Article Per Year (5 Year)
p-Index From 2019 - 2024
3.701
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol JMECS (Journal of Measurements, Electronics, Communications, and Systems) eProceedings of Engineering Jurnal INFOTEL
Nor Kumalasari Caecar Pratiwi
Universitas Telkom
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology

Published : 22 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 22 Documents
Search

 1   2   3 
TEA LEAVES GMB SERIES CLASIFFICATION USING CONVOLUTIONAL NEURAL NETWORK Rizal, Syamsul; Pratiwi, Nor Kumalasari Caecar; Ibrahim, Nur; Vidya, Hurianti; Saidah, Sofia; Fu'adah, R Yunendah Nur
JESCE (JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING) Vol 3, No 2 (2020): Journal Of Electrical And System Control Engineering Februari
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (860.876 KB) | DOI: 10.31289/jesce.v3i2.3320

Abstract

This study classifies GMB series tea leaves by using a convolutional neural network as a classification system. GMB series tea are the superior tea seeds in Indonesia. Gambung series, namely: GMB 1 to GMB 11, are planting material seeds that have been recommended by the Ministry of Agriculture. The potential of these tea series yield of 4,000 - 5,800 kg / ha of dried tea. The morphological similarity level of GMB 1 to GMB 11 is very high, because many elders from the clones are from the same crossing parents. During this time, the process of identifying GMB clones 1 through GMB 11 is done manually using the visual eye of an experts at PPTK Gambung. These experts are limited to be able to identify each tea series. This process is susceptible to errors in the reading of clone types, and is very dependent on the presence of the experts. If an error occurs in the process of identifying the type of clone, it will interfere with the nursery process. Errors in the selection of recommended clones will harm the process of a long period of time, because the economic age of tea plants can reach until 50 years. The potential loss of production due to misuse of plant material can reach 1,200 kg / ha per year. Against the background of these problems, it is very necessary to have a system to identify the GMB series clone. Continuous studies has been conducted to build an automation system for the identification and classification of GMB series tea clones. The system is designed using the Convolutional Neural Network (CNN) method. The results obtained from this system output in the form of accuracy with a value of 85%.
DENOISING SINYAL ECG DENGAN METODE EMPIRICAL MODE DECOMPOSITION Pratiwi, Nor Kumalasari Caecar; Suhartono, Efri; Magdalena, Rita; Fu?adah, Yunendah Nur; Sari, Febriani Ruming
JESCE (JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING) Vol 3, No 2 (2020): Journal Of Electrical And System Control Engineering Februari
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (828.599 KB) | DOI: 10.31289/jesce.v3i2.3272

Abstract

Sinyal electrocardiogram (ECG) mengandung informasi yang menggambarkan kondisi kesehatan jantung. Irama jantung yang tidak teratur atau kerusakan pada otot jantung dapat berdampak pada aktivitas listrik jantung sehingga mengubah bentuk sinyal ECG. Pengukuran menggunakan ECG sering dipengaruhi oleh noise yang tidak diinginkan. Noise yang diperoleh saat pengukuran ini tidak dapat dihilangkan dengan metode filter yang sederhana. Penelitian ini akan mengetahui performansi metode Empirical Mode Decomposition (EMD) untuk denoising pada sinyal ECG. Dataset sinyal ECG dan beberapa noise diambil dari database MIT-BIH arrhythmia dengan variasi besar Signal to Noise Ratio (SNR) input sebesar 20 dB, 25 dB dan 30 dB. Noisy sinyal yang difilter menggunakan EMD didapatkan hasil terbaik pada iterasi ke-4, karena jika diteruskan ke-iterasi selanjutnya, output dari hasil denoised sinyal akan menjadi datar. Hasil pengujian diperoleh bahwa nilai Mean Square Error (MSE) 0.0035 dB dan SNR 25.12 dB pada noise input 20 dB, MSE 0.0016 dB dan SNR 26.44 dB pada noise input 25 dB, MSE 0.002 dB dan SNR 27.5 dB pada noise input sebesar 30 dB. Dengan demikian, dapat dikatakan bahwa sistem denoising sinyal ECG menggunakan empirical mode decomposition dapat bekerja secara efektif dan mampu menghilangkan noise.
Klasifikasi Tutupan Lahan Melalui Citra Satelit SPOT-6 dengan Metode Convolutional Neural Network (CNN) Magdalena, Rita; Saidah, Sofia; Pratiwi, Nor Kumalasari Caecar; Putra, Akbar Trisnamulya
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.48195

