Article Per Year (5 Year)
p-Index From 2021 - 2026
8.925
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal sistem informasi, Teknologi informasi dan komputer Jurnal TIMES CESS (Journal of Computer Engineering, System and Science) InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING Martabe : Jurnal Pengabdian Kepada Masyarakat KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) The IJICS (International Journal of Informatics and Computer Science) JOURNAL OF SCIENCE AND SOCIAL RESEARCH Jurnal Informasi dan Komputer TIN: TERAPAN INFORMATIKA NUSANTARA Brahmana : Jurnal Penerapan Kecerdasan Buatan Jurnal Tunas Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Nusantara Hasana Journal Journal of Informatics Management and Information Technology KLIK: Kajian Ilmiah Informatika dan Komputer J-SAKTI (Jurnal Sains Komputer dan Informatika) Jurnal Pengabdian Kepada Masyarakat Jurnal Janitra Informatika dan Sistem Informasi Journal of Artificial Intelligence and Engineering Applications (JAIEA) Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) JOMLAI: Journal of Machine Learning and Artificial Intelligence JOURNAL OF ICT APLICATIONS AND SYSTEM Jurnal Pengabdian Kolaborasi dan Inovasi IPTEKS Indonesian Journal of Multidisciplinary on Social and Technology Jurnal Abdimas Maduma Jurnal Komputer dan Teknologi (JUKOMTEK) Jurnal Ilmu Komputer, Teknologi Dan Informasi Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Jurnal Gemilang Informatika (GIT)
Jaya Tata Hardinata
Universitas HKBP Nommensen Pematangsiantar, Indonesia
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Veterinary Other

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

Found 65 Documents
Search

 3   4   5   6   7 
Prediksi RNN Terhadap Nilai Tukar Petani Sumatera Utara Menggunakan ADAM Afriyani Damanik; Onesimus Harefa; Ningsih Septi Uli Purba; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.805

Abstract

Salah satu indikator penting untuk mengukur kesejahteraan ekonomi dan daya beli masyarakat tani adalah Nilai Tukar Petani (NTP). Meskipun pertanian memainkan peran penting dalam perekonomian Sumatera Utara, petani sering menghadapi kenaikan biaya produksi dan harga komoditas yang tidak stabil. Tujuan dari penelitian ini adalah untuk membuat model prediksi presisi tinggi yang menggunakan Jaringan Syaraf Tiruan Berulang (RNN) yang dioptimalkan dengan algoritma Estimasi Moment Adaptif (Adam) untuk memprediksi tren NTP dari tahun 2016 hingga 2025. Data yang digunakan berasal dari deret waktu longitudinal dari Badan Pusat Statistik (BPS), yang mencakup berbagai subsektor, termasuk hortikultura, perkebunan, dan tanaman pangan. Metodologi penelitian menangkap pola musiman tahunan dengan menggunakan MinMaxScaler dan teknik windowing dua belas bulan. Untuk menentukan konfigurasi hyperparameter yang ideal, tiga skenario eksperimen dilakukan. Hasil penelitian menunjukkan bahwa model dengan densitas neuron yang tinggi dan kecepatan belajar agresif sebesar 0,015 (Skenario 3) melakukan yang terbaik. Dengan Mean Absolute Percentage Error (MAPE) hanya 1,45% dan Root Mean Square Error (RMSE) hanya 2,1056, model ini mencapai hasil terbaik. Hal ini menunjukkan bahwa model RNN-Adam sangat efektif untuk mengidentifikasi dinamika ekonomi pertanian non-linear di Sumatera Utara. Studi ini sangat membantu otoritas regional membuat kebijakan yang berbasis bukti.
Analisis Prediksi Harga Minyak Mentah WTI dengan Metode ANN Backpropagation dan Long Short-Term Memory Wulan Liviana Simbolon; Rado Manurung; Adrian Sidauruk; Lusi Saragih; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.809

Abstract

Perbandingan Regresi Linier dan Artificial Neural Network dalam Prediksi Penumpang Kereta Api Saudurma S. S. Sidabutar; Septian Trio Sitohang; Makmur Jaya Samosir; Yosua Alexandru Simatupang; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.822

