombang by applying AI technology. The activities included socialization and training sessions on AI-based applications such as facial recognition, attendance systems, and student nutrition management tools. A one-group pretest–posttest design was employed to evaluate management competence before and after the training. The analysis showed a significant increase in participants’ scores from the pretest (23.86 ± 3.34) to the posttest (45.06 ± 1.56), with Z = –6.166 and p < 0.001. This improvement contributed to more efficient student attendance tracking, optimized data-based nutrition management, and motivated participants to integrate technology into pesantren administration. The practical implication of this program is the need for continuous training to expand further the adoption of artificial intelligence in other Islamic boarding schools.
Prediksi Tingkat Resiko Kanker Serviks Menggunakan Algoritma Support Vector Machine Gumelar, Dimas; Muflikhah, Lailil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 12 (2025): Desember 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker adalah salah satu penyakit yang hingga saat ini masih menjadi penyakit yang paling menakutkan. Pada satu dekade yang lalu, kanker serviks menjadi kanker ketiga paling umum di kalangan wanita secara global. Namun, di 42 negara dengan sumber daya terbatas, kanker ini adalah yang paling sering dialami wanita. Berbagai jenis tindakan pencegahan belum bisa menghentikan sebagian besar kasus kanker ini meskipun dengan melakukan tes skrining. Dengan berkembangnya ilmu pengetahuan saat ini, machine learning adalah model yang efektif dengan mendeteksi penyakit yang dituntut cepat. Peneliti mengusulkan penggunaan metode klasifikasi menggunakan Support Vector Machine (SVM) untuk melakukan prediksi tingkat resiko kanker serviks pada wanita. Penelitian ini dilakukan dengan tahapan persiapan, preprocessing, learning dan testing, serta evaluasi. Dataset yang digunakan berasal dari data pasien kanker dari Rumah Sakit Umum Dr. Saiful Anwar, Kota Malang, Indonesia. Untuk tahap preprocessing dilakukan agar data menjadi bentuk numerik yang sesuai dengan model SVM. Selain itu juga dilakukan proses oversampling dengan SMOTE agar persebaran data lebih merata. Proses learning dilakukan dengan 3 kernel yaitu, kernel linear, polynomial, dan RBF. Tiap kernel juga akan dilakukan percobaan tuning hyperparameter untuk mendapatkan hasil yang terbaik pada masing-masing model. Hasil dari penelitian ini menunjukkan kernel yang menghasilkan akurasi terbaik adalah kernel polynomial yang mencapai 88,89% dengan f1-score sempurna pada beberapa label kelas. Selain itu didapatkan pola hyperparameter yang berpengaruh pada hasil akurasi model SVM untuk masing-masing kernel.
Analisis Sentimen Konflik Israel Dan Iran Pada Media Sosial X Menggunakan Metode Support Vector Machine Dan Word2vec Nabil Auliya, Muhammad Hanif; Muflikhah, Lailil; Perdana, Rizal Setya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 01 (2026): Januari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Konflik antara Israel dan Iran memicu beragam opini publik di media sosial, khususnya pada platform X (Twitter). Karakteristik bahasa media sosial yang tidak terstruktur, kaya singkatan, dan bahasa gaul menjadi tantangan dalam analisis sentimen. Penelitian ini bertujuan menganalisis sentimen opini publik terhadap konflik Israel–Iran di media sosial X menggunakan algoritma Support Vector Machine (SVM) dengan representasi teks berbasis Word2Vec, serta mengevaluasi pengaruh penerapan slang words conversion pada tahap preprocessing. Data diperoleh melalui proses web scraping terhadap cuitan berbahasa Indonesia yang relevan dengan topik penelitian. Tahapan preprocessing meliputi cleaning, case folding, tokenizing, dan slang words conversion. Representasi teks dilakukan menggunakan Word2Vec dengan pendekatan Skip-gram dan dibentuk menjadi vektor kalimat melalui sentence embedding. Klasifikasi sentimen dilakukan menggunakan SVM dengan kernel polynomial, sedangkan evaluasi kinerja model diukur menggunakan accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa penerapan slang words conversion meningkatkan kinerja model secara konsisten. Model dengan penerapan tahap tersebut menghasilkan nilai accuracy sebesar 0,7453 dan F1-score sebesar 0,7482, lebih tinggi dibandingkan model tanpa slang words conversion. Temuan ini menegaskan pentingnya kualitas preprocessing dalam analisis sentimen data media sosial.