Abstract

Lahan merupakan suatu wilayah dimana seluruh bagian biosfer dianggap tetap atau siklis yang terdapat di atas maupun di bawah permukaan bumi. Klasifikasi lahan dilakukan dengan tujuan untuk memudahkan pemantauan penggunaan serta pengaturan tata letak lahan pada suatu wilayah. Pada penelitian ini dilakukan klasifikasi terhadap citra lahan yang diperoleh dari satelit SPOT-6 dengan menggunakan Metode Convolutional Neural Network (CNN). Jenis lahan yang dilakukan klasifikasi berupa sawah, hutan, pemukiman, sungai dan bukit gundul dengan jumlah data yang digunakan adalah 350 data citra lahan. Dari total data, sebanyak 75% data digunakan sebagai data latih dan 25% digunakan sebagai data uji. Model CNN yang digunakan pada penelitian ini yaitu basic CNN dengan arsitektur yang terdiri dari 3 hidden convolutional layer, 1 fully connected layer dan 2 stride. Hasil performansi sistem yang diperoleh pada penelitian ini diantaranya adalah akurasi 95,45%, loss 0,2457, serta rata-rata dari masing-masing nilai precision, recall dan f1-score sebesar 0,92. Dapat disimpulkan bahwa metode CNN dapat digunakan secara optimal dalam mengklasifikasikan 5 jenis tutupan lahan.
TEA LEAVES GMB SERIES CLASIFFICATION USING CONVOLUTIONAL NEURAL NETWORK Syamsul Rizal; Nor Kumalasari Caecar Pratiwi; Nur Ibrahim; Hurianti Vidya; Sofia Saidah; R Yunendah Nur Fu'adah
JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Vol 3, No 2 (2020): Journal Of Electrical And System Control Engineering Februari
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31289/jesce.v3i2.3320

Abstract

This study classifies GMB series tea leaves by using a convolutional neural network as a classification system. GMB series tea are the superior tea seeds in Indonesia. Gambung series, namely: GMB 1 to GMB 11, are planting material seeds that have been recommended by the Ministry of Agriculture. The potential of these tea series yield of 4,000 - 5,800 kg / ha of dried tea. The morphological similarity level of GMB 1 to GMB 11 is very high, because many elders from the clones are from the same crossing parents. During this time, the process of identifying GMB clones 1 through GMB 11 is done manually using the visual eye of an experts at PPTK Gambung. These experts are limited to be able to identify each tea series. This process is susceptible to errors in the reading of clone types, and is very dependent on the presence of the experts. If an error occurs in the process of identifying the type of clone, it will interfere with the nursery process. Errors in the selection of recommended clones will harm the process of a long period of time, because the economic age of tea plants can reach until 50 years. The potential loss of production due to misuse of plant material can reach 1,200 kg / ha per year. Against the background of these problems, it is very necessary to have a system to identify the GMB series clone. Continuous studies has been conducted to build an automation system for the identification and classification of GMB series tea clones. The system is designed using the Convolutional Neural Network (CNN) method. The results obtained from this system output in the form of accuracy with a value of 85%.
DENOISING SINYAL ECG DENGAN METODE EMPIRICAL MODE DECOMPOSITION Nor Kumalasari Caecar Pratiwi; Efri Suhartono; Rita Magdalena; Yunendah Nur Fu’adah; Febriani Ruming Sari
JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Vol 3, No 2 (2020): Journal Of Electrical And System Control Engineering Februari
Publisher : Universitas Medan Area

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31289/jesce.v3i2.3272

Abstract

Sinyal electrocardiogram (ECG) mengandung informasi yang menggambarkan kondisi kesehatan jantung. Irama jantung yang tidak teratur atau kerusakan pada otot jantung dapat berdampak pada aktivitas listrik jantung sehingga mengubah bentuk sinyal ECG. Pengukuran menggunakan ECG sering dipengaruhi oleh noise yang tidak diinginkan. Noise yang diperoleh saat pengukuran ini tidak dapat dihilangkan dengan metode filter yang sederhana. Penelitian ini akan mengetahui performansi metode Empirical Mode Decomposition (EMD) untuk denoising pada sinyal ECG. Dataset sinyal ECG dan beberapa noise diambil dari database MIT-BIH arrhythmia dengan variasi besar Signal to Noise Ratio (SNR) input sebesar 20 dB, 25 dB dan 30 dB. Noisy sinyal yang difilter menggunakan EMD didapatkan hasil terbaik pada iterasi ke-4, karena jika diteruskan ke-iterasi selanjutnya, output dari hasil denoised sinyal akan menjadi datar. Hasil pengujian diperoleh bahwa nilai Mean Square Error (MSE) 0.0035 dB dan SNR 25.12 dB pada noise input 20 dB, MSE 0.0016 dB dan SNR 26.44 dB pada noise input 25 dB, MSE 0.002 dB dan SNR 27.5 dB pada noise input sebesar 30 dB. Dengan demikian, dapat dikatakan bahwa sistem denoising sinyal ECG menggunakan empirical mode decomposition dapat bekerja secara efektif dan mampu menghilangkan noise.
Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16 REGITA AGUSTINA; RITA MAGDALENA; NOR KUMALASARI CAECAR PRATIWI
Jurnal Elkomika Vol 10, No 2 (2022): ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektr
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.446

