Article Per Year (5 Year)
p-Index From 2020 - 2025
3.768
P-Index
This Author published in this journals
All Journal Jurnal Sosioteknologi Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Journal of Computer Science and Informatics Engineering (J-Cosine) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) BERNAS: Jurnal Pengabdian Kepada Masyarakat Jurnal Teknik Informatika (JUTIF) Charity : Jurnal Pengabdian Masyarakat KLIK: Kajian Ilmiah Informatika dan Komputer Prosiding Konferensi Nasional PKM-CSR eProceedings of Engineering
Anisa Herdiani
Telkom University
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Mathematics Neuroscience Nursing Public Health Social Sciences Veterinary Other

Published : 65 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 65 Documents
Search

 1   2   3   4   5 
Pemanfaatan Ontologi Dengan Paradigma Pembangunan Combined Hierarchy Dalam Pengukuran Indeks Kebahagiaan Masyarakat Kota Bandung Anisa Herdiani; Nungki Selviandro; Muhammad Faris Adri Azka
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Pemerintah kota Bandung saat ini sedang mengembangkan sebuah sistem untuk mengukur indeks kebahagiaan masyarakatnya. Pengukuran indeks kebahagiaan tersebut menggunakan parameter-parameter tertentu yang disesuaikan dengan hal-hal yang dapat membuat masyarakat Bandung menjadi bahagia. Sering kali orang- orang menyampaikan apa yang ada di pikirannya melalui sosial media. Penelitian ini mengusulkan sistem untuk mengukur indeks kebahagiaan tersebut menggunakan data yang ada di media sosial kemudian dilakukan perhitungan sesuai dengan parameter-parameter yang ada. Penelitian ini akan terbagi atas beberapa tahap. Tahap pertama adalah melakukan crawling data dari media social twitter dengan pembatasan area crawling hanya dari kota Bandung. Tahap kedua adalah melakukan proses text processing untuk mendapatkan data tweet yang bersih. Tahap ketiga adalah melakukan pembuatan ontologi yang dijadikan dasar klasifikasi data tweet berdasarkan parameter-parameter indeks kebahagiaan. Tahap keempat adalah mengklasifikasikan tweet dengan menggunakan ontologi yang telah dibuat pada tahap sebelumnya. Tahap kelima adalah klasifikasi sentimen dari data hasil klasifikasi ontologi yang telah dilakukan. Tahap terakhir adalah menghitung indeks kebagagiaan dari hasil klasifikasi sentimen. Keluaran dari penelitian ini adalah nilai indeks kebahagiaan masyarakat kota Bandung. Indeks kebahagiaan yang didapatkan pada penelitian ini adalah sebesar 58%. Hasil dari penelitian ini dapat digunakan sebagai alternatif perhitungan indeks kebahagiaan Kota Bandung disamping perhitungan indeks kebahagiaan secara manual. Kata kunci : Indeks Kebahagiaan, Ontologi, Analisis Sentimen, Twitter
Implementasi Mesin Pencarian Berbasis Ontologi Pada Twitter Untuk Membantu Pengukuran Happiness Index Kota Bandung Muhammad Arifino Setyawan; Anisa Herdiani; Nungki Selviandro
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Media sosial merupakan tren teknologi yang terus meningkat dalam beberapa tahun terakhir. Seiring dengan peningkatan penggunanya, semakin banyak pengguna yang menyalurkan opininya melalui media sosial. Opini masyarakat merupakan salah satu hal yang bisa digunakan untuk menjadi input dari pengukuran happiness index. Happiness index merupakan suatu nilai yang dapat menggambarkan tingkat kesejahteraan masyarakat suatu wilayah. Namun untuk mengukur happiness index dibutuhkan data yang banyak, sehingga diperlukan suatu sistem yang dapat mengumpulkan data dari media sosial. Search engine merupakan salah satu cara yang bisa digunakan untuk mengumpulkan data, namun karena domain pencarian yang spesifik, penggunaan search engine biasa yang berbasis keyword dianggap kurang efisien sehingga diperlukan search engine yang dapat mencari data berdasarkan suatu domain yang spesifik. Penggunaan ontologi dalam pencarian dapat menangani masalah