Article Per Year (5 Year)
p-Index From 2021 - 2026
6.874
P-Index
This Author published in this journals
All Journal International Journal of Reconfigurable and Embedded Systems (IJRES) Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat)
Edita Rosana Widasari, Edita Rosana
Unknown Affiliation
Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Public Health Social Sciences

Published : 53 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 53 Documents
Search

 2   3   4   5   6 
Sistem Deteksi Atrial Fibrilasi Menggunakan Metode CNN-BiLSTM Berbasis Shimmer Electrocardiography Sensor Rohmandzoni, Achmad; Widasari, Edita Rosana
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

Atrial Fibrilasi (AF) merupakan salah satu aritmia jantung yang paling umum dan berisiko menimbulkan komplikasi serius seperti stroke dan gagal jantung. Deteksi AF secara klinis dilakukan melalui analisis sinyal electrocardiogram (ECG) oleh tenaga medis, namun proses ini membutuhkan waktu dan sangat bergantung pada ketelitian interpretasi. Pendekatan berbasis machine learning juga masih memiliki keterbatasan akibat ketergantungan pada ekstraksi fitur manual yang dapat memengaruhi konsistensi dan akurasi deteksi. Oleh karena itu, penelitian ini mengembangkan sistem deteksi AF berbasis deep learning menggunakan metode CNN-BiLSTM dan sensor Shimmer electrocardiography sensor. Sinyal ECG yang diperoleh diproses melalui tahapan preprocessing yang meliputi DC removal, bandpass filter, notch filter, dan normalisasi, kemudian diklasifikasikan ke dalam kelas Normal atau Atrial Fibrilasi menggunakan model CNN-BiLSTM. Hasil analisis ditampilkan melalui Graphical User Interface (GUI) berbasis Python. Hasil pengujian menunjukkan bahwa 80% sinyal ECG hasil perekaman berada dalam rentang amplitudo fisiologis. Sistem mencapai akurasi klasifikasi sebesar 100% pada data normal dan data AF berbasis threshold persentase segmen, dengan rata-rata waktu komputasi sebesar 5,06 detik, sehingga mendukung implementasi sistem secara real-time. Hasil ini menunjukkan potensi sistem sebagai alat bantu tenaga medis dalam mendeteksi Atrial Fibrilasi secara efisien.
Implementasi Knowledge Distillation pada Lightweight CNN untuk Pengenalan Gesture Tangan Prostetik Bionik Berbasis ESP32-S3 dengan Efisiensi Sumber Daya Bhanu Shidqianto, Naufal; Widasari, Edita Rosana
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

Pengembangan sistem kendali lengan prostetik bionik berbasis sinyal Electromyography (EMG) menghadapi tantangan dalam menyeimbangkan akurasi pengenalan gerakan dan efisiensi komputasi pada perangkat keras dengan sumber daya terbatas. Model Deep Learning konvensional umumnya memiliki ukuran besar dan waktu komputasi yang tinggi, sedangkan model lightweight sering mengalami penurunan akurasi. Penelitian ini mengusulkan penerapan metode Knowledge Distillation untuk mengompresi model klasifikasi gerakan pada sistem kendali lengan prostetik berbasis mikrokontroler ESP32-S3. Proses penelitian meliputi akuisisi sinyal EMG menggunakan sensor OyMotion gForce200, pelatihan model dengan mentransfer pengetahuan dari Teacher Model ke Student Model berarsitektur Lightweight Convolutional Neural Network (CNN), serta pengujian sistem secara real-time pada lima subjek dengan sepuluh jenis gerakan tangan. Hasil pengujian menunjukkan bahwa ukuran model berhasil direduksi sebesar 95,2% dari 655 KB menjadi 31,4 KB, dengan rata-rata waktu komputasi inferensi sebesar 4,54 ms. Model lightweight CNN mencapai akurasi pelatihan sebesar 98,61% dan rata-rata akurasi klasifikasi gerakan sebesar 74% pada pengujian real-time. Penggunaan memori mikrokontroler tercatat sebesar 31% untuk Flash dan 19% untuk (Static Random Access Memory) SRAM. Hasil ini menunjukkan bahwa Knowledge Distillation efektif dalam menghasilkan sistem kendali lengan prostetik yang responsif dan efisien pada perangkat keras tertanam.