Abstract

The development of rail transportation in Indonesia continues to change over time. These changes are influenced by various factors, such as government policies, the economic situation, and improvements in railway infrastructure. This dynamic suggests that better transportation planning requires predictive techniques that can accurately identify changing patterns. This study aims to compare Linear Regression and Artificial Neural Network (ANN) methods in predicting national rail passenger numbers. Before being used for modeling, the time series data underwent a preprocessing stage. The research process included dividing the data into training and test data, applying both prediction methods, and evaluating model performance using Mean Squared Error (MSE) and Root Mean Squared Error (RMSE). The results showed that the ANN method was more accurate than the Linear Regression method. Therefore, the ANN method may be a better choice to assist rail transportation planning in Indonesia.
Analisis Analisis dan Prediksi Produksi Padi Nasional di Indonesia berdasarkan Data Historis Menggunakan Metode Backpropagation Serenita Silalahi; Hans Lambertus Sidabutar; Ratu Christine Siallagan; Angel Ariski Simatupang; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.823

Abstract

Produksi padi merupakan komoditas strategis yang berperan penting dalam menjaga ketahanan pangan nasional di Indonesia. Namun, produksi padi dari tahun ke tahun cenderung mengalami fluktuasi yang dipengaruhi oleh berbagai faktor, seperti kondisi iklim, luas panen, produktivitas lahan, dan kebijakan di sektor pertanian. Oleh karena itu, diperlukan analisis yang mampu menggambarkan dinamika produksi padi sebagai bahan pendukung pengambilan keputusan. Penelitian ini bertujuan untuk menganalisis produksi padi nasional di Indonesia berdasarkan data historis. Data yang digunakan merupakan data sekunder kuantitatif produksi padi nasional yang diperoleh dari Badan Pusat Statistik (BPS) dalam kurun waktu beberapa tahun. Data dianalisis menggunakan metode deskriptif kuantitatif untuk mengidentifikasi pola, tren, dan perubahan produksi padi dari waktu ke waktu. Hasil penelitian menunjukkan bahwa produksi padi nasional mengalami fluktuasi yang dipengaruhi oleh faktor alam, teknis, dan kebijakan pada periode tertentu. Analisis ini memberikan gambaran kondisi produksi padi nasional serta tantangan dalam menjaga stabilitas pangan. Dengan demikian, hasil penelitian diharapkan dapat menjadi bahan pertimbangan dalam perencanaan dan perumusan kebijakan di bidang pertanian dan ketahanan pangan nasional.
Analisis dan Prediksi Analisis Dan Prediksi Harga Beras Grosir Indonesia Tingkat Perdagangan Besar Dengan Backpropagation Stefani Silalahi; Josua Jhon Radho Hutahaean; Leony Sinaga; Cierlin Pardede; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.824

Abstract

 Penelitian ini membahas analisis dan prediksi harga beras grosir Indonesia di tingkat perdagangan besar menggunakan metode jaringan saraf tiruan Backpropagation. Data yang digunakan merupakan data sekunder kuantitatif berupa data runtun waktu (time series) harga beras grosir bulanan dalam satuan rupiah per kilogram yang diperoleh dari Badan Pusat Statistik (BPS) pada periode 2010–2025. Data yang di peroleh sebanyak 180,dan observasi di proses melalui nomalisasi sigmoid.maka data pelatihan dan data pengujian yang telah dibagi menjadi dua data.pola historis dan pergerakan Harga yang menghasilkan nilai prediksi untuk periode selanjutnya yang dibangun dengan model Bakcpropogation. Hasil pengujian menunjukkan bahwa model mampu mengikuti tren kenaikan dan penurunan harga beras dengan baik, ditunjukkan oleh kedekatan pola antara data aktual dan data prediksi pada data testing selama 24 bulan. Akurasi menggunakan Mean Absolute Percantage Eror atau yang sering di sebut dengan (MAPE) merupakan evaluasi yang akurasi untuk menunjukkan tingkat kesalahan yang relative kecil,maka dari itu model ini dinilai memiliki kinerja untuk prediksi yang cuup baik.maka dari itu perencanaan kebijakan terkait stabilitas Harga beras grosir di Indonesia metode backpropogation digunakan sebagai alat bantu pendukung pengambilan keputusan.
Pemodelan ANN Berbasis ARIMA Untuk Peramalan Impor Aluminium Menurut Negara Asal Utama Enjel Debora Silitonga; Eka Yunita Purba; Lesteria Tri Yani Silaban; Elisabeth N. R. Silalahi; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 4 No. 3 (2026): Februari 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v4i3.842

