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

 5   6   7   8   9 
Prediksi Hasil Panen Tanaman Biofarmaka di Indonesia dengan Menggunakan Metode Extreme Learning Machine Zanna Annisa Nur Azizah Fareza; Imam Cholissodin; Lailil Muflikhah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 6 No 11 (2022): November 2022
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Biopharmaceutical plants are a type of horticultural plants that are used as ingredients for medicines, herbs, cooking spices and cosmetic ingredients. Biopharmaceutical plants are used as alternative medicines for various diseases and are believed to increase the body's immunity by processing them into herbs and medicines. Biopharmaceutical plants as raw materials for medicines make a major contribution to Indonesia's export activities and are in high demand due to the development of the traditional medicine industry, but the yields of biopharmaceutical plants are very unstable. Therefore, to be able to estimate the yield of biopharmaceutical crops, a prediction must be made using the Extreme Learning Machine (ELM) method. The stages of making predictions with this method start from the pre-processing process, data normalization, training process, testing process, denormalization, and evaluating error values using MAPE. This method has advantages related to fast computation compared to other neural network methods. In this study, data ratio parameters were tested with holdout validation based on nested cross validation, features, and hidden neurons. From the results of the tests that have been carried out, the optimal parameter is obtained with the smallest MAPE value of 9.34%.
Klasifikasi Kelayakan Calon Kreditur menggunakan Metode Syntethic Minority Over-Sampling Technique (SMOTE) dan K-Nearest Neighbor (KNN) Muhammad Wafiq; Lailil Muflikhah; Muhammad Tanzil Furqon
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 6 No 11 (2022): November 2022
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

