Article Per Year (5 Year)
p-Index From 2020 - 2025
7.395
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Sisfokom (Sistem Informasi dan Komputer) Jurnal Ilmiah Media Sisfo JOURNAL OF SCIENCE AND SOCIAL RESEARCH JOISIE (Journal Of Information Systems And Informatics Engineering) INTI Nusa Mandiri Jurnal Teknologi Dan Sistem Informasi Bisnis JATI (Jurnal Mahasiswa Teknik Informatika) Indonesian Journal of Electrical Engineering and Computer Science Jurnal Pendidikan Guru (JPG) JITSI : Jurnal Ilmiah Teknologi Sistem Informasi Journal of Education Research Algoritme Jurnal Mahasiswa Teknik Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Komtekinfo Indonesian Journal Computer Science (ijcs) Journal of Information System and Education Development Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) The Indonesian Journal of Computer Science CSRID
Ramadhanu, Agung
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Mathematics Social Sciences Other

Published : 62 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 62 Documents
Search

 1   2   3   4   5 
KLASIFIKASI CITRA TINGKAT KEMATANGAN BUAH ALPUKAT BERDASARKAN BENTUK WARNA MENGGUNAKAN METODE K-NEAREST NEIGHBO Angga, Angga; Syarif, Ahmad; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 7, No 4 (2024): November 2024
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v7i4.2280

Abstract

Perkembangan teknologi informasi saat ini telah memungkinkan identifikasi buah berdasarkan ciri warna melalui pemrosesan citra digital. Proses ini memanfaatkan kamera untuk mengambil gambar buah, yang kemudian diolah menggunakan perangkat lunak komputer dengan teknik pengolahan citra digital untuk menentukan tingkat kematangan buah secara efisien. Penelitian ini fokus pada penggunaan metode ekstraksi fitur warna berbasis mean RGB untuk klasifikasi tingkat kematangan buah alpukat, yang merupakan salah satu buah tropis unggulan di Indonesia. Alpukat, sebagai buah yang tumbuh subur di daerah tropis seperti Indonesia, memerlukan penentuan tingkat kematangan yang tepat untuk memaksimalkan umur simpan dan menghindari kerusakan. Oleh karena itu, penelitian ini mengaplikasikan algoritma K-Nearest Neighbor (KNN) dalam proses klasifikasi kematangan alpukat. Algoritma KNN, yang dikenal karena kemampuannya dalam mengidentifikasi pola dengan membandingkan jarak fitur, digunakan untuk mengelompokkan data berdasarkan kemiripan warna dan ciri-ciri lainnya. Tujuan dari penelitian ini adalah untuk mengevaluasi efektivitas algoritma KNN dalam memprediksi tingkat kematangan alpukat dan meningkatkan akurasi prediksi melalui analisis struktur warna buah. Penelitian ini diharapkan dapat memberikan kontribusi signifikan terhadap pengembangan metode prediksi kematangan buah serta membuka peluang baru dalam penerapan teknologi data mining dalam bidang pertanian, khususnya untuk panen alpukat.
Klasifikasi Citra Buah Jeruk Mandarin, Jeruk Nipis, dan Stroberi Menggunakan Algoritma PCA dan Metode K-Nearest Neighbor (KNN) Saputra, Randy; Ramadhanu, Agung
JPG: Jurnal Pendidikan Guru Vol. 6 No. 1 (2025): JPG: Jurnal Pendidikan Guru
Publisher : Fakultas Keguruan dan Ilmu Pendidikan, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/jpg.v6i1.18849

Abstract

Klasifikasi citra buah merupakan salah satu aplikasi dalam bidang pengolahan citra digital yang memiliki potensi luas, terutama dalam sektor pertanian dan industri pangan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi citra buah jeruk mandarin, jeruk nipis, dan stroberi menggunakan kombinasi algoritma Principal Component Analysis (PCA) dan metode K-Nearest Neighbor (KNN). PCA digunakan untuk mereduksi dimensi data guna meningkatkan efisiensi proses klasifikasi sekaligus mengurangi kompleksitas komputasi. Metode KNN dipilih karena kesederhanaannya dan kemampuannya dalam menangani data yang tidak terstruktur dengan baik. Dataset terdiri dari citra buah yang diambil dalam kondisi pencahayaan dan sudut pandang yang bervariasi untuk meningkatkan keakuratan sistem. Eksperimen dilakukan dengan berbagai nilai parameter K pada KNN untuk menemukan konfigurasi terbaik. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu mencapai akurasi yang tinggi, dengan nilai optimal pada parameter K tertentu. Sistem ini diharapkan dapat digunakan sebagai dasar pengembangan aplikasi klasifikasi citra buah yang efisien dan andal di masa depan.
Klasifikasi Timun Segar dan Busuk Menggunakan K-Means Clustering dengan Peningkatan Noise Reduction dan Median Filter Dila, Rahmah; Saputra, Riyan; Ramadhanu, Agung
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.549