tersebut. Ontologi merupakan salah satu cara merepresentasikan pengetahuan, dengan bermula dari domain happiness index dapat dibangun sebuah ontologi yang dapat merepresentasikan happiness index. Paradigma top-down dan metodologi Noy McGuinness digunakan dalam konstruksi ontologi. Dalam melakukan penilaian dengan ontologi, metode dari Ehrig akan dipilih karena karakteristik data yang memiliki kemiripan dengan data yang akan diperoleh dari media sosial. Kemudian data tersebut akan diklasifikasi menggunakan metode klasifikasi berbasis kedalaman ontologi. Pada penelitian ini akan diuji performa search engine yang menggunakan ontologi menggunakan komputasi Ehrig dan klasifikasi menggunakan ontologi. Berdasarkan hasil pengujian yang dilakukan, diperoleh hasil yang memuaskan dengan nilai F1-Measire 86% untuk penilaian data berdasarkan ontologi dan hasil yang mencapai 84% dan 100%, untuk perbandingan relevansi hasil pencarian dibandingkan dengan search engine tanpa ontologi. Untuk klasifikasi diperoleh nilai accuracy mencapai 81% yang cukup baik untuk metode klasifikasi yang diusulkan. Kata kunci: happiness index, media sosial, ontologi, search engine, klasifikasi
Analisis Klasifikasi Sentimen Level Aspek Menggunakan Pendekatan Pembelajaran Supervised Trysha Cintantya Dewi; Warih Maharani; Anisa Herdiani
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Peningkatan transaksi pada e-commerce terlihat dari maraknya pelaku pasar dalam proses jual beli menggunakan media online. Konsumen bebas dalam memberikan opini suatu produk dapat digunakan oleh konsumen lain dalam membuat keputusan dalam pembelian suatu produk tersebut. Jumlah ulasan yang banyak dan penggunaan bahasa yang tidak sesuai kaidah standar akan menyulitkan konsumen dalam penarikan kesimpulan ulasan pada suatu produk. Pembangkitan ringkasan review produk dengan menentukan orientasi opini positif atau negatif pada fitur produk dapat membantu proses pembacaan suatu ulasan produk. Terdapat dua tahap sebelum memasuki tahap pembangkitan ringkasan. Pertama, ekstraksi aspek dan opini yaitu aspek suatu produk yang didapatkan melalui teknik knowledge pattern. Kemudian penentuan sentimen pada setiap opini produk menggunakan pendekatan supervised learning dengan melabelkan pada fitur untuk klasifikasi sebuah aspek produk. Satu kalimat ulasan dapat memiliki satu atau lebih aspek produk, sehingga pemilihan level aspek pada penentuan sentimen dilakukan agar sentimen positif atau negatif diperoleh berdasarkan aspek. Peringkasan ulasan produk pada setiap fiturnya akan diringkas secara ekstraktif dengan menampilkan fitur produk dengan orientasinya yang dipisahkan antara positif dengan negatif. Penambahan pada aturan pattern knowledge hasil dari eksperimen dan pengamatan pada aspek yang belum terekstrak secara konsisten dapat menambah identifikasi aspek pada opini produk. Ekstraksi yang belum sempurna karena pattern knowledge yang belum menguasai penggunaan bahasa dengan kaidah standar yang tidak sesuai. Hal tersebut dibantu dengan klasifikasi orientasi opini menggunakan pendekatan pembelajaran supervised yang menggunakan tahap belajar pada aspek yang teridentifikasi. Hasil dari penelitian tugas akhir ini didapatkan penambahan aturan pada teknik pattern knowledge yang mampu secara konsisten mengidentifikasi aspek produk yang lebih baik dibandingkan dengan aturan sebelumnya. Kemudian klasifikasi menggunakan pendekatan pembelajaran supervised dapat membantu dengan baik orientasi opini dengan model yang telah dibangung dari hasil ekstraksi aspek dan opini yg dilakukan. Kata Kunci: review produk, knowledge pattern technique, analisis sentimen, supervised learning, peringkasan opini.
Analisis Dan Implementasi Algoritma Agglomerative Hierarchical Clustering Untuk Deteksi Komunitas Pada Media Sosial Facebook Intan Widya Rahayu; Imelda Atastina; Anisa Herdiani
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