In classification, one of the problems that is often encountered is the imbalance class. Unbalanced data occurs when the amount of the data from one class has more or less than the other classes. Classes with unbalanced data will cause the classification results to be skewed towards classes that have more data. Some classifiers are unable to produce maximum accuracy when used on unbalanced data. To overcome the problem of imbalance class, the Synthetic Minority Over-Sampling Technique (SMOTE) method can be used. This method will generate new synthetic data which will be used as training data for the classification process. The method used for classification in this study is the K-Nearest Neighbor (KNN) method. The accuracy value that obtained whe n the data is classified using the KNN method without using SMOTE is 60%. Meanwhile, when the unbalanced data is handled first using SMOTE method and then classified using the KNN method, the accuracy value obtained is 85%. From the test result, the best parameter values were k=1 and N=100.
Prediksi Curah Hujan dengan Empat Parameter menggunakan Backpropagation (Studi Kasus: Stasiun Meteorologi Ahmad Yani) Aulia Herdhyanti; Lailil Muflikhah; Imam Cholissodin
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 6 No 12 (2022): Desember 2022
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Rainfall is the amount of water that falls to the surface of the ground over a certain period. The rainfall itself is recorded by the BMKG (Meteorology, Climatology and Geophysics Agency) every day. According to research, rainfall is influenced by several parameters, including the temperature, the humidity of the air, the speed of the wind, and the activity of solar. In forecasting the weather, high accuracy is needed because the weather greatly affects the activities of the population. High rainfall can cause floods. Because of this problem, one solution that can solve this problem is to predict the rainfall with the backpropagation method which is one of the neural network architectures that has a multi-layer network and processes the training data forward and corrects the errors backwards. This study uses the rainfall data with parameters that influence it, namely the average temperature, the humidity of the air, the speed of the wind, and the activity of solar within 19 months from the Ahmad Yani Meteorological Station in Semarang. The best accuracy obtained with the backpropagation method is the MSE value of 0.006952 which was obtained by using 2 hidden neurons, the maximum iteration is 1000 iterations, the amount of training data is 70% of the total dataset, and the learning rate is 0.05.
Implementasi Deep Learning menggunakan Algoritma EfficientDet untuk Sistem Deteksi Kelayakan Penerima Bantuan Langsung Tunai berdasarkan Citra Rumah di Wilayah Kabupaten Kediri Muhammad Ferian Rizky Akbari; Bayu Rahayudi; Lailil Muflikhah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 4 (2023): April 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Indonesia merupakan salah satu negara berkembang yang memiliki permasalahan dalam hal kemiskinan. Salah satu upaya pemerintah untuk mengurangi kemiskinan ada membuat sebuah program bernama Bantuan Langsung Tunai. Program ini untuk membantu masyarakat yang masuk dalam kategori miskin atau sedang terkena musibah. Penentuan calon penerima bantuan masih dilakukan secara konvensional melalui sensus penduduk. Salah satu aspek yang menjadi pertimbangan adalah dari kondisi rumah, salah satunya adalah dari kondisi lantai serta kondisi dinding rumah. Saat ini belum ada sebuah sistem yang mampu membantu melakukan klasifikasi calon penerima dari citra rumahnya. Oleh karena itu dibutuhkan sebuah sistem khusus pemrosesan citra rumah untuk membantu pengambilan keputusan berhak atau tidak menerima bantuan dengan pendekatan deep learning. Deep learning merupakan salah satu metode yang cocok untuk melakukan klasifikasi citra dengan ukuran data yang relatif besar. Algoritma yang digunakan adalah EfficientDet, karena algoritma ini mampu untuk mendeteksi objek pada gambar atau video dengan akurasi yang tinggi. Data yang digunakan adalah citra rumah yang diambil dari hasil survei wilayah Kabupaten Kediri, yaitu sebanyak 1500 data. Data tersebut diberi label berhak atau tidak berhak menerima bantuan dan dibagi menjadi dua, yaitu 1200 data training dan 300 data test. Penelitian ini mendapatkan akurasi yang cukup baik dengan rincian sebagai berikut, nilai accuracy 93%, nilai recall 92%, nilai precision 96%, serta nilai f1-score 94%. Selain itu, pada penelitian juga dilakukan pengujian performa sistem dengan mengubah nilai dari beberapa parameter serta jumlah dataset yang digunakan pada saat proses training untuk melihat efeknya terhadap hasil akurasi.
Identifikasi Penyakit Tanaman Cabai menggunakan Metode Learning Vector Quantization (LVQ) Kukuh Haryobismoko; Lailil Muflikhah; Rizal Setya Perdana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 4 (2023): April 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyakit tanaman cabai dapat menyebabkan kerugian yang signifikan bagi petani. Oleh karena itu, identifikasi penyakit dengan cepat dan akurat menjadi hal yang penting untuk mengendalikan penyebaran penyakit dan mengambil tindakan pencegahan yang tepat. Penelitian ini bertujuan untuk mengidentifikasi penyakit tanaman cabai menggunakan metode LVQ (Learning Vector Quantization). Dalam penelitian ini, kami menggunakan dataset yang terdiri dari 121 baris data. Data ini mencakup empat kelas penyakit yang umum terjadi pada tanaman cabai, dengan masing-masing kelas memiliki 18 gejala yang berbeda. Untuk melatih dan menguji model, kami menggunakan rasio data latih dan data uji sebesar 80%:20%. Hal ini dilakukan untuk memastikan bahwa model memiliki kinerja yang baik dalam mengklasifikasikan penyakit pada tanaman cabai yang belum pernah dilihat sebelumnya. Dalam pengujian, kami menentukan beberapa parameter untuk mencapai hasil yang optimal. Nilai alfa yang digunakan adalah 0.1 dengan minimum alfa 0,01. Kami memilih satu iterasi dalam proses pelatihan model. Learning rate yang kami gunakan adalah 0,2. Dengan konfigurasi ini, kami mencapai tingkat akurasi sebesar 100%. Hasil ini menunjukkan bahwa metode LVQ dapat menjadi alat yang efektif dalam mengidentifikasi penyakit pada tanaman cabai. Dengan menggunakan 18 gejala yang berbeda, model ini mampu membedakan dengan baik antara kelas penyakit yang berbeda. Tingkat akurasi yang tinggi ini memungkinkan petani untuk dengan cepat mengidentifikasi penyakit pada tanaman mereka dan mengambil langkah-langkah pengendalian yang diperlukan.
Penggunaan Variasi Model pada Arsitektur EfficientNetV2 untuk Prediksi Sel Kanker Serviks Duwi Purnama Sidik; Fitri Utaminingrum; Lailil Muflikhah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 5 (2023): Mei 2023
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker serviks merupakan salah satu penyakit yang menyebabkan kematian terbanyak pada wanita di seluruh dunia. Angka kematian ini disebakan kekurangnya kesadaran terhadap infeksi dan tidak adanya gejala awal yang jelas, sehingga penderita baru menyadari kondisi mereka sudah pada tahap lanjut yang lebih sulit untuk diobati. Dengan hal itu, diagnosis dini merupakan hal yang sangat penting tapi karena kurangnya tenaga medis yang terlatih menjadi masalah serius dalam diagnosis, terutama di wilayah dengan sumber daya kesehatan terbatas. Berdasarkan penelitian sebelumnya, metode Deep Learning telah digunakan untuk mendeteksi kanker serviks tapi memiliki akurasi yang kurang baik. Pada penelitian ini, mengunakan model EfficientNetV2 karena terbukti bisa mendeteksi gambar dengan kinerja dan efektivitas yang baik. Dataset terdiri dari 5 kelas dengan jumlah 5.000 gambar terbagi menjadi 3.000 data latih, 1.000 data validasi, dan 1.000 data uji. Hasilnya adalah Model EfficientNetV2-Large memiliki akurasi tertinggi sekitar 0.999. Perhitungan matriks evaluasi dari Model EfficientNetV2-Large memiliki nilai yang paling baik yaitu 0.998. Tapi didapatkan waktu Komputasi EfficientNetV2-Large terlama dan Model EfficientNetV2-B0 memiliki waktu komputasi tercepat dengan 198 detik. Secara keseluruhan, semua Model EfficientNetV2 menunjukkan kinerja baik yang mana memiliki kemampuan untuk memprediksi jenis sel kanker dengan baik.
Prediksi Kinerja Mahasiswa berdasarkan Faktor Afektif pada HSS Learning menggunakan Metode Support Vector Machine Riski Darmawan; Fitra Abdurrachman Bachtiar; Lailil Muflikhah
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 7 No 14 (2023): Antrian Publikasi
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Prediksi kinerja akademik siswa sering kali didasarkan pada nilai akademik yang diperoleh sebelumnya atau faktor kognitif dan faktor lingkungan siswa. Adapun prediksi yang mempertimbangkan kondisi emosi atau disebut juga faktor afektif siswa masih sebatas pendekatan statistika saja. Faktanya, faktor afektif memegang peran yang krusial dalam proses pembelajaran. Oleh sebab itu, dalam penelitian ini akan diimplementasikan prediksi kinerja mahasiswa yang didasarkan pada faktor afektif menggunakan metode Support Vector Machine (SVM). Data yang digunakan dikumpulkan melalui kuesioner afektif dalam jangka waktu satu bulan. Preprocessing yang dilakukan terdiri dari oversampling dengan ADASYN dan pemisahan data latih dan data uji dengan persentase 70:30 menggunakan stratified random sampling. Model SVM dilatih menggunakan hyperparameter tuning kemudian dilakukan prediksi kinerja mahasiswa. Performa prediksi dievaluasi dengan menggunakan confusion matrix dan dibandingkan dengan performa dari algoritma K-Nearest Neighbor dan Decision Trees. Hasil pengujian menunjukkan bahwa hyperparameter optimal SVM adalah gamma 0.025, kernel RBF, regularization sebesar 1000 dan learning rate sebesar 10-4. Akurasi prediksi yang didapatkan SVM sebesar 91.3%, precision sebesar 91.5%, recall sebesar 91.3%, dan f1-score sebesar 91.3% di mana performa ini lebih unggul dibandingkan dengan dua algoritma lainnya. Hal ini menunjukkan bahwa SVM merupakan algoritma yang dapat memprediksi kinerja mahasiswa berdasarkan faktor afektifnya dengan baik.
Single nucleotide polymorphism based on hypertension potential risk prediction using LSTM with Adam optimizer Lailil Muflikhah; Imam Cholissodin; Nashi Widodo; Feri Eko Herman; Teresa Liliana Wargasetia; Hana Ratnawati; Riyanarto Sarno
Indonesian Journal of Electrical Engineering and Computer Science Vol 33, No 2: February 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v33.i2.pp1126-1139