Implementasi Lightweight 1D-CNN berbasis Spatio-Temporal Feature Set pada ESP32-S3 untuk Pengenalan Gesture Tangan Prostetik Trido, Pradytia; Widasari, Edita Rosana
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

Kehilangan anggota tubuh, khususnya tangan, dapat menurunkan kemandirian dan kualitas hidup penyandang disabilitas. Di Indonesia tercatat sekitar 22,97 juta jiwa penyandang disabilitas (8,5% penduduk), sehingga dibutuhkan teknologi lengan prostetik bionik yang nyaman dan mudah dikendalikan. Salah satu pendekatan yang banyak digunakan adalah pemanfaatan sinyal surface electromyography (sEMG) sebagai masukan untuk mengenali gesture tangan, namun penelitian sebelumnya dengan ekstraksi fitur konvensional dan model CNN berukuran besar masih menghadapi keterbatasan akurasi real-time dan beban komputasi yang tinggi. Penelitian ini mengusulkan sistem pengenalan gesture tangan berbasis Spatio-Temporal Feature Set (STFS) dan lightweight satu dimensi Convolutional Neural Network (1-D CNN) yang diimplementasikan pada mikrokontroler ESP32-S3 untuk mengendalikan lengan prostetik bionik. Data sEMG delapan kanal direkam menggunakan gelang OyMotion gForce200 dari lima subjek untuk sepuluh gesture tangan, kemudian diproses melalui windowing, full-wave rectification, moving RMS, ekstraksi fitur STFS, dan normalisasi sebelum digunakan untuk melatih model lightweight 1-D CNN. Model terbaik dikonversi ke bentuk int8 dan dijalankan menggunakan TensorFlow Lite Micro pada ESP32-S3 untuk menggerakkan lima servo jari lengan prostetik. Hasil pengujian menunjukkan bahwa keluaran tegangan sensor yang diperoleh dari konversi ADC 8-bit berada pada rentang 0–3,3 V sehingga sesuai dengan spesifikasi modul gForceJoint, sedangkan sistem klasifikasi menghasilkan rata-rata akurasi sebesar 84% pada lima subjek. Rata-rata waktu komputasi inferensi sekitar 58,4 ms per window dengan penggunaan flash memory 581.737 byte, SRAM 38.464 byte, dan sisa memori heap dinamis sekitar 353.116 byte. Dengan demikian, kombinasi STFS dan lightweight 1-D CNN dinilai layak untuk diimplementasikan pada mikrokontroler berdaya rendah sebagai sistem pengenalan gesture lengan prostetik bionik secara mendekati real-time, meskipun masih terdapat keterbatasan dalam membedakan gesture dengan pola aktivasi otot yang sangat mirip.