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

Abstract

Deteksi komunitas merupakan proses pencarian dan identifikasi komunitas dalam suatu jaringan, salah satunya pada jaringan sosial. Terdapat dua karakteristik data dalam mendeteksi komunitas yaitu hubungan antar individu dan kesamaan (similarity) antar individu. Algoritma deteksi komunitas biasanya hanya berfokus pada salah satu karakteristiknya saja. Pada penelitian ini penulis membahas pembentukan komunitas menggunakan algoritma Agglomerative Hierarchical Clustering (AHC) berbasis enhanced similarity pada data Facebook, yang mana merupakan algoritma yang secara berturut-turut memodelkan pengelompokan yang menggunakan nilai threshold sebagai alat pengelompokkan, dua simpul yang memiliki nilai similarity lebih besar dibandingkan nilai threshold maka akan dijadikan satu komunitas dengan memperhitungkan hubungan yang dimiliki simpul. Dalam pengujiannya, penulis menggunakan modularity sebagai alat penentu kualitas cluster, yang mana kualitas cluster dikatakan baik jika memiliki hubungan yang pada di dalam satu komunitasnya dibandingkan hubungan di luar komunitasnya. Hasil dari Algortima AHC mampu menunjukan bahwa AHC dapat mendeteksi komunitas dengan kualitas cluster (modularity) mencapai 0.4453 pada jaringan nyata.
Analisis Dan Implementasi Graph Clustering Pada Berita Online Menggunakan Algoritma Chinese Whispers Mochammad Fitrah Eka Pramudita; Kemas Rahmat Saleh Wiharja; Anisa Herdiani
eProceedings of Engineering Vol 3, No 1 (2016): April, 2016
Publisher : eProceedings of Engineering

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

Abstract

Berita online saat ini merupakan sesuatu yang sangat umum dikalangan masyarakat Indonesia. Data berita online yang telah tersimpan pada suatu penyimpanan data mencapai ratusan miliar berita. Oleh sebab itu diperlukan suatu permodelan, agar memudahkan proses pencarian, manipulasi atau pengolahan data tersebut. Salah satu model yang sangat cocok untuk data berita tersebut adalah model graph. Untuk memudahkan pembaca maka berita online tersebut perlu dikelompokkan berdasarkan keterkaitan isi beritanya. Salah satu metode yang bisa dimanfaatkan untuk mengelompokkan berita adalah dengan graph clustering. Sebelum melakukan graph clustering, data berita online harus diubah menjadi model graph. Langkah pertama untuk mengubah data berita kebentuk graph adalah melakukan preprocessing, lalu dihitung bobot keterkaitan isi beritanya dengan memanfaatkan cosine similarity, setelah itu bobot hasil cosine similarity dinormalisasi untuk dijadikan edge yang menghubungkan node dokumen berita. Setelah berbentuk graph, barulah dilakukan proses graph clustering. Dalam penelitian ini algoritma graph clustering yang digunakan adalah Chinese Whispers, karena Chinese Whispers mampu membentuk cluster dari data graph yang besar dengan waktu yang relatif cepat, sehingga sangat cocok digunakan untuk kasus clustering berita online. Pada penelitian ini telah diuji performasi algoritma Chinese Whispers dari segi kualitas serta tingkat akurasi cluster yang dihasilkan. Setelah dilakukan pengujian diperoleh bahwa kuliatas hasil cluster Chinese Whisper cukup bagus karena hampir 95% node hasil cluster sudah memiliki nilai intra- cluster yang lebih tinggi dari pada inter-cluster-nya, sedangkan rata-rata akurasi dari proses clustering menggunakan algoritma Chinese Whispers adalah 80.0 %. Kata kunci : Graph, Graph Database, Clustering, Graph Clustering, Chinese Whispers
Multi-aspect Sentiment Analysis Komentar Wisata Tripadvisor Dengan Rule-based Classifier (studi Kasus : Bandung Raya) Martania Triana Dewi; Anisa Herdiani; Dana Sulistyo Kusumo
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