Abstract

Recent healthcare research has focused a great deal of interest on using genetic data analysis to predict the risk of hypertension. This paper presents a unique method for accurately predicting the vulnerability to hypertension by utilizing single nucleotide polymorphism (SNP) data. We present a novel neural network design utilizing the adaptive moment (Adam) optimizer to describe the intricate temporal correlations in SNPs. The study used a dataset with carefully preprocessed SNP data from a broad cohort for model input. The long short-term memory (LSTM) network was methodically built and trained with hyper-parameter and fine-tuning using the Adam optimizer to converge on ideal weights. Our findings indicate encouraging predictive performance, highlighting the suggested methodology’s usefulness in determining hypertension risk factors. The result showed that the proposed method achieved stability in the performance of 89% accuracy, 96% precision, 88% recall, and 92% F1-score. Due to its higher accuracy and greater predictive power, our SNP-based LSTM methodology is superior to the conventional machine learning method. By providing a novel framework that uses genetic data to predict the risk of hypertension, this research makes substantial contribution to the field of predictive healthcare. This framework helps with early intervention and customized preventative efforts.
DETEKSI DENGUE SHOCK SYNDROME PADA PASIEN DEMAM BERDARAH MENGGUNAKAN ALGORITMA RANDOM FOREST Nisa, Lisa N.; Muflikhah, Lailil; Yudistira, Novanto
Kohesi: Jurnal Sains dan Teknologi Vol. 4 No. 7 (2024): Kohesi: Jurnal Sains dan Teknologi
Publisher : CV SWA Anugerah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.3785/kohesi.v4i7.5854