Analisis Sentimen Layanan PT Kereta Api Indonesia pada Twitter Menggunakan Fine-Tuned IndoBERTweet Zaki, Ahmad; Muflikhah, Lailil; Fatyanosa, Tirana Noor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Perkembangan layanan digital pada sektor transportasi publik mendorong meningkatnya interaksi pengguna melalui media sosial, khususnya Twitter. Umpan balik pengguna dalam bentuk opini dan keluhan menjadi sumber informasi penting untuk mengevaluasi kualitas layanan, namun volume data yang besar dan bersifat tidak terstruktur menyulitkan analisis secara manual. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap layanan PT Kereta Api Indonesia berdasarkan tweet berbahasa Indonesia menggunakan model fine-tuned IndoBERTweet. Penelitian ini menggunakan pendekatan studi kasus dengan data tweet berbahasa Indonesia yang dikumpulkan melalui proses crawling dan dilabeli ke dalam tiga kelas sentimen, yaitu positif, netral, dan negatif. Model IndoBERTweet dilatih dan dievaluasi pada beberapa skenario preprocessing, meliputi baseline tanpa stopword removal dan stemming, penerapan stopword removal, stemming, serta kombinasi keduanya. Selain itu, dilakukan analisis terhadap pengaruh ketidakseimbangan distribusi data melalui penerapan beberapa teknik penanganan data tidak seimbang, yaitu random oversampling, class weighting, text augmentation, dan random undersampling, yang diterapkan pada skenario dengan performa terbaik. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, macro F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa skenario baseline tanpa stopword removal dan stemming memberikan performa terbaik dengan nilai macro F1-score sebesar 0.7702 dan akurasi 0.8333. Penerapan preprocessing tambahan tidak memberikan peningkatan kinerja yang signifikan dan cenderung menurunkan performa, khususnya pada kelas minoritas. Teknik penanganan data tidak seimbang mampu meningkatkan sensitivitas terhadap kelas positif, namun belum melampaui performa baseline secara keseluruhan. Temuan ini menunjukkan bahwa pendekatan preprocessing minimal dengan perhatian terhadap distribusi data lebih sesuai untuk analisis sentimen berbasis IndoBERTweet pada data Twitter.
Penerapan Algoritma Random Forest untuk Klasifikasi Cedera Pelari Berbasis Data Kinerja Wearable Devices dengan Teknik Resampling dan Optuna Tuning Adnawirya Pratama, Cendikia; Muflikhah, Lailil; Noor Fatyanosa, Tirana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kemajuan wearable devices memungkinkan pemantauan kinerja pelari secara objektif dan berkelanjutan untuk mendukung klasifikasi dan pencegahan running-related injuries. Namun, pemodelan cedera berbasis data menghadapi tantangan berupa ketidakseimbangan kelas yang ekstrem serta kompleksitas pola temporal. Dataset yang digunakan berupa data temporal mingguan dengan distribusi sangat tidak seimbang, terdiri dari 42.223 data non-injury dan 575 data injury, sehingga berpotensi menimbulkan bias model tanpa penanganan khusus. Untuk mengatasi permasalahan tersebut, diterapkan tiga teknik undersampling, yaitu Random Undersampling, Cluster-based Undersampling, dan NearMiss Undersampling, guna menjaga representativitas dan keberagaman pola kelas mayoritas. Hasil eksperimen menunjukkan bahwa NearMiss Undersampling memberikan kinerja baseline terbaik dengan akurasi 0,8826, F1-score 0,8756, dan AUC 0,9645. Kinerja model selanjutnya meningkat melalui hyperparameter tuning menggunakan Optuna dengan pendekatan Tree-structured Parzen Estimator (TPE), menghasilkan akurasi 0,9000, F1-score 0,8959, dan AUC 0,9782. Selain itu, evaluasi augmentasi data menggunakan SMOTE pada skenario Cluster-based Undersampling menunjukkan bahwa tingkat augmentasi 20% memberikan performa paling stabil. Secara keseluruhan, kombinasi strategi resampling yang tepat dan optimasi parameter terbukti efektif dalam meningkatkan kinerja klasifikasi cedera pelari berbasis data wearable devices.