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

Abstract

Meningkatnya popularitas situs web yang menyajikan informasi tentang tempat wisata dan menyediakan kolom komentar yang dapat diisi oleh pengguna, membuat setiap pembaca komentar dapat menjadikan komentar tersebut sebagai acuan untuk mengunjungi tempat wisata, seperti kolom komentar pada situs web TripAdvisor .Tetapi, komentar tempat wisata pada situs web TripAdvisor hanya memberi penilaian secara keseluruhan pada setiap komentar dan tidak memberikan penilaian sesuai dengan aspek yang dibicarakan, sehingga menyulitkan pembaca komentar menganalisis aspek yang unggul pada komentar tersebut. Terkait masalah tersebut, penelitian ini bertujuan untuk mengelompokkan kata dari komentar tersebut sesuai dengan aspek yang terkait menjadi sebuah informasi yang lebih rinci dengan menggunakan multi aspect sentiment analysis. Metode yang digunakan adalah rule-based classifier, rule-based classifier dapat mengklasifikasikan sentimen dengan menggunakan aturan yang dapat dibentuk sesuai kondisi dan dibutuhkan dalam penelitian, dari penggunaan aturan tersebut diketahui nilai coverage tertinggi 99.00% dan nilai accuracy terkecil adalah 97.78 % yang didapat dari setiap aturan pada proses klasifikasi sentimen dengan metode rule-based classifier. Pada hasil penelitian, nilai coverage pada sentimen positif cukup tinggi, karena banyaknya kata dengan label positif, dan untuk nilai accuracy cukup baik yang menunjukan ketepatan klasifikasi dengan rule-based classifier pada sistem.
Analisis Dan Implementasi Algoritma Cnm-centrality Untuk Deteksi Komunitas Pada Dataset Facebook Farah Rahmadiani; Imelda Atastina; Anisa Herdiani
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Deteksi komunitas menjadi salah satu task dari social network analysis yang banyak dibahas. Hal ini disebabkan dengan pendeteksian komunitas tersebut dapat digunakan untuk berbagai hal seperti skema pemasaran produk, mendeteksi isu di masyarakat, dan sebagainya. Masalah dalam mendeteksi komunitas yaitu bagaimana cara mengelompokkan simpul yang baik untuk mengidentifikasi suatu kelompok. Salah satu algoritma untuk mendeteksi komunitas adalah CNMCentrality. CNM-Centrality merupakan algoritma Clauset-Newman-Moore yang dikombinasi dengan algoritma Pagerank. Algoritma Pagerank digunakan untuk menentukan simpul terpenting sedangkan algoritma CNM digunakan untuk mendeteksi komunitas. Algoritma ini dianggap algoritma dengan kecepatan running time yang baik dan nilai modularity yang baik pada pengujian sebelumnya. Namun, pada pengujian sebelumnya hanya menguji beberapa data saja seperti data jazz network dengan 198 simpul dengan relasi sebanyak 2742, belum diketahui bagaimana performansi algoritma CNM-Centrality jika menggunakan dalam jumlah yang besar. Algoritma CNM-Centrality mempunyai parameter yaitu damping factor. Damping factor merupakan parameter yang digunakan untuk menghitung nilai rank dan bernilai antara 0 sampai 1. Pada pengujian ini akan menggunakan dataset Facebook dengan tiga jenis damping factor yang berbeda untuk mengetahui pengaruh damping factor terhadap nilai modularity dan juga keandalan performansi algoritma CNM-Centrality untuk dataset Facebook. Penelitian ini bermanfaat untuk menilai apakah algoritma CNM-Centrality mempunyai nilai modularity dan running time yang baik dengan dataset yang berbeda dan damping factor yang berbeda. Hasil dari pengujian ini adalah nilai damping factor 0,15 memperoleh nilai rank tertinggi daripada dua damping factor yang diujikan. Namun, damping factor 0,85 memperoleh running time yang baik untuk menentukan simpul terpenting dan mendeteksi komunitas dibandingkan dua damping factor yang diuji. Selain itu, modularity terbaik yang dihasilkan pada pengujian ini adalah 0,8318 yang diperoleh oleh damping