Article Per Year (5 Year)
p-Index From 2021 - 2026
14.98
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Lontar Komputer: Jurnal Ilmiah Teknologi Informasi Jurnal INKOM TELKOMNIKA (Telecommunication Computing Electronics and Control) Bulletin of Electrical Engineering and Informatics Jurnal technoscientia Jurnal Mahasiswa TEUB Jurnal Teknologi Informasi dan Ilmu Komputer Register: Jurnal Ilmiah Teknologi Sistem Informasi Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control IJID (International Journal on Informatics for Development) Indonesian Journal of Electrical Engineering and Computer Science JURNAL TEKNOLOGI TECHNOSCIENTIA Jurnal Teknik Informatika (JUTIF) Mechanical Engineering for Society and Industry
Utaminingrum, Fitri
Fakultas Ilmu Komputer, Universitas Brawijaya
Aerospace Engineering Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Earth & Planetary Sciences Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Transportation

Published : 193 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 193 Documents
Search

 15   16   17   18   19 
Rancang Bangun Sistem Klasifikasi Sampah Menggunakan YOLOV8 Berbasis Raspberry Pi 4 Fernando, Leo Luis; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 6 (2024): Juni 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Umumnya terdapat satu atau lebih tempat sampah yang kita temui sehari – hari. Banyaknya tempat dan jenis sampah yang berbeda menyebabkan orang akan mengalami kebingungan dalam menempatkan sampah sesuai dengan tempatnya. Maka dari itu solusi yang ditawarkan adalah sebuah tempat sampah yang dapat memisah sampah sebanyak 4 kelas yaitu sampah organik, anorganik, B3, dan residu. Klasifikasi dilakukan secara otomatis dan real time menggunakan metode deep learning. Arsitektur deep learning yang digunakan adalah YOLO versi kedelapan yang memberikan performa dan akurasi yang lebih baik dibanding pendahulunya yaitu YOLOv5. Dengan komputer mini raspberry pi 4, motor servo, dan kamera raspberry, klasifikasi sampah dapat dilakukan secara real time dan otomatis. Penelitian dimulai dengan pengumpulan dataset melalui internet yang kemudian diaugmentasi dan dipisah menjadi 2 data yaitu: train dan test. Hasil evaluasi dan analisis mendapati versi terbaik untuk sistem klasifikasi sampah yang dirancang adalah YOLOv8n dengan rata – rata akurasi deteksi sebesar 94% dan akurasi integrasi sistem sebesar 75% serta waktu komputasi selama 0.69 detik dari 16 kali pengujian dan unggul dari versi lainnya. Dengan akurasi yang tinggi penelitian dikatakan berhasil dengan kekurangan integrasi sistem yang rendah yang disebabkan sampah yang bervariasi.
Sistem Pendeteksi Kekerasan di Ruang Publik Menggunakan Metode 3D Convolutional Neural Network Fikri, Aqil Dzakwanul; Utaminingrum, Fitri; Setyawan, Gembong Edhi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 8 (2024): Agustus 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Keamanan publik bertujuan untuk menjamin ketertiban di masyarakat dan melindungi pelayanan publik, pengayoman masyarakat, serta penegakan hukum guna mencapai keamanan nasional. Meskipun ruang publik menjadi tempat berbagai aktivitas, seringkali terjadi pelanggaran keamanan seperti kekerasan fisik, perkelahian, dan pengoroyokan. Penggunaan kamera CCTV konvesional umumnya menjadi solusi dari masalah tersebut, namun efektivitasnya terbatas karena masih memerlukan pengawasan manusia secara kontinu. Oleh karena itu, diperlukan sistem otomatis deteksi kekerasan untuk meningkatkan efektivitas tanpa perlu pengawasan manusia secara terus-menerus. Pada penelitian ini diusulkan sebuah sistem kamera pengawas berbasis Jetson nano dengan kamera Webcam yang menggunakan algoritme 3D CNN (Convolutional Neural Network) di dalamnya yang dapat mengektraksi fitur spatial dan temporal sehingga dapat mendeteksi kekerasan dari sebuah video secara terus-menerus. Dari penelitian ini didapatkan akurasi model 90% pada fase training dan sistem yang dibuat dapat melakukan deteksi secara optimal dengan jarak 2 sampai 5 meter berdasarkan pengujian pada penelitian ini.