Sistem Wearabale Untuk Deteksi Stres Pada Pengemudi Menggunakan Algoritma Spectral Peak Recovery Berbasis Sinyal Photoplethysmogram Akbar, Rizky; Widasari, Edita Rosana
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

Stres pada pengemudi dapat menurunkan tingkat konsentrasi dan meningkatkan risiko kecelakaan, sehingga deteksi tingkat stres secara real-time menjadi sangat penting, mengingat sistem pada penelitian sebelumnya (Fuad, 2025) masih memiliki keterbatasan dari sisi kenyamanan penggunaan, desain wearable, dan ketahanan terhadap gangguan sinyal. Penelitian ini mengembangkan perangkat wearable berbasis sinyal Photoplethysmogram (PPG) menggunakan sensor MAX30102 dan mikrokontroler ESP32-S3 untuk mengestimasi Beats Per Minute (BPM) serta mendeteksi tingkat stres. Untuk meningkatkan kualitas sinyal PPG yang sering terpengaruh oleh motion artifact, penelitian ini menerapkan algoritma Spectral Peak Recovery (SPARE) yang mencakup tahapan filtering, pemeriksaan kurtosis, Singular Spectrum Analysis (SSA), Harmonic Relationship Estimation (HRE), dan rekonstruksi narrow-band. Pengujian dilakukan terhadap lima subjek melalui tiga skenario simulasi mengemudi (low, medium, dan high) dengan total 15 sesi. Pembacaan BPM dari perangkat dibandingkan dengan oximeter sebagai acuan, sedangkan deteksi stres divalidasi menggunakan kuesioner DASS-42. Hasil pengujian menunjukkan bahwa algoritma SPARE mampu meningkatkan kejelasan bentuk gelombang PPG dan memberikan estimasi BPM yang lebih stabil, dengan rata-rata BPM subjek berada pada rentang 82–89 BPM. Perbandingan hasil deteksi stres menunjukkan tingkat kecocokan sebesar 80% atau 12 dari 15 sampel sesuai dengan hasil DASS-42. Secara keseluruhan, sistem wearable yang dikembangkan bekerja dengan baik dan cukup andal dalam mendeteksi tingkat stres, sehingga berpotensi digunakan sebagai perangkat pemantauan stres non-invasif bagi pengemudi.
Ekstraksi Fitur SampEn, PermEn, dan MAV dari Sinyal Electroencephalogram Satu Kanal Berbasis Discrete Wavelet Transform untuk Sistem Monitoring Kesadaran Dananjaya, Andreas Wirawan; Widasari, Edita Rosana
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

Kesadaran merupakan kondisi klinis yang ditandai oleh keadaan terjaga (wakefulness) dan kemampuan menyadari diri serta lingkungan (awareness). Pada pasien kritis, khususnya di Intensive Care Unit (ICU), pemantauan kesadaran penting untuk menentukan keputusan klinis; namun penilaian konvensional seperti Glasgow Coma Scale (GCS) bersifat subjektif dan kurang optimal pada pasien terintubasi, sementara Electroencephalography (EEG) multikanal cenderung mahal dan kompleks. Penelitian ini berfokus pada pengembangan tahap awal sistem monitoring kesadaran berbasis EEG satu kanal, yaitu pemrosesan sinyal dan ekstraksi fitur yang representatif sebagai dasar analisis/pemodelan lanjutan. Sinyal EEG direkam menggunakan perangkat EEG satu kanal, kemudian dilakukan pra pemrosesan berupa normalisasi untuk mengurangi pengaruh outlier, segmentasi sinyal, serta pemilahan komponen frekuensi menggunakan Discrete Wavelet Transform (DWT) untuk memperoleh sinyal yang relevan bagi karakteristik kesadaran. Dari sinyal hasil dekomposisi tersebut diekstraksi tiga fitur utama, yaitu Sample Entropy (SampEn), Permutation Entropy (PermEn), dan Mean Absolute Value (MAV). Ketiga fitur ini disusun menjadi vektor/matriks fitur sebagai keluaran sistem yang dapat digunakan untuk tahap klasifikasi atau prediksi pada penelitian selanjutnya. Implementasi sistem disajikan melalui antarmuka berbasis perangkat lunak untuk memudahkan visualisasi sinyal dan proses ekstraksi fitur secara terstruktur. Hasil pengujian menunjukkan bahwa sistem mampu membedakan karakteristik kondisi kesadaran secara efektif. Hal ini ditandai dengan penurunan signifikan nilai rata-rata fitur pada kondisi tidak sadar dibandingkan kondisi sadar, dengan Sample Entropy berkurang dari 0,5684 hingga 0,3853, Permutation Entropy menurun dari 0,5769 ke 0,4987, serta Mean Absolute Value turun dari 0,8212 ke 0,7165. Selain itu, sistem menunjukkan performa efisien dengan rata-rata waktu komputasi 1,9494 detik per segmen, sehingga potensial untuk diterapkan sebagai landasan sistem monitoring kesadaran berbasis fitur objektif.