Abstract

Sampai saat ini, pasokan bahan baku logam, khususnya aluminium, yang masih didominasi oleh barang impor, sangat penting bagi ketahanan industri manufaktur nasional. Tujuan dari penelitian ini adalah untuk membuat model peramalan hibrida yang menggunakan metode statistik klasik Autoregressive Integrated Moving Average (ARIMA) dan algoritma kecerdasan buatan Artificial Neural Network (ANN) untuk memprediksi volume impor aluminium dari Indonesia berdasarkan negara asal utamanya. Model ini dirancang untuk menangkap komponen linear melalui ordo ARIMA(1,1,1), dan komponen non-linear melalui pemodelan residual menggunakan arsitektur Multilayer Perceptron (MLP). Data yang digunakan berasal dari Badan Pusat Statistik (BPS) dari 2017 hingga 2024. Baseline, Intermediate, dan Deep Optimized adalah tiga skenario optimasi yang digunakan untuk menguji. Hasil analisis menunjukkan bahwa volume impor aluminium mengalami fluktuasi besar sejak pandemi COVID-19 pada tahun 2020. Namun, seiring dengan peningkatan permintaan sektor otomotif dan pembangunan infrastruktur di seluruh negara, volumenya kembali meningkat. Nilai Mean Absolute Percentage Error (MAPE) model hibrida adalah 4.1%, menunjukkan bahwa mereka lebih akurat daripada model tunggal. Hasil ini memberikan dasar bagi pemerintah dan bisnis untuk membuat strategi pengadaan bahan baku yang lebih sesuai dengan dinamika pasar global.
prediksi Prediksi Harga Emas di Indonesia Menggunakan Machine Learning Ningsih Septi Uli Purba; Saudurma Seven Septiana Sidabutar; Wulan Liviana Simbolon; Febi Indriyani Sitohang; Syuri Maharani Samosir; Jaya Tata Hardinata
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 1 (2026): Juni 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i1.1261

Abstract

Emas merupakan instrumen investasi utama di Indonesia yang berfungsi sebagai pelindung nilai aset, namun pergerakan harganya yang dinamis dan sangat fluktuatif—dipengaruhi oleh faktor pasar domestik maupun internasional menjadi tantangan tersendiri bagi para pelaku usaha dan investor. Penelitian ini bertujuan untuk membangun dan menguji kinerja model prediksi harga emas di Indonesia menggunakan pendekatan Machine Learning, dengan memanfaatkan data historis harga acuan utama yaitu ANTAM (mulai dari nilai dasar Rp2.970.000), GALERI24, dan UBS. Tahapan penelitian meliputi analisis eksplorasi data menggunakan Microsoft Power BI untuk melihat pola hubungan antar variabel, serta pemodelan dan pengujian menggunakan perangkat lunak Orange Data Mining dengan penerapan empat algoritma: Neural Network, k-Nearest Neighbors (kNN), Random Forest, dan Decision Tree. Hasil analisis menunjukkan adanya korelasi positif yang sangat kuat dan pola keterkaitan yang jelas antara ketiga sumber harga tersebut. Hasil pengujian model membuktikan bahwa algoritma Random Forest memberikan kinerja paling optimal dengan nilai AUC (Area Under Curve) sebesar 0,987 dan tingkat akurasi klasifikasi tertinggi, diikuti oleh Neural Network (0,972), kNN (0,895), dan Decision Tree (0,780). Model ini terbukti efektif menangkap pola hubungan yang rumit antar variabel, sehingga dapat dijadikan alat bantu keputusan yang andal bagi masyarakat, pedagang, maupun investor dalam merencanakan strategi pembelian dan penjualan emas yang tepat.
Penerapan Algoritma Naive Bayes Untuk Klasifikasi Kelayakan Penerima Beasiswa Berdasarkan Data Sosial Ekonomi Mahasiswa Kevin Rasi Dauly; Jaya Tata Hardinata; Togi Lumbantobing; Rahul Sinurat
Jurnal Ilmu Komputer, Teknologi Dan Informasi Vol 4 No 2 (2026): Juli
Publisher : CV. Graha Mitra Edukasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62866/jurikti.v4i2.323