Swin transformer adaptation into YOLOv7 for road damage detection Irsal, Riyandi Banovbi Putera; Utaminingrum, Fitri; Ogata, Kohichi
Bulletin of Electrical Engineering and Informatics Vol 13, No 4: August 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/eei.v13i4.7556

Abstract

Highways are an important component of any country. However, some highways in Indonesia endanger users while maintaining road safety. Crack detection early in the deterioration process can prevent further damage and lower maintenance costs. A recent study sought to develop a method for detecting road damage by combining the road damage detection (RDD) dataset with generative adversarial network technology and data augmentation to improve training. The current study aims to broaden the you only look once (YOLO) framework by incorporating the Swin Transformer into the chiral stationary phases (CSP) component of YOLOv7, with the goal of improving object detection accuracy in a variety of visual scenarios. The study compares the performance of various object detection models with varying parameters and configurations, such as YOLOv5l, YOLOv6l, YOLOv7-tiny, YOLOv7, and YOLOv7x. YOLOv5l has 46 million parameters and 108 billion floating point operations per second (FLOPS), whereas YOLOv6l has 59.5 million parameters and 150 billion FLOPS. With 31 million parameters and 140 billion FLOPS, the YOLOv7-swin model performs best with mean average precision (mAP), mAP_0.50 of 0.47. and mAP_0.5:0.95 of 0.232. The experimental results show that our YOLOv7-swin model outperforms both YOLOv7x and YOLOv7-tiny. The proposed model significantly improves object detection accuracy while keeping complexity and performance in balance.
Analisis Pengaruh Ekstraksi Fitur Suara Bernoise Pada Kinerja Model Deep Learning Untuk Kendali Smart Wheelchair Vikorian, Eldad; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 10 (2024): Oktober 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Dari data yang diterbitkan oleh (Kementerian Koordinator Bidang Pembangunan Manusia Dan Kebudayaan, 2023) mencatat terdapat sekitar 22,97 juta penyandang disabilitas, jumlah tersebut merupakan sekitar 8,5% dari populasi penduduk secara keseluruhan. Dari bermacam jenis disabilitas, disabilitas fisik paling sering dijumpai, penyandang disabilitas fisik seperti kehilangan fungsi pada kaki seringkali mengalami kesulitan dalam melakukan mobilisasi karena kehilangan salah satu fungsi anggota gerak tubuh. Untuk membantu mobilitas sehari-hari kursi roda telah menjadi alat bantu bagi individu yang mengalami keterbatasan gerak. Akan tetapi, di era modern seperti saat ini, kursi roda dituntut untuk semakin pintar dan responsif sehingga dapat menjadikan penggunanya lebih mandiri dalam mengoperasikannya. Oleh karena itu, penulis mengusulkan penelitian dengan metode analisis untuk mengetahui pengaruh antara kombinasi ekstraksi fitur (MFCC, GFCC, BFCC, dan LPCC) dengan arsitektur model (Transformer, ResNet50V2, dan U-Net) pada smart wheelchair. Penelitian ini bersifat non implementatif (analisis) difokuskan pada pelatihan model dan analisis uji statistik menggunakan metode ANOVA. Hasil menunjukkan bahwa kombinasi U-Net dan GFCC menghasilkan akurasi tertinggi, mencapai 98% pada data uji. Uji ANOVA mengindikasikan bahwa kombinasi arsitektur model dan ekstraksi fitur mempengaruhi akurasi secara signifikan, dengan nilai F rows (model) dan F columns (fitur) lebih besar dari nilai kritisnya, menunjukkan pengaruh signifikan dalam klasifikasi suara.