Implementasi Metode Sliding Window Untuk Peningkatan Perekaman Real-Time Pada Sistem Deteksi Kesadaran Berbasis Sensor Electroencephalography Satu Kanal Nashrullah, Ikbar Razan; Widasari, Edita Rosana; Prasetio, Barlian Henryranu
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pemantauan tingkat kesadaran secara kontinu dan objektif merupakan kebutuhan krusial dalam prosedur medis untuk meminimalkan subjektivitas diagnosis pada pasien dengan gangguan kesadaran. Penelitian ini mengusulkan pengembangan sistem deteksi kesadaran real-time berbasis sinyal Electroencephalography (EEG) satu kanal menggunakan perangkat wearable Muse 2 yang mengintegrasikan metode segmentasi Sliding Window dan algoritma klasifikasi High-Performance Extreme Learning Machine (HPELM). Untuk mengatasi tantangan heterogenitas perangkat antara data latih klinis dan perangkat target, diterapkan teknik pra-pemrosesan komprehensif yang meliputi downsampling, penapisan digital IIR Notch dan FIR Low-pass, serta kalibrasi sinyal lintas-perangkat. Ekstraksi fitur difokuskan pada pita frekuensi Gamma menggunakan Discrete Wavelet Transform (DWT) untuk mendapatkan parameter Mean Absolute Value (MAV), Standard Deviation (SD), dan Power Percentage. Hasil pengujian kinerja sistem menunjukkan stabilitas tinggi, di mana konfigurasi Sliding Window dengan Window Size 10-160 detik dan step size 1 detik menghasilkan latensi komputasi rata-rata maksimal sebesar 27ms. Hal tersebut menunjukkan bahwa sistem mampu mempertahankan integritas real-time dengan waktu deadline latensi sebesar step size-nya, membuktikan bahwa pendekatan yang diusulkan efektif sebagai solusi pemantauan kesadaran yang portabel, responsif, dan andal.
Sistem Deteksi Kesadaran Berbasis EEG Satu Kanal Menggunakan Metode K-Nearest Neighbors (KNN) dengan Fitur Relative Gamma Band Power, Sample Entropy, dan Beta/Theta Ratio Fauzi, Muhammad Aqil; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 3 (2026): Maret 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penilaian tingkat kesadaran pasien di unit perawatan intensif (ICU) penting untuk keputusan klinis, namun penilaian berbasis respons perilaku seperti Glasgow Coma Scale (GCS) dan Coma Recovery Scale-Revised (CRS-R) berpotensi menghasilkan kesalahan diagnosis. Penelitian ini merancang sistem deteksi kesadaran berbasis sinyal EEG satu kanal yang praktis dan hemat biaya menggunakan NeuroSky MindWave Mobile 2 pada posisi elektroda Fp1 dengan laju sampling 512 Hz. Pemrosesan dilakukan di MATLAB melalui antarmuka GUI, meliputi pra-pemrosesan, dekomposisi Discrete Wavelet Transform (DWT), isolasi pita gamma melalui penyaringan 30–45 Hz, serta ekstraksi fitur Relative Gamma Band Power (RGBP), Sample Entropy (SampEn) pita gamma, dan Beta/Theta Ratio (BTR). Klasifikasi kondisi sadar dan tidak sadar dilakukan menggunakan K-Nearest Neighbors (KNN) dengan standardisasi fitur. Evaluasi prototipe dilakukan pada 25 sampel data uji, terdiri atas 20 sampel sadar yang berasal dari empat subjek (masing-masing 5 sampel) serta 5 sampel tidak sadar yang diambil dari satu rekaman pasien Rumah Sakit Saiful Anwar (RSSA) berdurasi 5 menit. Hasil pengujian menunjukkan akurasi 96% dengan satu sampel tidak sadar diprediksi sebagai sadar, serta rata-rata waktu komputasi 0,465 detik per pengujian.