factor 0,85. Kata kunci : Deteksi Komunitas, Algoritma CNM-Centrality, Damping factor, Modularity Abstract Community detection becomes one of the tasks of social network analysis that is widely discussed because with the detection of the community can be used for various things such as product marketing schemes, detect issues in the community, and so forth. The problem in detecting communities is how to group good nodes to identify a group. One of the algorithms for detecting communities is CNM-Centrality. CNM-Centrality is a Clauset-Newman-Moore algorithm combined with Pagerank algorithm. Pagerank algorithm is used to determine the most important node while the CNM algorithm is used to detect the community. This algorithm is considered an algorithm with good running time speed and good modularity value in previous test. However, in the previous test only tested some data only, not yet known how CNM-Centrality algorithm performance if using in large amount. The parameter used in CNM-Centrality Algorithm is damping factor. Damping factor is a parameter used to calculate rank values and values between 0 and 1. In this test will use the dataset up with three different damping factor factor to determine the effect of damping factor on the value of modularity and also the reliability of CNM-Centrality algorithm performance for Facebook dataset . This research is useful to assess whether the CNM-Centrality algorithm has good modularity and running time values with different datasets and different damping factors. The result of this test is the damping value factor 0.15 obtains the highest rank value rather than the two damping factors tested. However, the damping factor of 0.85 obtains good running time to determine the most important node and detect the community over the two damping factors tested. In addition, the best modularity produced in this test is 0.8318 obtained by the damping factor of 0.85 Keywords: Community Detection, CNM-Centrality Algorithm, Damping factor, Modularity
Analisis Dan Implementasi Graph Clustering Pada Berita Digital Menggunakan Algoritma Star Clustering Aufa Bil Ahdi P; Kemas Rahmat Saleh W; Anisa Herdiani
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Berkembangnya media Internet saat ini mempengaruhi penyebaran informasi melalui Internet menggunakan berbagai macam media. Salah satu bentuk pengembangan media informasi saat ini adalah banyaknya artikel berita digital yang tersebar secara online. Oleh karena banyaknya penyebaran berita digital, diperlukan pengelompokkan berita berdasarkan topik dan keterkaitan tertentu dengan menerapkan model graph untuk memetakan hubungan berita. Model graph dipilih karena dapat memodelkan hubungan antar objek dan memberikan visualisasi yang mudah dipahami. Berita dapat direpresentasikan sebagai node dan dapat dihubungkan dengan node lain yang memiliki hubungan menggunakan edge. Node yang terbentuk akan di kelompokkan ke dalam sejumlah cluster menggunakan algoritma star clustering. Algoritma Star Clustering merupakan salah satu algoritma pengelempokkan graph menjadi subgraph/cluster dengan keterkaitan tertentu. Algoritma star clustering dikenal sebagai algoritma yang mudah digunakan, dan memiliki tingkat akurasi yang cukup baik. Dalam tugas akhir ini didapatkan hasil pengujian penerapan algoritma star clustering pada berita digital dengan tingkat akurasi 80.98% untuk perbandingan dengan clustering expert dan menghasilkan 62.87129% cluster yang baik yaitu cluster yang memiliki nilai intracluster lebih besar daripada intercluster-nya. Kata kunci : graph, graph clustering, star clustering, subgraph
Implementasi Rekomendasi Materi Ajar Berdasarkan Kerangka Kerja Siluens Irvan Dwi Putra Manurung; Anisa Herdiani; Nungki Selviandro
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