Implementasi Metode Kalman Filter Dan Model YOLOv8n Untuk Fitur Human-Following Pada Kursi Roda Pintar Rizky Yuztiawan, Fachrie; Fitri Utaminingrum
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 1 (2025): Januari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kursi roda telah lama menjadi solusi bagi penyandang disabilitas dengan keterbatasan mobilitas untuk mendukung aktivitas sehari-hari. Pada kasus disabilitas fisik ganda, kursi roda seringkali membutuhkan bantuan pemandu. Pengoperasian kursi roda konvensional atau elektrik berbasis joystick memiliki kekurangan, seperti kursi roda konvensional yang membutuhkan tenaga pendorong, dan kursi roda elektrik yang hanya mengandalkan joystick sehingga masih sulit dioperasikan oleh beberapa penyandang disabilitas ganda. Dengan perkembangan teknologi, banyak opsi dalam mengembangkan kursi roda pintar dengan berbagai fitur, salah satunya adalah fitur yang memungkinkan kursi roda mengikuti arah gerak pemandu. Penelitian ini mengembangkan fitur tersebut menggunakan model computer vision YOLOv8n dan algoritma Kalman Filter pada kondisi cahaya normal (100-400 lux). Sebanyak 939 gambar objek manusia dikumpulkan sebagai dataset dan dilakukan proses pre-trained YOLOv8N. Hasil pre-trained menunjukkan model terbaik pada epoch ke-90 dengan parameter confusion matrix data testing memiliki akurasi 0.9619, presisi 1.00, recall 0.9619, dan F1-Score 0,9805. Model ini kemudian diintegrasikan pada sistem deteksi objek menggunakan YOLOv8n dan algoritma kalman filter pada lingkungan dengan banyak objek dan pencahayaan normal, mendapatkan akurasi keseluruhan sekitar 91.66% Waktu proses komputasi rata-rata untuk tiap objek yang dideteksi per frame adalah 0,095485052 detik.
Deteksi Pergerakan Kepala Menggunakan Kombinasi YOLOv8N dan GhostNet untuk Navigasi Kursi Roda Pintar Rahmawati, Athirah Naura; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Menurut data dari World Health Organization (WHO), sekitar 1,3 miliar individu di dunia menghadapi disabilitas berat, termasuk keterbatasan fisik yang membutuhkan kursi roda untuk mobilitas. Namun, penggunaan kursi roda konvensional dan elektrik masih memerlukan bantuan orang lain, sehingga mengurangi kemandirian pengguna. Kursi roda pintar berbasis navigasi pergerakan kepala merupakan solusi inovatif untuk meningkatkan kemandirian dengan biaya lebih terjangkau memanfaatkan Jetson Nano. Sistem ini menggabungkan YOLOv8N untuk deteksi objek secara real-time dan GhostNet untuk mengurangi beban komputasi dan memori. Sistem mendeteksi empat gerakan kepala yaitu menunduk, menatap ke depan, miring ke kiri, dan kanan, yang diterjemahkan menjadi perintah navigasi seperti berhenti, maju, belok kiri, atau kanan. Model YOLOv8N-GhostNet mencapai mAP50-95 sebesar 91,8% pada epoch ke-97, dengan nilai mAP50 mencapai 99,4%. Model ini lebih efisien dibandingkan YOLOv8N standar, dengan parameter 1,71 juta, ukuran model 3,7 MB, dan inferensi 53,2 ms per gambar, serta rata-rata akurasi navigasi 90%. Kursi roda pintar ini memberikan kinerja optimal dengan efisiensi memori dan komputasi yang tinggi, akurasi andal, serta harga terjangkau bagi penyandang disabilitas.
Penerapan Modul Ghost dan SimAM pada Sistem Guide Following Kursi Roda Pintar Berbasis YOLOv8N Jawahir, Asma Kamilah Nur; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kursi roda merupakan salah satu alat bantu mobilisasi bagi penyandang disabilitas untuk dapat beraktivitas yang sebelumnya tidak mungkin dilakukan sehingga memberi mereka rasa kebebasan dan kemandirian. Namun, kursi roda manual mengharuskan pengguna atau orang lain untuk mengoperasikannya dengan tenaga yang besar. Apabila aktivitas tersebut dilakukan terus menerus dapat meningkatkan resiko gangguan muskuloskeletal. Kursi roda pintar telah banyak berkembang untuk meningkatkan mobilisasi penggunanya. Salah satunya dengan mendeteksi posisi asisten penyandang disabilitas yang ada di depan kursi roda. Algoritma deteksi objek, YOLOv8, menawarkan peforma yang baik untuk deteksi secara real-time. Namun, algoritma tersebut memerlukan sumber daya komputasi yang besar. Penelitian ini akan menerapkan modul ghost dan SimAM pada arsitektur YOLOv8n untuk mengurangi kompleksitas model dan mempertahankan akurasi. Dari hasil pelatihan model tersebut didapatkan nilai mAP50 sebesar 0,995 dan nilai mAP50-95 sebesar 0,864 dengan parameter berkurang menjadi 1,7 juta parameter. Kemudian pada integrasi model dengan kursi roda, didapatkan akurasi sebesar 95%. Hal ini menunjukkan bahwa kursi roda pintar dapat bergerak sesuai hasil deteksi posisi pemandu dengan baik.