Abstract

Demam Berdarah Dengue (DBD) merupakan penyakit yang ditularkan oleh nyamuk yang paling sering ditemui di dunia. DBD disebarkan oleh virus nyamuk Aedes aegypti dan Aedes Albopictus. DBD memiliki gejala klinis ringan hingga berat seperti Dengue Shock Syndrom, Dengue Shock Syndrom atau DSS adalah syok/ renjatan disertai kegagalan sirkulasi. Penanganan DSS apabila tidak ditangani lebih awal dapat membahayakan nyawa pasien oleh karena penting untuk membuat deteksi Dengue Shock Syndrom pada pasien DBD. Penelitian pada dengue shock syndrom pada pasien demam berdarah menggunakan algoritma random forest karena kemampuannya mengurangi jumlah variabel yang diperlukan untuk mendeteksi, meningkatkan efisiensi. Data yang akan digunakan dalam penelitian ini berasal dari data pasien penderita demam dengue Rumah Sakit Umum Daerah dr. Saiful Anwar tahun 2014 sampai 2022 yang berjumlah 501 data. Tetapi terdapat permasalahan pada data yang dipakai yaitu dataset imbalanced. Karena data yang digunakan merupakan data imbalanced maka penulis menggunakan random oversampling, smote. Setelah di oversampling data menjadi 401 data syock dan 401 data tidak syock. Kemudian penulis memilih feature yang relevan untuk membangun model random forest. Feature selection yang digunakan adalah Principal component analysis (PCA) dan information gain. Pengujian pada penelitian ini mencari hyperparameter, metode oversampling dan ekstraksi fitur yang optimal. Hasil penelitian menunjukan algoritma menggunakan PCA dan random oversampling memilki hasil terbaik. Akurasi hasil pengujian tertinggi pada pada 0,911 dengan metode oversampling dan PCA. Kata kunci: Demam Berdarah Dengue, Dengue Shock Syndrom, Principal Component Analysis, SMOTE, Oversampling, Information gain, Hyperparameter Dengue Hemorrhagic Fever (DHF) is the most common mosquito-borne disease in the world. Dengue fever viruses are spread by the Aedes aegypti and Aedes Albopictus mosquitoes. DHF has mild to severe clinical symptoms such as Dengue Shock Syndrome, Dengue Shock Syndrome, or DSS, which is a shock accompanied by circulatory failure. If DSS is not treated early, it can endanger the patient's life because it is important to make predictions about Dengue Shock Syndrome in DHF patients. Research on dengue shock syndrome in dengue fever patients uses the random forest algorithm because of its ability to reduce the number of variables needed for prediction, increasing efficiency. The data used in this research comes from patients suffering from dengue fever at the Regional General Hospital, dr. Saiful Anwar from 2014 to 2022, totaling 501 data. However, there is a problem with the data used, namely the imbalanced dataset. Because the data is imbalanced, the author uses random oversampling and SMOTE. After oversampling, the data became 401 shock data and 401 non-shock data. The author selects relevant features to build a random forest model. The feature selection used is Principal component analysis (PCA) and information gain. The tests in this research look for hyperparameters, oversampling methods, and optimal feature extraction. The research results show that the algorithm using PCA and random oversampling has the best results. The highest accuracy of test results is 0.911 with the oversampling and PCA methods. Keywords: Dengue Hemorrhagic Fever, Dengue Shock Syndrome, Principal Component Analysis, SMOTE, Oversampling, Information gain, Hyperparameter
Classifying Application User Comments Using the Improved K-Nearest Neighbor and BM25F Weighting Methods Indriati, Indriati; Rahman, Muh Arif; Arwani, Issa; Muflikhah, Lailil
Journal of Information Technology and Computer Science Vol. 9 No. 2: August 2024
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.92622

Abstract

Mobile JKN is an application developed by an Indonesian state-owned health insurance company, BPJS Kesehatan. The application is developed to provide easier access and more optimal service for its participants. The application allows users to access various information related to national health insurance programs anywhere, anytime. Despite the benefits this application offers, Mobile JKN received low ratings from the users. However, the ratings are sometimes irrelevant to the comments. We proposed an application to automatically review the comments based on ratings and comments, both negative and positive, using the Improved K-Nearest Neighbor (IKNN) classification algorithm with the BM25F weighing method. The initial stage of the algorithm involved document preprocessing, the document consisting of comments and rating were preprocessed to obtain the term. After that, BM25F weighing was applied to find the similarity between documents. The document was then classified using IKNN based on its BM25F weight. The test result showed that the highest accuracy rate was 0.925, obtained from parameter k=20 on IKNN with k1=1.2, Bs=0.75, and BM25F weight of 2 and 5. The result indicates that this method manages to classify the document properly
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