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

Abstract

Keberagaman learning style yang ada pada siswa menjadi salah satu faktor yang perlu dipertimbangkan dalam mengimplementasikan e-learning. Penyampaian materi pembelajaran harus dapat disajikan tidak hanya dalam bentuk file materi saja, tetapi juga harus mampu menyesuaikan dengan learning style masing – masing siswa. Kerangka kerja SILUENS yang merupakan sistem evaluasi berinteligensia dalam e- learning digunakan dalam memberikan rekomendasi strategi belajar berupa materi pembelajaran yang beragam yang disesuaikan dengan learning style atau preferensi belajar siswa dengan menggunakan metode clickstream analysis yang didasarkan pada content visit atau view dari masing – masing pengguna. Pengimplementasian rekomendasi materi ajar ini pada Learning Management System (LMS) yang bersifat open source mampu membantu menentukan gaya belajar siswa, merekomendasikan strategi belajar dan membantu perkembangan tingkat pemahaman siswa terhadap materi pembelajaran. Kata kunci: e-learning, SILUENS, learning style, learning management system.
Analisis Dan Implementasi Community Detection Menggunakan Algoritma Dbscan Pada Twitter Lulu Alfi’a Rahma Ningsih; Imelda Atastina; Anisa Herdiani
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

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

Abstract

Community detection atau clustering merupakan proses partisi data ke dalam kelompok-kelompok. Data yang berada dalam satu kelompok memiliki kemiripan (similarity) karakteristik antar satu sama lainnya dan berbeda dengan kelompok lain, seperti halnya kemiripan antar individu pada social network. Pada penelitian ini, community detection dilakukan pada social network Twitter berdasarkan kemiripan interaksi (follows, mentions, reply) antar pengguna dengan menggunakan algoritma DBSCAN dan perhitungan kualitas cluster dengan menggunakan modularity. Algoritma DBSCAN memiliki dua parameter penting, yakni epsilon dan minPts yang bernilai random. Dari hasil penelitian yang dilakukan, hasil terbaik didapat dari data ke-10 dengan membentuk 4 cluster yang menghasilkan nilai modularity 0,61492 dari nilai epsilon 0,3 dan minPts 4. Hal tersebut dikarenakan jumlah cluster yang terbentuk dari adanya keterkaitan nilai epsilon dan minPts dengan nilai kemiripan (similarity) dan nilai modularity disebabkan adanya kepadatan dari relasi dan bobot similarity yang besar. Sehingga untuk mendapatkan hasil cluster yang baik diperlukan penentuan nilai epsilon dan minPts yang tepat.
Co-Authors Ade Romadhony Adila , Ahmad Fasya Agus Kusnayat Alfian Yulianto Amanda Putri Septiani Andy Satria Aniq Rohmawati Aprillia Rizki Adiati Aristyo Hadikusuma Aryasatya Okta Pradhana Asep Aprianto Ati Suci Dian Martha Aufa Bil Ahdi P Bastomy Bastomy Bety Elysabeth Pasaribu Briliand, Diaz Wahyu Dadang Setiawan Daffa Dhiya Ulhaq Dana Sulistyo Kusumo Danang Junaedi David Winalda Dawam Dwi Jatmiko Suwawi Dhiyaul Haq, Rafif Zhafir Dimas Ikhsanu Fitra Dimitri Mahayana Diyas Puspandari Emil R. Kaburuan Erdiansyah, Muhammad Farras Erlina Wahyu Fadhilah erna febriyanti Fajri, Fikri Muhammad Farah Rahmadiani Gede Agung Ary Wisudiawan Hanifah, Wardah Heri Setyo Nugroho HNW Syahuda Nahatmasuni Ibnu Asror Ika Rahayu Ponilan Imelda Atastina Indra Lukmana Sardi Indriani Mentaruk Intan Widya Rahayu Irvan Dwi Putra Manurung Jahtra Genio Muhammad Jatmiko, Dawam Dwi Junaedi , Danang Kemas Muslim Lhaksmana Kemas Rahmat Saleh Wiharja Laksitowening, Kusuma Ayu Lintani Afina Hajar Raudhoti Lulu Alfi’a Rahma Ningsih Luthfi Shidqi Made Diva Prasetya Martania Triana Dewi Mochammad Fitrah Eka Pramudita Mohammad Yasin Abdul Hafidh Monterico Adrian Muhamad Fauzan Putra Muhammad Arifino Setyawan Muhammad Faris Adri Azka Muhammad Hanafiah Muhammad Husein Adnan Muhammad Johan Alibasa Muhammad Reza Rahmawan Muhammad Rizky Riandi Gunaedi Nadine Azhalia Purbani Nungki Selviandro Nur Muhammad Putra Setiadi Nurmasyitah Nurmasyitah Pasha, Zaky Mahfudz Puput Fajriati Tri S Raginda Firdaus Ridea Valentini Peristiwari Siwabessy Rizaldy Arigi Rizky Dhian Syarif Rizky Wahyu Kurniawati Rizky Wira Pranata Rosa Reska Riskiana Sakti Dewantoro Saputra, Aulia Kukuh Shinta Yulia Puspitasari Sri Martini Tiara Fitri Berlian Trysha Cintantya Dewi Veronikha Effendy Warih Maharani Widi Astuti Widowati , Sri Yodie Dalyono Yogi Putra Prastiawan Yuni Dwiyanti Yusep Rosmansyah Zaid Mukhtar ZK Abdurahman Baizal