Deteksi Arah Pergerakan Kepala untuk Navigasi pada Kursi Roda Pintar Menggunakan Kombinasi Metode Berbasis YOLOv8N Mufita, Aulia Riza; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kursi roda merupakan alat bantu yang sangat penting bagi penyandang disabilitas fisik, terutama individu yang memiliki keterbatasan pada fungsi gerak. Namun, kursi roda konvensional yang memerlukan pengoperasian manual tidak memadai bagi individu dengan disabilitas fisik ganda, seperti disfungsi tangan dan kaki. Padahal, jumlah penyandang disabilitas di Indonesia yang kesulitan atau tidak dapat menggunakan anggota gerak kaki mencapai ±7.318.167 orang, sementara ±2.976.763 juta lainnya memiliki keterbatasan pada tangan. Oleh karena itu, penelitian ini mengembangkan kursi roda pintar berbasis teknologi computer vision yang menggunakan model YOLOv8N dengan kombinasi modul GhostNet dan Slim-Neck sebagai sistem navigasi. Penggunaan Jetson Nano 4GB sebagai prosesor utama juga dipilih untuk menekan biaya produksi sehingga menghasilkan perangkat yang lebih ekonomis tanpa mengorbankan kinerja. Pengujian menunjukkan bahwa kombinasi model tersebut dapat mencapai mAP50 sebesar 99,4% dan mAP50-95 sebesar 89%, dengan efisiensi komputasi GFLOPs sebesar 3,4 dan waktu deteksi hanya 68,05 ms menggunakan CUDA. Model tersebut juga memiliki beban yang ringan dengan parameter hanya sebesar 1.549.980 dan ukuran model sebesar 3,6MB. Sistem navigasi ini berhasil terintegrasi dengan motor pada kursi roda pintar dengan nilai akurasi keseluruhan sistem yang cukup tinggi, yaitu mencapai 90%.
Sistem Kendali Pengikut Terarah Smart Wheelchair pada Pencahayaan Beragam Menggunakan Gamma Correction dan YOLOv8n Termodifikasi Larasati, Anindya Zulva; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 2 (2025): Februari 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kursi roda merupakan salah satu alat bantu utama bagi penyandang disabilitas. Namun, penggunaan kursi roda dalam waktu yang lama dapat meningkatkan risiko kelelahan akibat tingginya upaya fisik yang diperlukan. Kursi roda yang ada saat ini memiliki keterbatasan dalam memenuhi kebutuhan pengguna dengan disabilitas ganda atau tunanetra karena mereka diharuskan untuk tetap memperhatikan lingkungan sekitar selama penggunaannya. Kursi roda yang mampu mendeteksi dan mengikuti pemandu dapat menjadi solusi inovatif. Namun, kinerja sistem yang mengandalkan deteksi visual sangat bergantung pada kondisi pencahayaan di lingkungan sekitarnya. Penelitian ini mengembangkan kursi roda pintar yang dilengkapi dengan gamma correction untuk meningkatkan visibilitas pada pencahayaan rendah, serta menggunakan YOLOv8n yang dimodifikasi dengan GhostNetv2 agar efisien di perangkat dengan komputasi terbatas seperti Jetson Nano. Hasil pengujian menunjukkan bahwa model YOLOv8n termodifikasi ini menurunkan parameter sebesar 42,9% dan mengompresi ukuran model hingga 39,2% dibandingkan dengan YOLOv8n baseline. Selain itu, sistem ini mendapatkan recall deteksi terhadap pemandu sebesar 91,8% secara keseluruhan. Pada pencahayaan normal, recall deteksi mencapai 100%, baik dengan maupun tanpa penggunaan gamma correction. Sementara itu, pada pencahayaan rendah, recall deteksi tercatat sebesar 90% saat menggunakan gamma correction dan 77,5% tanpa gamma correction.