Abstract

ABSTRAKKanker kulit merupakan penyakit yang ditimbulkan oleh perubahan karakteristik sel penyusun kulit dari normal menjadi ganas, yang menyebabkan sel tersebut membelah secara tidak terkendali dan merusak DNA. Deteksi dini dan diagnosis yang akurat diperlukan untuk membantu masyarakat mengindentifikasi apakah kanker kulit atau hanya kelainan kulit biasa. Pada studi ini, dirancang sebuah sistem yang dapat mengklasifikasi kanker kulit dengan memanfaatkan citra kulit pasien yang kemudian diolah menggunakan metode Convolutional Neural Network (CNN) arsitektur VGG-16. Dataset yang digunakan berupa citra jaringan kanker sebanyak 4000 gambar. Proses diawali dengan input citra, pre-processing, pelatihan model dan pengujian sistem. Hasil terbaik diperoleh pada pengujian tanpa pre-processing CLAHE dan Gaussian filter, dengan menggunakan hyperparameter optimizer SGD, learning rate 0,001, epoch 50 dan batch size 32. Akurasi yang diperoleh sebesar 99,70%, loss 0,0055, presisi 0,9975, recall 0,9975 dan f1-score 0,9950.Kata kunci: Kanker kulit, CNN, VGG-16 ABSTRACTSkin cancer is a disease caused by changes in the characteristics of skin cells from normal to malignant, which causes the cells to divide uncontrollably and damage DNA. Early detection and accurate diagnosis are necessary to help the public identify whether skin cancer or just a common skin disorder. In this study, a system was designed that can classify skin cancer by utilizing images of patients' skin which is then processed using the Convolutional Neural Network (CNN) method of VGG-16 architecture. Dataset used in the form of cancer tissue imagery as many as 4000 images. The process begins with image input, pre-processing, model training and system testing. The best results were obtained on testing without pre-processing CLAHE and Gaussian filters, using hyperparameters, SGD optimizer, learning rate 0.001, epoch 50 and batch size 32. Accuracy obtained by 99.70%, loss 0.0055, precision 0.9975, recall 0.9975 and f1-score 0.9950.Keywords: Skin cancer, CNN, VGG-16
Deep Learning untuk Klasifikasi Glaukoma dengan menggunakan Arsitektur EfficientNet WAHYUNI RIZKY PERDANI; RITA MAGDALENA; NOR KUMALASARI CAECAR PRATIWI
Jurnal Elkomika Vol 10, No 2 (2022): ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektr
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i2.322

Abstract

ABSTRAKGlaukoma merupakan kerusakan yang terjadi pada saraf mata yang disebabkan oleh meningkatnya tekanan di bola mata. Glaukoma dapat menyebabkan penderitanya mengalami kebutaan permanen. Data dari WHO, jumlah orang yang diperkirakan menjadi buta akibat glaukoma primer adalah 4,5 juta. Penilaian klasifikasi tingkatan glaukoma oleh ophthalmologist menggunakan nilai CDR (Cup to Disc Ratio). Maka dari itu, dibuat sistem yang dapat digunakan dalam mengklasifikasikan glaukoma melalui citra fundus mata dengan menggunakan metode CNN (Convolutional Neural Network) dengan arsitektur EfficientNet. Klasifikasi glaukoma dibagi menjadi 5 kelas, yaitu deep, early, moderate, OHT dan normal. Citra mata yang digunakan didapatkan dari dataset RimOne r1. Penelitian ini mencari sistem dengan performansi terbaik. Model yang mendapatkan parameter performansi terbaik adalah citra dengan hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, dan batch size 32. Akurasi, presisi, recall, dan F1-Score masing-masing mencapai 1,0000.Kata kunci: Glaukoma, Convolutional Neural Network (CNN), EfficientNet ABSTRACTGlaucoma is the optic nerve damage caused by increasing pressure on the eyeball. Glaucoma can cause patients to encounter permanent blindness. According to WHO data, the number of people estimated to be blind from primary glaucoma is 4,5 million. Evaluation of glaucoma grade classification by ophthalmologist uses CDR (Cup to Disc Ratio) value. Therefore, a system has been created that can be used to classify glaucoma through eye fundus images using the CNN (Convolutional Neural Network) method with EfficientNet architecture. Glaucoma is classified into 5 classes, namely deep, early, moderate, OHT and normal. The used eye image is obtained from the RimOne r1 dataset. This research is looking for a system with the best performance. The model that got the best performance parameters with the hyperparameter optimizer Adamax, learning rate 0,001, epoch 20, and batch size 32. Accuracy, precision, recall, and F1-Score each reached 1,0000. Keywords: Glaucoma, Convolutional Neural Network (CNN), EfficientNet
Deteksi Parasit Plasmodium pada Citra Mikroskopis Hapusan Darah dengan Metode Deep Learning NOR KUMALASARI CAECAR PRATIWI; NUR IBRAHIM; YUNENDAH NUR FU’ADAH; SYAMSUL RIZAL
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 2 (2021): ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektro
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i2.306