Abstract

Cucumber is one of the agricultural commodities that is vulnerable to quality degradation due to the rotting process. Manual classification of fresh and rotten cucumbers can be time-consuming and inconsistent, thus requiring a more efficient automated method. The main objective of this research is to implement an automated image processing-based classification system to classify fresh and rotten cucumbers based on visual features such as color, texture, and shape, in order to improve efficiency and consistency in the cucumber quality selection process. The applied method involves image processing with color space conversion from RGB to LAB to separate brightness and color. Additionally, improvements were made using noise reduction techniques and a median filter to minimize noise interference in the images, resulting in more accurate analysis. Noise reduction is applied to reduce noise that appears during the image acquisition process, which can disrupt the recognition of important features in cucumber images. The use of a median filter helps smooth the images without reducing important details, which is essential to preserve relevant visual information for classification. The K-Means Clustering algorithm is used to group the images into two clusters, namely fresh and rotten cucumbers. The data used includes 70 test images, consisting of 35 fresh cucumbers and 35 rotten cucumbers. The results of this study indicate that this method, with the application of noise reduction enhancement and median filter, successfully classifies fresh and rotten cucumbers with an accuracy rate of 98.6%, where 69 out of 70 images are correctly identified. The K-Means Clustering method enhanced with noise reduction and median filter is proven to be effective and accurate in determining the types of fresh and rotten cucumbers
Klasifikasi Citra Dalam Identifikasi Jeruk Nipis dan Jeruk Mandarin Menggunakan Convolutional Neural Network (CNN) Dan Optimalisasi Median Filter Erlanda, Hadrian; Saputra, Randy; Ramadhanu, Agung
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.546

Abstract

With the rapid advancement of technology in the field of image processing, farmers are increasingly supported in identifying types of citrus fruits. This study aims to differentiate between lime (Citrus aurantiifolia) and mandarin orange (Citrus reticulata) using image processing methods and morphological analysis. Image processing is employed to examine visual differences based on factors such as color, texture, and size of the fruit. Additionally, chemical analysis is conducted to distinguish the composition of compounds found in both types of citrus. The results of the study show that this approach is effective in identifying the differences between lime and mandarin orange with high accuracy, and can be applied in various industries, including agriculture and food processing
Optimalisasi Kentang Merah dan Kentang Biasa Secara Otomatis Menggunakan Median Filter dan Segmentasi Gambar Berbasis Warna dan Analisis Tekstur: Pendekatan K-Means Clustering Permata, Edo; Khomsi, Ahmad; Ramadhanu, Agung
Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Vol 6, No 1 (2025): Edisi Januari
Publisher : LPPM STIKOM Tunas Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30645/kesatria.v6i1.551

Abstract

In this study, we propose an automated system to identify potato varieties (red and regular potatoes) using color-based image segmentation, median filter, and texture analysis. The system uses K-Means Clustering for color segmentation in Lab color space, followed by the application of median filter to reduce noise in the image, as well as texture feature extraction using Gray-Level Co-occurrence Matrix (GLCM) to distinguish potato types. Experimental results show that the proposed method achieves more than 90% accuracy in identifying potato varieties, demonstrating its potential for industrial applications in tuber processing. Our findings show that the system is robust under various lighting conditions and can significantly reduce human error in the potato sorting process.
PENERAPAN HYBRID INTELIGENTS SYSTEM UNTUK KLASIFIKASI BUAH ANGGUR DAN PEPAYA MENGGUNAKAN ALGORITMA PCA DAN KNN Afriadi, Afriadi; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2749