Pengaruh Preprocessing pada Deteksi Glioblastoma pada Citra Magnetic Resonance Imaging dengan Metode EfficientNet Firdaus, Nada; Muflikhah, Lailil; Setya Perdana, Rizal
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Glioblastoma multiforme (GBM) merupakan tumor otak primer paling agresif dengan prognosis buruk dan median kelangsungan hidup kurang dari 15 bulan. Penelitian ini bertujuan mengevaluasi pengaruh preprocessing citra MRI terhadap kinerja deteksi GBM menggunakan arsitektur EfficientNetB0. Lima skenario preprocessing diuji secara independen: baseline tanpa preprocessing, CLAHE, denoise, skull stripping, dan intensity normalization pada dataset 4.465 citra MRI dengan 15 kelas tumor otak. Hasil menunjukkan model baseline mencapai akurasi 88,51%, sensitivitas 83,87%, dan spesifisitas 96,77%. Intensity normalization menghasilkan performa terbaik dengan akurasi 89,70%, sensitivitas 80,65%, spesifisitas 96,77%, dan precision 83%, meningkat 1,19 poin dari baseline. Sebaliknya, preprocessing agresif seperti CLAHE (68,21%), denoise (58,96%), dan skull stripping (40,15%) justru menurunkan akurasi signifikan karena mengubah distribusi fitur dan mengganggu kompatibilitas dengan pretrained weights ImageNet. Visualisasi Grad-CAM mengkonfirmasi bahwa intensity normalization menghasilkan pola aktivasi paling fokus pada region tumor dengan confidence tertinggi (99,9%). Penelitian ini menyimpulkan bahwa intensity normalization merupakan preprocessing optimal untuk deteksi glioblastoma menggunakan EfficientNetB0 karena menyeragamkan distribusi intensitas tanpa mengubah struktur morfologi tumor.
Enhancing Brain Tumor MRI Classification Performance Using EfficientNetV2-B3 with an Efficient Channel Attention Module Navira Rahma Salsabila; Lailil Muflikhah; Edita Rosana Widasari
Journal of Information Technology and Computer Science Vol. 10 No. 3: Desember 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025103846

Abstract

Early identification of brain tumors using magnetic resonance imaging helps doctors make quick and informed decisions about treatment. Although recent deep learning approaches achieve high accuracy, many rely on complex architectures that increase computational cost and limit interpretability. In order to overcome these constraints, this work proposes a system for four-class brain tumor classification utilizing a public MRI dataset of 3,264 images that is built on EfficientNetV2-B3 and an Efficient Channel Attention (ECA) module used after feature extraction and Grad-CAM. The ECA module enhances cross-channel feature representation with minimal computational overhead. Experimental results indicate consistent performance gains over the baseline model, with accuracy increasing from 97.58% to 99.09% and macro-averaged F1-score from 97.51% to 99.08%. Despite the strong baseline, these gains are achieved without increasing architectural complexity. Grad-CAM visualizations support model interpretability by highlighting tumor-relevant regions that contribute most to the classification decisions. Overall, the proposed framework provides a balanced trade-off between classification accuracy, computational efficiency, and interpretability within the evaluated setting.
Co-Authors A. Bachtiar , Fitra Abdurrachman Bachtiar, Fitra Achmad Jafar Al Kadafi, Achmad Jafar Addin Sahirah, Rafifa Adinugroho, Sigit Adnawirya Pratama, Cendikia Agung Setiyoaji Agus Ardiansyah Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Ahmad Nur Royyan Ahmad Wildan Attabi&#039; Ahmad Zaki Akbar Grahadhuita Al Kautsar, Prima Daffa Aldi Bagus Sasmita Aldino Caturrahmanto Anis Zubair, Anis Annisaa Amalia Safitri Aqmal Maulana Tisno Nuryawan Ardiza Dwi Septian Argaputri, Maulida Khairunisa Arief Andy Soebroto Ashidiq, Muhammad Fihan Aulia Herdhyanti Bachtiar, Harsya Baharudin B. Baharum Baihaqi, Galih Restu Bajsair, Fath' Hani Sarli Barlian Henryranu Prasetio 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 Edita Rosana Widasari Edy Santoso Edy Santoso Eni Hartika Harahap Eva Agustina Ompusunggu Faris Dinar Wahyu Gunawan Fatimah Az-Zahra, Adinda Feri Eko Herman Firdaus, Nada Fitra Abdurrachman Bachtiar Fitrotuzzakiyah, Shafira Puspa Gessia Faradiksi Putri Gumelar, Dimas 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 Indriati Issa Arwani Kautsar, Ahmad Izzan Khairunnisa, Alifah Kirana, Nareswara Lintang 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 Nabil Auliya, Muhammad Hanif Nashi Widodo Navira Rahma Salsabila Nisa, Lisa N. Noor Fatyanosa, Tirana 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 Yudhonugroho, Wirkananda Bagus Yulian Ekananta Yunita, W. Lisa Zakiyyah, Rizka Husnun Zanna Annisa Nur Azizah Fareza