Sistem Tracking Pemandu dalam Kondisi Pencahayaan Beragam pada Smart Wheelchair Menggunakan Metode CLAHE dan YOLOv10N Tsani, Farid Nafis; Utaminingrum, Fitri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 3 (2025): Maret 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kesetaraan dan inklusi bagi penyandang disabilitas, termasuk pengguna kursi roda, memerlukan aksesibilitas untuk mengurangi hambatan mobilitas. Kursi roda manual sering membutuhkan bantuan, terutama bagi lansia atau individu dengan keterbatasan fisik, sementara kursi roda elektrik konvensional belum mendukung navigasi bersama pemandu. Penelitian ini mengembangkan kursi roda pintar berbasis computer vision yang dapat mengikuti pemandu secara otomatis menggunakan YOLOv10n dan Nvidia Jetson Nano. Sistem dirancang untuk mendeteksi pemandu di berbagai kondisi pencahayaan, termasuk pencahayaan rendah (<100 lux), dengan peningkatan kualitas citra melalui metode CLAHE. Model dilatih menggunakan dataset 829 gambar manusia dan pre-trained weights, menghasilkan mAP50 99,3%, mAP50-95 94,3%, precision 0,9898, recall 0,9831, dan F1-score 0,9862 pada epoch ke-83. Pengujian menunjukkan akurasi deteksi pemandu 100% pada pencahayaan normal dan 93,75% pada pencahayaan rendah dengan CLAHE. Waktu komputasi per frame adalah 0,08212 detik (CLAHE) dan 0,06774 detik (tanpa CLAHE), memastikan proses real-time. Akurasi rata-rata sistem mencapai 96,88%, menunjukkan keandalan dan efisiensi untuk navigasi berbasis kursi roda pintar. Hasil ini membuktikan bahwa sistem berbasis citra digital, YOLOv10n, dan Nvidia Jetson Nano mampu memberikan solusi efektif dalam mendukung mobilitas penyandang disabilitas.Kata Kunci: Citra Digital, Deteksi Objek, CLAHE, Kursi Roda Pintar, Nvidia Jetson Nano, Computer Vision, YOLOv10n
Co-Authors Abadi, Dendy Satria Abiyyu Herwanto Achmad Dinda Basofi Sudirman Achmad Jafar Al Kadafi Adam Ibrahim, Muhammad Adharul Muttaqin Adinugroho, Sigit Aditia Reza Nugraha Afdy Clinton Afrizal Rivaldi, Afrizal Agung Setia Budi Agung Setia Budi Agung Setia Budi, Agung Setia Agus Wahyu Widodo Ahmad Wali Satria Bahari Johan Ahmad Wildan Farras Mumtaz Ainandafiq Muhammad Alqadri Akbar Dicky Purwanto Akbar Wira Bramantya Akbar, Muhammad Danar Al Amin, Nisrina Fairuz Hafizhah Al Huda, Fais Alfan Rafi&#039;uddin Ardhani Alfianto Palebangan Alhamdi, Achmad Fahri Aliffandi Purnama Putra Alrynto Alrynto Alvin Evaldo Darmawan Amalia Septi Mulyani Amaliah, Ichlasuning Diah Andika Bayhaki Al Rasyid Syah Andika Kalvin Simarmata Andrika Wahyu Wicaksono Anugrah Zeputra Arthur Ahmad Fauzi Asep Ranta Munajat Asfar Triyadi Audrey Athallah Asyam Fauzan Aufa Nizar Faiz Auliya Firdaus Awalina, Aisyah Bagas Nur Rahman Bagus Septian Aditya Wijayanto Barlian Henryranu Prasetio Beryl Labique Ahmadie Blessius Sheldo Putra Laksono Budi Atmoko Burhan, M.Shochibul Cahyo, Muhammad Pandu Dwi Candra, Alvin Choirul Huda Constantius Leonardo Pratama Dahnial Syauqy Danudoro, Kevin Daris Muhammad Yafi Desy Marinda Oktavia Sitinjak Dewi Amalia Dharmatirta, Brian Aditya Dimas Rizqi Firmansyah Dony Satrio Wibowo Duwi Purnama Sidik Dzakwan Daffa Ramdhana Eko Sakti Pramukantoro, Eko Sakti Eko Setiawan Eko Setiawan Enny Trisnawati, Enny Ervin Yohannes Ester Nadya Fiorentina Lumban Gaol Faris Chandra Febrianto Farrassy, Muhtady Fatwa Ramdani, Fatwa Fernando, Leo