Evaluasi Kinerja Mikrokontroler Low-Power dalam Penerapan Convolutional Neural Network untuk Kendali Lengan Prostetik Bionik Vebrianto, Yudaneru; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Penyandang disabilitas dengan keterbatasan fungsi tangan memerlukan perangkat bantu untuk mendukung aktivitas sehari-hari secara mandiri, salah satunya melalui pengembangan lengan prostetik bionik berbasis sinyal electromyography (EMG). Di Indonesia, prevalensi penyandang disabilitas mencapai sekitar 1,43% dari populasi, dengan 1,17% mengalami gangguan fungsi jari dan tangan, sehingga diperlukan sistem prostetik yang efektif dan adaptif. Sistem kendali prostetik konvensional umumnya masih menghasilkan gerakan yang terbatas dan bersifat statis, sehingga belum mampu merepresentasikan gerakan tangan manusia secara kompleks. Perkembangan metode machine learning, khususnya Convolutional Neural Network (CNN), memungkinkan peningkatan kemampuan kendali, namun implementasinya pada perangkat tertanam menghadapi keterbatasan sumber daya berupa konsumsi daya, waktu komputasi, dan penggunaan memori. Penelitian ini bertujuan mengevaluasi kinerja tiga mikrokontroler low-power, yaitu ESP32-S3, ESP32-S2, dan Arduino Nano 33 BLE Sense, dalam mengimplementasikan model CNN terkuantisasi INT8 untuk sistem kendali lengan prostetik bionik berbasis EMG. Sinyal EMG diperoleh menggunakan sensor OYMotion gForce200 dan diekstraksi menjadi fitur Waveform Length (WL), Mean Absolute Value (MAV), Root Mean Square (RMS), dan Amplitude of the First Burst (AFB). Evaluasi dilakukan berdasarkan konsumsi daya, waktu komputasi, dan penggunaan memori. Hasil pengujian menunjukkan bahwa Arduino Nano 33 BLE Sense memiliki konsumsi daya terendah sebesar 5,07 Wh pada pengujian satu jam, waktu komputasi tercepat sebesar 41 ms dan penggunaan memori (ROM) sebesar 385 KB, sehingga menjadi platform paling efisien.
Augmented haar cascade classifier for real-time ball detection in humanoid robots under dynamic environments Setyawan, Gembong Edhi; Widasari, Edita Rosana; Prasetio, Barlian Henryranu; Umar, Yasa Palaguna; Adipratama, Ivan Rafli
International Journal of Advances in Intelligent Informatics Vol 12, No 1 (2026): February 2026
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/ijain.v12i1.2146

Abstract

This study proposes an Augmented Haar Cascade Classifier (AHCC) to enhance real-time ball detection for humanoid robots operating in dynamic environments. The method integrates Convex Hull mapping, HSV-based segmentation, and Hough Circle validation to overcome challenges such as fluctuating illumination, complex backgrounds, and partial occlusions. Experiments were conducted entirely on a CPU-only Intel NUC platform running ROS without GPU acceleration, using a dataset containing variations in lighting, orientation, scale, and background clutter. Compared with baseline models (standard Haar Cascade Classifier (HCC) and YOLOv5) the proposed AHCC achieved 97% accuracy, 83% recall, 97% precision, and an 89% F1-score, while requiring only 0.00849 s per frame with 8.97% memory usage. Although YOLOv5 reached 99% accuracy, it demanded higher computational resources (0.0344 s per frame, 22.3% memory usage), limiting its practicality for embedded robotic systems. The AHCC therefore offers an optimal balance between detection reliability and computational efficiency, outperforming traditional HCC and providing a lightweight alternative to GPU-dependent detectors such as Tiny-YOLO and MobileNet-SSD.