Abstract

Abstract: This study utilizes a hybrid intelligence system for classifying grape and papaya fruits, combining the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) algorithms. PCA is employed to reduce data dimensions by extracting key features from fruit images, while KNN performs classification based on the reduced feature set. The dataset consists of images of grapes and papayas captured under various lighting conditions. Experimental results indicate that this hybrid approach achieves 90% accuracy in fruit classification, improves computational efficiency, and enhances classification performance compared to using KNN without feature selection. This system demonstrates great potential for image-based fruit classification and can be implemented to support agricultural product processing technologies. Keywords: Hybrid Intelligence System; Grape and Papaya Classification; PCA; KNN.Abstrak: Penelitian ini menerapkan hybrid intelligence system untuk klasifikasi buah anggur dan pepaya menggunakan algoritma Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Algoritma PCA digunakan untuk mereduksi dimensi data dengan mengekstraksi fitur-fitur utama dari citra buah, sedangkan KNN digunakan untuk melakukan klasifikasi berdasarkan fitur yang telah direduksi. Dataset yang digunakan berupa gambar buah anggur dan pepaya dalam berbagai kondisi pencahayaan. Hasil eksperimen menunjukkan bahwa pendekatan hybrid ini mampu meningkatkan akurasi klasifikasi dan mengurangi waktu komputasi dibandingkan penggunaan KNN tanpa seleksi fitur. Sistem ini menunjukkan akurasi 90% dalam pengelompokan buah berbasis citra dan dapat diimplementasikan untuk mendukung teknologi pengolahan hasil pertanian. Kata kunci: Hybrid Intelligence system; Klasifikasi Buah; PCA; KNN. 
IMPLEMENTASI METODE ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DALAM KLASIFIKASI BUAH JAMBU MADU JAMBU MERAH DAN MANGGIS Al-Arrafi, Muhammad Ikhsan; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2584

Abstract

Abstract: Hybrid Intelligent Systems are systems that combine more than one artificial intelligence (AI) technique or computational approach to leverage their respective strengths and overcome their individual weaknesses. HIS are usually designed to handle complex tasks that are difficult to solve with a single approach. These systems combine techniques such as fuzzy logic, artificial neural networks, evolutionary algorithms, and rule-based methods, resulting in more flexible, adaptive, and intelligent solutions. The method used in the classification is the Principal Component Analysis (PCA) Algorithm, which is a statistical analysis method that aims to reduce data dimensions while maintaining significant information. PCA works by transforming the initial variables into a set of uncorrelated principal components. This technique is widely used in various fields such as image processing, pattern recognition, data compression, and exploratory data analysis. The PCA process involves decomposing the covariance or correlation matrix of the data to find the eigenvectors and eigenvalues that represent the principal components. By reducing dimensions, PCA helps overcome data redundancy problems, improves computational efficiency, and enables data visualization in lower dimensions. This study reviews the basic concept of PCA, its mathematical implementation, and its practical application in multidimensional data analysis. The K-Nearest Neighbor (KNN) algorithm is a machine learning method used for classification and regression with a simple principle, namely determining the class or value of a data based on its k nearest neighbors in the feature space. KNN works by calculating the distance between the test data and the training data using metrics such as Euclidean Distance, Manhattan Distance, or Minkowski Distance, then determining the prediction results based on the majority of classes or the average value of the nearest neighbors. Keywords: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN). Abstrak: Hybrid Intelligent Systems merupakan sistem yang menggabungkan lebih dari satu teknik kecerdasan buatan (AI) atau pendekatan komputasi untuk memanfaatkan kekuatan masing-masing dan mengatasi kelemahan individu. HIS biasanya dirancang untuk menangani tugas-tugas yang kompleks, yang sulit diselesaikan dengan pendekatan tunggal. Sistem ini memadukan teknik-teknik seperti logika fuzzy, jaringan saraf tiruan, algoritma evolusioner, dan metode berbasis aturan, sehingga menghasilkan solusi yang lebih fleksibel, adaptif, dan cerdas. Adapun metode yang digunakan dalam klasifikasi yaitu Algoritma Principal Component Analysis (PCA) merupakan salah satu metode analisis statistik yang bertujuan untuk mereduksi dimensi data sambil mempertahankan informasi yang signifikan. PCA bekerja dengan mentransformasikan variabel awal menjadi sekumpulan komponen utama (principal components) yang tidak saling berkorelasi. Teknik ini banyak digunakan dalam berbagai bidang seperti pengolahan citra, pengenalan pola, kompresi data, dan analisis data eksploratif. Proses PCA melibatkan dekomposisi matriks kovarians atau korelasi data untuk menemukan vektor eigen dan nilai eigen yang merepresentasikan komponen utama. Dengan mereduksi dimensi, PCA membantu mengatasi masalah redundansi data, meningkatkan efisiensi komputasi, dan memungkinkan visualisasi data dalam dimensi yang lebih rendah. Studi ini mengulas konsep dasar PCA, implementasi matematisnya, serta aplikasi praktisnya dalam analisis data multidimensi. Algoritma K-Nearest Neighbor (KNN) adalah metode pembelajaran mesin yang digunakan untuk klasifikasi dan regresi dengan prinsip sederhana, yaitu menentukan kelas atau nilai suatu data berdasarkan k tetangga terdekatnya dalam ruang fitur. KNN bekerja dengan menghitung jarak antara data uji dengan data pelatihan menggunakan metrik seperti Euclidean Distance, Manhattan Distance, atau Minkowski Distance, kemudian menentukan hasil prediksi berdasarkan mayoritas kelas atau rata-rata nilai tetangga terdekat. Kata kunci: Hybrid Intelligent Systems, Principal Component Analysis (PCA), K-Nearest Neighbor (KNN).
Klasifikasi Buah Kelapa Muda, Kelapa Tua, dan Buah Naga Menggunakan Pendekatan Hybrid PCA-KNN Sutri, Ridwan; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2581