Luis Figo Ramadhan Hendri Fikri, Aqil Dzakwanul Fitra Abdurrachman Bachtiar Fitrahadi Surya Dharma Fitria Indriani Fitriyah, Hurriyatul Fitriyani, Rahma Nur Gabe Siringoringo Gagana Ghifary Ilham Gembong Edhi Setyawan Guruh Adi Purnomo Haikal, M. Fikri Hassadiqin, Hasbi Hendry Y. Nanlohy Herman Tolle Hernanda Agung Saputra Hilman Syihan Ghifari Hilmy Bahy Hakim Hisdianton, Oktavian Huda Ahmad Hidayatullah Hurmuzi, Abdan Idza Hurriyatul Fitriyah Ichsan Ali Rachimi Ida Yusnilawati Ikhsan Rahmad Ilham Imam Cholissodin Imam Faris Intan Fatmawati Irnayanti Dwi Kusuma Irsal, Riyandi Banovbi Putera Issa Arwani Jawahir, Asma Kamilah Nur Joan Chandra Kustijono Juniman Arief Kabisat, Aldiansyah Satrio Kelvin Himawan Eka Maulana Kezia Amelia Putri Kirana Sekar Ayu Kohichi Ogata, Kohichi Krisna Pinasthika Lailil Muflikhah Laksono Trisnantoro Laksono, Blessius Sheldo Putra Larasati, Anindya Zulva Leina Alimi Zain Lilo Nofrizal Akbar Linda Silvya Putri Lita Nur Fitriani LUTHFATUN NISA M. Ali Fauzi M. Fiqhi Hidayatulah M.Shochibul Burhan Marianingsih, susi Marsha Nur Shafira Masyita Lionirahmada Maulana Yusuf Meidiana Adinda Prasanty Mela Tri Audina Misran Misran Mochammad Bustanul Ilmi Mochammad Hannats Hanafi Ichsan Mohammad Andy Purwanto Mohammad Isya Alfian Mohammad Sezar Nusti Ilhami Muchlas Muchlas Mufita, Aulia Riza Muhadzdzib, Naufal Muhamad Fauzan Alfiandi Muhammad Amin Nurdin Muhammad Arga Farrel Arkaan Muhammad Fadhel Haidar Muhammad Hafid Khoirul Muhammad Ibrahim Kumail Muhammad Nazrenda Ramadhan Muhammad Rafi Zaman Muhammad Raihan Wardana Budiarto Muhammad Rizky Rais Muhammad Tri Buwana Zulfikar Ardi Muhammad Wafi Muzammilatul Jamiilah Nico Dian Nugraha Niko Aji Nugroho Noza Trisnasari Alqoria Nugraheny Wahyu Try Nyoman Kresna Aditya Wiraatmaja Olivia Rumiris Sitanggang Onky Soerya Nugroho Utomo Paulus Ojak Parasian Permana, Frihandhika Pratama, Aimar Abimayu Pratama, Wildan Bagus Priyanpadma, Sulthon Purboningrum, Fadhila Putera, Muhammad Reza Dahri Putra Pandu Adikara Putra, Firnanda Al Islama Achyunda Putra, Reza Qonita Luthfiyani Qurrotul A&#039;yun Rachmad Jibril Al Kautsar Rahma Tiara Puteri Rahmatul Bijak Nur Kholis Rahmawati, Athirah Naura Rakhmadina Noviyanti, Rakhmadina Ramadhani, Roihaan Randy Cahya Wihandika Randy Cahya Wihandika Rekyan Regasari Mardi Putri, Rekyan Regasari Mardi Renaldi Primaswara Praetya Renita Leluxy Sofiana Rhaka Gemilang Sentosa Ringga Aulia Primahayu Riyandi Banovbi Putera Irsal Rizal Maulana Rizal Maulana, Rizal Rizdania, Rizdania Rizka Husnun Zakiyyah Rizky Haris Risaldi Rizky Teguh Nursetyawan Rizky Yuztiawan, Fachrie Robbani, Ihwanudien Hasan Rochmawanti, Ovy Samuel Andika Sasongko, Listyawan Dwi Shaleh, Achmad Rizqi Ilham Shih, Timothy K. Sigit Adinugroho Simangunsong, Bryan Nicholas Josephin Hotlando Siswanti Slamet Arifmawan Sri Mayena Surga, Itsar Irsyada Syahrul Yoga Pradana Syaifuddin, Tio Tiara Sri Mulati Tibyani Tibyani Tibyani Tobias Sion Julian Tsani, Farid Nafis Versa Christian Wijaya Vikorian, Eldad Virza Audy Ervanda Wahyu Adi Prijono Wayan Firdaus Mahmudy Widasari, Edita Rosana Wijaya Kurniawan Wijaya, Waskitha William Hutamaputra Willy Andika Putra Wisik Dewa Maulana Yazid Basthomi Yoke Kusuma Arbawa Yongki Pratama Yuita Arum Sari Yuita Arum Sari Yuita Arum Sari Zamaliq Zamaliq Zhuliand Rachman Zulfina Kharisma Frimananda