Implementasi Random Forest Untuk Sistem Deteksi Tingkat Stres Pada Pengemudi Berbasis Sinyal Photoplethysmogram Pramana, Danish Gyan; Widasari, Edita Rosana
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Stres pada pengemudi merupakan salah satu faktor risiko utama kecelakaan lalu lintas karena dapat menurunkan konsentrasi dan kemampuan pengambilan keputusan di jalan raya. Pada penelitian sebelumnya (Fuad, 2024), sistem deteksi tingkat stres berbasis sinyal Photoplethysmogram yang dibuat hanya mengklasifikan dua kondisi stres (Stres dan tidak Stres), serta perangkat yang dikembangkan belum bersifat wearable sehingga membatasi penggunaan secara praktis bagi pengemudi. Penelitian ini mengusulkan pengembangan sistem wearable deteksi tingkat stres pengemudi secara real-time berbasis sinyal Photoplethysmogram (PPG) yang mampu mengklasifikasikan tiga tingkat stres, yaitu rendah, sedang, dan tinggi. Sistem ini menggunakan sensor MAX30102 untuk mengambil data fisiologis yang kemudian diekstraksi menjadi fitur Heart Rate Variability (HRV), yaitu Root Mean Square of Successive Differences (RMSSD) dan Standard Deviation of NN Intervals (SDNN). Algoritma Random Forest diimplementasikan untuk mengklasifikasikan kondisi tersebut. Hasil pengujian menunjukkan bahwa sensor MAX30102 memiliki tingkat kesesuaian pembacaan detak jantung yang tinggi jika dibandingkan dengan perangkat standar medis, sehingga sistem layak digunakan. Evaluasi performa sistem menunjukkan tingkat akurasi sebesar 100% dalam mengklasifikasikan tingkat stres. Selain itu, pengujian waktu komputasi menunjukkan bahwa sistem mampu memproses data secara efisien dengan rata-rata waktu 8,9 ms, sehingga layak digunakan untuk aplikasi real-time.
Co-Authors adani, M. Syakhisk N. Adipratama, Ivan Rafli Agung Setia Budi, Agung Setia Aji, Eko Prastowo Akbar, Rizky Alhamid, Faticha Kamila Aryawidyawan, Mochammad Farrel Audrian, Nathaniel Azizy, Faqih Barlian Henryranu Prasetio Bhanu Shidqianto, Naufal Butarbutar, Erlinda Chatarina Umbul Wahyuni Daffa, Ali Zhafran Dahnial Syauqy Dananjaya, Andreas Wirawan Daniswara, Muhammad Ananta Dewa, Muklas Isa Eko Setiawan Fabiana, Ryzaldi Ananda Faiqoh, Rifdah Fauzi, Muhammad Aqil Fuad, Alifa Azwadina Gabriel Hizkia Marhata Simbolon Gembong Edhi Setyawan Ghifari, Achmad Giffary, Muhammad Zufar Hakim, Muhammad Ilham Hanafi, Muhammad Imam Hanifa Maulani Ramadhan Hurriyatul Fitriyah, Hurriyatul IKA NURFARIDA J'Verron, Shadam Ksatria, Fatih Raka Kurnia, Yudisthira Dwi Muhammad Fahrizal, Muhammad Musharrif, Mohammad Faiz Nashrullah, Ikbar Razan Nugraha, Aldia Agri Palwa Luktagara, Abim Renara Perkasa, Septiyo Budi Prakoso, Raihan Pramana, Danish Gyan Prasetyo, Ragil Hadi Ratanasari, Dittha Rava Athalla, Muhammad Rizal Maulana, Rizal Rohman, Zahra Auliaul Rohmandzoni, Achmad Santoso, Teguh Surya Darma Saputra, Naufal Rijaldi Shabiyya, Syifa’ Hukma Simbolon, Gabriel Hizkia Marhata Surya Darma Santoso, Teguh Syahrul Chilmi, Syahrul syauqi Toar, Mikhael Ryan Trido, Pradytia Vebrianto, Yudaneru Yasa Palaguna Umar, Yasa Palaguna Yunus, Ahmad Haykal