Abstract

 Abstract: This study discusses the classification method of young coconuts, old coconuts, and dragon fruits using a hybrid Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) approach. This approach aims to improve the accuracy and efficiency of fruit classification based on visual and texture features. The research data were taken from fruit images processed using PCA for dimension reduction, followed by the KNN algorithm for classification. The test results showed that the combination of PCA and KNN was able to provide high accuracy, with an average accuracy value reaching 96%. Keyword: fruit classification, PCA, KNN, image processing.Abstrak: Penelitian ini membahas metode klasifikasi buah kelapa muda, kelapa tua, dan buah naga menggunakan pendekatan hybrid Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN). Pendekatan ini bertujuan untuk meningkatkan akurasi dan efisiensi dalam klasifikasi buah berdasarkan fitur visual dan tekstur. Data penelitian diambil dari citra buah yang diproses menggunakan PCA untuk reduksi dimensi, dilanjutkan dengan algoritma KNN untuk klasifikasi. Hasil pengujian menunjukkan bahwa kombinasi PCA dan KNN mampu memberikan akurasi tinggi, dengan nilai rata-rata akurasi mencapai 96%. Kata kunci: klasifikasi buah, PCA, KNN, pengolahan citra.
PENGGUNAAN PRINCIPAL COMPONENT ANALYSIS (PCA) DAN K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI SAYURAN MENTIMUN, PARE, DAN TERONG Syarif, Ahmad; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2751

Abstract

Abstract: The classification of vegetable types is an important aspect of the agricultural industry to improve the efficiency of product management, packaging, and distribution. This study aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbors (KNN) methods in the vegetable classification process, especially for cucumbers, squash, and eggplants. PCA is used to reduce the data dimensions and extract the key significant features that distinguish vegetable categories. Meanwhile, KNN is applied as a classification algorithm based on the proximity of these key features. The research dataset consists of digital images of vegetables extracted into color, texture, and shape attributes. The results show that the combination of PCA and KNN is able to significantly improve the classification accuracy by minimizing computational complexity. Experiments are carried out with various numbers of main components in PCA and variations in kkk parameter values in KNN to determine the optimal configuration. In the best configuration, this method achieves a classification accuracy of 90%, with PCA effectively reducing the data dimension by 95% without losing important information. In conclusion, this approach has great potential to be implemented in vegetable classification automation systems to support efficiency in the agricultural supply chain. Keywords: Vegetables classification, Principal Component Analysis (PCA), K-Nearest                Neighbors(KNN), cucumber, bitter melon, eggplant.Abstrak: Klasifikasi jenis sayuran merupakan salah satu aspek penting dalam industri pertanian untuk meningkatkan efisiensi pengelolaan produk, pengemasan, serta distribusi. Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbors (KNN) dalam proses klasifikasi sayuran, khususnya mentimun, pare, dan terong. PCA digunakan untuk mengurangi dimensi data dan mengekstraksi fitur utama yang signifikan dalam membedakan kategori sayuran. Sementara itu, KNN diterapkan sebagai algoritma klasifikasi berdasarkan kedekatan fitur-fitur utama tersebut. Dataset penelitian terdiri atas citra digital sayuran yang diekstraksi menjadi atribut warna, tekstur, dan bentuk. Hasil penelitian menunjukkan bahwa kombinasi PCA dan KNN mampu meningkatkan akurasi klasifikasi secara signifikan dengan meminimalkan kompleksitas komputasi. Eksperimen dilakukan dengan berbagai jumlah komponen utama pada PCA dan variasi nilai parameter kkk pada KNN untuk menentukan konfigurasi optimal. Pada konfigurasi terbaik, metode ini mencapai akurasi klasifikasi sebesar 90%, dengan PCA secara efektif mereduksi dimensi data hingga 95% tanpa kehilangan informasi penting. Kesimpulannya, pendekatan ini memiliki potensi yang besar untuk diimplementasikan dalam sistem otomatisasi klasifikasi sayuran guna mendukung efisiensi dalam rantai pasok agrikultur. Kata kunci: Klasifikasi sayuran, Principal Component Analysis (PCA), K-Nearest Neighbors (KNN),  mentimun, pare, terong.
IMPLEMENTASI MECHINE LEARNING PADA HYBRID INTELLIGENCE SISTEM MENGUNAKAN METODE PCA-KNN PADA JENIS BUAH APEL, JERUK, TOMAT Angga, Angga; Ramadhanu, Agung
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 8, No 1 (2025): February 2025
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v8i1.2583