Abstract

ABSTRAKParasit plasmodium merupakan makhluk protozoa bersel satu yang menjadi penyebab penyakit malaria. Plasmodium ini dibawa melalui gigitan nyamuk anopheles betina. Dalam World Malaria Report 2015 menyatakan bahwa malaria telah menyerang sedikit 106 negara di dunia. Di Indonesia sendiri, Papua, NTT dan Maluku merupakan wilayah dengan kasus positif malaria tertinggi. Malaria telah menjadi masalah yang serius, sehingga keberadaan sistem diagnosa otomatis yang cepat dan handal sangat diperlukan untuk proses perlambatan penyeberan dan pembasmian epidemi. Dalam penelitian ini akan dirancang sistem yang mampu mendeteksi parasit malaria pada citra mikroskopis darah menggunakan arsitekur Convolutional Neural Network (CNN) sederhana. Hasil pengujian menunjukkan bahwa metode yang diusulkan memberikan presisi dan recall sebesar 0,98 dan f1-score sebesar 0,96 serta akurasi 95,83%.Kata kunci: parasit, malaria, convolutional neural network, citra mikroskopis ABSTRACTPlasmodium parasites are single-celled protozoan creatures that cause malaria. Plasmodium is carried through the bite of a female Anopheles mosquito. The World Malaria Report 2015 states that malaria has attacked at least 106 countries in the world. In Indonesia itself, Papua, NTT and Maluku are the regions with the highest positive cases of malaria. Malaria has become a serious problem, so the existence of a fast and reliable automatic diagnosis system is indispensable for the process of slowing down the spread and eliminating the epidemic. In this study, a system capable of detecting malaria parasites in microscopic images of blood will be designed using a simple Convolutional Neural Network (CNN) architecture. The test results show that the proposed method provides precision and recall of 0,98, f1-values of 0.96 and accuracy of 95,83%.Keywords: parasites, malaria, convolutional neural network, microscopic image
Klasifikasi Tingkat Kematangan Pucuk Daun Teh menggunakan Metode Convolutional Neural Network NUR IBRAHIM; GITA AYU LESTARY; FANIESA SAUFANA HANAFI; KHAERUDIN SALEH; NOR KUMALASARI CAECAR PRATIWI; MUTHIA SYAFIKA HAQ; ADHI IRIANTO MASTUR
Jurnal Elkomika Vol 10, No 1 (2022): ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektr
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v10i1.162