Abstract

Abstract: This research aims to implement the Principal Component Analysis (PCA) and K-Nearest Neighbor (KNN) methods in a digital image-based classification system for apples, oranges and tomatoes. PCA is used to reduce data dimensions to increase computational efficiency without losing important information, while KNN is applied for the classification process of extracted data. This research includes several stages, starting from image data collection, preprocessing, segmentation, feature extraction, to accuracy testing. The research results show that the combination of PCA and KNN methods is able to provide a high level of accuracy, with an average accuracy of 90%. In detail, the classification of apples achieved 100% accuracy, oranges 90%, and tomatoes 100%. PCA successfully eliminates redundant features, thereby increasing the efficiency of the classification process, while KNN shows reliability in handling reduced data. Keywords: Principal Component Analysis, K-Nearest Neighbor, classification, image processing, machine learning. Abstrak: Penelitian ini bertujuan untuk mengimplementasikan metode Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN) dalam sistem klasifikasi buah apel, jeruk, dan tomat berbasis citra digital. PCA digunakan untuk mereduksi dimensi data guna meningkatkan efisiensi komputasi tanpa kehilangan informasi penting, sementara KNN diterapkan untuk proses klasifikasi data hasil ekstraksi. Penelitian ini mencakup beberapa tahapan, mulai dari pengumpulan data citra, preprocessing, segmentasi, ekstraksi fitur, hingga pengujian akurasi. Hasil penelitian menunjukkan bahwa kombinasi metode PCA dan KNN mampu memberikan tingkat akurasi yang tinggi, dengan rata-rata akurasi sebesar 90%. Secara rinci, klasifikasi apel mencapai akurasi 100%, jeruk 90%, dan tomat 100%. PCA berhasil mengeliminasi fitur redundan, sehingga meningkatkan efisiensi proses klasifikasi, sedangkan KNN menunjukkan keandalan dalam menangani data yang telah direduksi. Kata Kunci: Principal Component Analysis, K-Nearest Neighbor, klasifikasi, pengolahan citra, machine learning.
Co-Authors Afriadi Afriadi Afriadi, A Agus Salim, David Ahmad Syarif ahmad yani Akbar, Syifa Chairunnissa Deliva Al-arrafi, Muhammad Ikhsan Angga Angga Anggara Putra, Febri Antoni Antoni Chairunnissa Deliva Akbar, Syifa Chan, Fajri Rinaldi Devita, Retno Dicky Imansyah, Muhammad Dila, Rahmah Enggari, Sofika Erlanda, Hadrian Fajri Saputra, Charisman Gafari, Abuzar Gunadi Widi Nurcahyo Hadi Syahputra Halifia Hendri Harnaranda, Jefri Hidayati, Dzil Honestya, Gabriela Ilmawan, Fachrul Irsyad, As'Ary Sahlul Karseno, Doni Khomsi, Ahmad Mardison Mardison Masri, Taufik Muhammad Idris Nadia, Nadia Aini Hafizhah Negoro, Wahyu Saptha Nurdiansyah, Ali Permata, Edo Pertiwi, Yuliana Pratama, Dede Putra, Kharisma Utama Rahmad Rahmad Rahmad, R Rianti, Eva Riati, Itin Riyan Saputra, Riyan Rosa, Imelda Sajida, Mayang salim, alfajri Saputra, Randy Sarjon Defit Selvia, Dina Silfia Andini, Silfia Sumijan, S Sutri, Ridwan Syafril Syafril Syafril, S Syalsabilla, Adinda Tesa Vausia Sandiva Utama Putra, Kharisma Vidyanti, Angela Citra Wirdawati, Wira Yanti, Rahma Yasmin, Nabila Yasmin, Nabilla Yemi, Leonardo Yesi Betriana Roza, yesibetriana_18 Yolanda Yolanda, Yolanda Yosfand, Windra Yuhandri Yulihartati, Sandra