Abstract

ABSTRAKIndonesia merupakan salah satu negara besar pengekspor teh di dunia. Luasnya area perkebunan teh menyebabkan setiap blok tanam daun teh memiliki waktu petik dan tingkat kematangan yang berbeda. Sehingga salah satu upaya untuk mengetahui tingkat kematangan daun teh yaitu menerapkan sistem otomatisasi menggunakan pengolahan citra digital. Pada penelitian ini dirancang sebuah sistem klasifikasi tingkat kematangan pucuk daun teh dari jenis sampel varietas Assamica Klon (GMB 7) yang yang berada pada Pusat Penelitian Teh dan Kina Gambung. Penelitian ini menerapkan metode pengolahan citra digital dengan algoritma Convolutional Neural Network (CNN) menggunakan Arsitektur VGGNET19 dan ResNet50. Hasil pengujian sistem memperoleh nilai akurasi terbaik sebesar 97.5% dengan menggunakan arsitektur VGGNET19, Optimizer RMSprop, learning rate 0.01, batch size 32 dan epoch 100.Kata kunci: teh, klasifikasi, Convolutional Neural Network, VGGNET19, ResNet50 ABSTRACTIndonesia is one of the major tea exporting countries in the world. The large area of tea plantations causes each tea leaves planting block to have a different picking time and maturity level. So that one of the efforts to determine the maturity level of tea leaves is to apply an automation system using digital image processing. In this study, a classification system for the maturity level of tea leaves design from the Assamica Klon (GMB 7) variety sample located at the Gambung Tea and Quinine Research Center. This study applies a digital image processing method with the Convolutional Neural Network (CNN) algorithm using VGGNET19 and ResNet50 Architecture. The results of the system test obtained the best accuracy value of 97.5% using the VGGNET19 architecture, RMSprop Optimizer, learning rate 0.01, batch size 32 and epoch 100.Keywords: tea, classification, Convolutional Neural Network, VGGNET19, ResNet50
Evaluasi Optimizer pada Residual Network untuk Klasifikasi Klon Teh Seri GMB Berbasis Citra Daun KOREDIANTO USMAN; NOR KUMALASARI CAECAR PRATIWI; NUR IBRAHIM; HERI SYAHRIAN; VITRIA PUSPITASARI RAHADI
ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika Vol 9, No 4 (2021): ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektro
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/elkomika.v9i4.841

Abstract

ABSTRAKKomoditas teh berperan strategis terhadap pertumbuhan perekonomian Indonesia, salah satunya dari teh klon Gambung (GMB). Klon GMB memiliki beberapa karakter khas, dengan tingkat kemiripan morfologi yang sangat tinggi. Hal ini berdampak pada proses pengenalan klon GMB dilakukan melalui pengamatan visual oleh tenaga ahli sangat rentan terhadap kesalahan identifikasi. Sehingga, dalam penelitian ini dirancang suatu sistem identifikasi terhadap 11 klon teh seri GMB (GMB-1 hingga GMB-11) dengan menggunakan arsitektur ResNet101. Evaluasi sistem akan dilakukan dengan membandingkan tujuh algoritma optimizer yang berbeda, yaitu; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta dan Nadam. Hasil pengujian menunjukkan bahwa Adam dan SGD memberikan nilai rata-rata presisi, recall dan F1-score terbaik. Selain itu, Adam memberikan nilai akurasi yang cenderung stabil sejak iterasi pertama. Metode yang diusulkan memberikan tingkat presisi, recall, F1-score sebesar 96% dan akurasi terbaik sebesar 97%.Kata kunci: klasifikasi daun teh, seri Gambung (GMB), CNN, ResNet101 ABSTRACTGambung (GMB) tea is one of the tea commodities that plays a key role in Indonesia's economic development. GMB clones have a number of distinguishing characteristics, including a high degree of morphological similarities. This has an impact on the process of identifying GMB clones through visual observation by experts who are subject to mistakes. In this study, ResNet101 architecture was used to create an identification scheme for 11 tea clones from the GMB series (GMB-1 to GMB-11). System evaluation will be carried out by comparing seven different optimizer; Adam, SGD, RMSProp, AdaGrad, AdaMax, AdaDelta, and Nadam. The test results indicate that Adam and SGD have the highest average accuracy, recall, and f1-score values. Adam also has an accuracy value that has remained consistent since the first iteration. The proposed method provides highest precision, recall, F1-score of 96% and accuracy of 97%.Keywords: tea leaves classification, GMB series, CNN, ResNet101
Co-Authors ADHI IRIANTO MASTUR Chelsya Dwi Marnelius Dwi Hardina Aprilia Sari Edwar Efri Suhartono Fadlil Azimi Syafli FANIESA SAUFANA HANAFI Febriani Ruming Sari Fitya Nur Fadhilah GITA AYU LESTARY Hanif Chandra Mulya HERI SYAHRIAN Hurianti Vidya Iwan Iwut Tritoasmoro JANGKUNG RAHARJO KHAERUDIN SALEH Koredianto Usman Michael Binson Situmeang Muhamad Rokhmat Isnaini MUTHIA SYAFIKA HAQ Nur Alyyu Nur Ibrahim Olyvia Fernanda Soedradjat Putra, Akbar Trisnamulya R. Yunendah Nur Fu’adah Ratna Sari REGITA AGUSTINA Rita Magdalena Sari, Febriani Ruming Sayidina Ariq Farhan Sofia Sa'idah SOFIA SAIDAH Syamsul Rizal Syamsul Rizal Victor Aji Admaja Pellokila Vidya, Hurianti VITRIA PUSPITASARI RAHADI WAHYUNI RIZKY PERDANI