Abstract

Scholarship programs are one of the efforts made by universities to improve educational quality while supporting students with limited economic conditions. The scholarship selection process generally considers various socio-economic factors, including parents' income, number of family dependents, Grade Point Average (GPA), ownership of the Indonesia Smart Card (KIP), and housing status. In practice, the selection process is still largely performed manually, which is time-consuming, prone to recording errors, and potentially less objective because it depends on the subjective judgment of the staff involved. This condition highlights the need for a computational approach that can support faster, more consistent, and measurable decision-making. This study aims to implement the Naive Bayes algorithm, a probability-based classification method that works based on Bayes' Theorem with the assumption of conditional independence among attributes, to classify scholarship eligibility based on students' socio-economic data. The research method consists of five main stages: data collection, data preprocessing (handling missing values, duplicate records, and categorical attribute transformation), dataset splitting using the Hold-Out Validation method with a composition of 80% training data and 20% testing data, model training using the Naive Bayes algorithm implemented with the Scikit-learn library, and performance evaluation using a Confusion Matrix. The dataset consists of 200 student records with seven attributes, namely parents' income, number of dependents, GPA, housing status, KIP ownership, semester level, and eligibility status. The results show that the Naive Bayes algorithm is able to classify scholarship eligibility with an Accuracy of 92.50%, Precision of 95.65%, Recall of 91.67%, and F1-Score of 93.62%. These results confirm that the Naive Bayes algorithm can be used as a decision support method to make the scholarship selection process faster, more objective, and more efficient than manual selection.
Komparasi Algoritma Naive Bayes, Random Forest, dan Decision Tree untuk Prediksi Penyakit Stroke Menggunakan Orange Data Mining Wulan Liviana Simbolon; David Ofel Gihon Purba; Ningsih Purba; Saudurma Sidabutar; Betharya Tampubolon; Jaya Tata Hardinata
Jurnal Ilmu Komputer, Teknologi Dan Informasi Vol 4 No 2 (2026): Juli
Publisher : CV. Graha Mitra Edukasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62866/jurikti.v4i2.359

Abstract

Stroke is one of the leading causes of death and long-term disability worldwide, making accurate prediction methods essential to support early detection and clinical decision-making. The problem addressed in this study is the lack of evidence regarding which classification algorithm provides the best performance for predicting stroke using the Healthcare Stroke Dataset. This study aims to compare the performance of the Naive Bayes, Random Forest, and Decision Tree algorithms using Orange Data Mining to identify the most effective predictive model. A quantitative approach with a comparative experimental design was employed. The dataset used in this research was the Healthcare Stroke Dataset obtained from Kaggle, consisting of 5,110 records with 12 attributes. The research process included data preprocessing using the Impute widget, feature selection using the Rank widget, classification model development, and model evaluation through 10-fold cross-validation. Performance was assessed using Accuracy, Area Under the Curve (AUC), Precision, Recall, F1-Score, Matthews Correlation Coefficient (MCC), Confusion Matrix, and Receiver Operating Characteristic (ROC) analysis. The results indicate that the Decision Tree algorithm achieved the highest accuracy of 95.1%, followed by Random Forest with 94.8%, while Naive Bayes achieved 92.4%. However, Naive Bayes obtained the highest AUC value of 0.804, demonstrating superior class discrimination capability on an imbalanced dataset. These findings suggest that algorithm selection should not rely solely on accuracy but also consider the model's ability to distinguish between classes consistently. This study contributes to providing recommendations for selecting appropriate classification algorithms to support the development of machine learning-based early stroke prediction systems
Analisis Perbandingan Algoritma Random Forest dan Support Vector Machine pada Prediksi Customer Churn Menggunakan IBM Telco Customer Churn Dataset Saudurma Seven Septiana Sidabutar; Ningsih Septi Uli Purba; Wulan Liviana Simbolon; Betharya Tampubolon; Jaya Tata Hardinata
Jurnal Ilmu Komputer, Teknologi Dan Informasi Vol 4 No 2 (2026): Juli
Publisher : CV. Graha Mitra Edukasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62866/jurikti.v4i2.377

Abstract

Customer churn is a condition in which customers decide to discontinue the services provided by a company. In the telecommunications industry, a high customer churn rate can reduce company revenue and customer loyalty. Therefore, an accurate prediction method is needed to identify customers who are likely to churn so that preventive strategies can be implemented at an early stage. This study aims to compare the performance of the Random Forest and Support Vector Machine (SVM) algorithms in predicting customer churn using the IBM Telco Customer Churn Dataset. The research stages include data collection, data preprocessing, model development using Orange Data Mining, model evaluation through Test and Score, Confusion matrix, and Receiver operating characteristic (ROC), as well as data visualization using Microsoft Power BI. The results indicate that both algorithms are capable of classifying customer data; however, the Random Forest algorithm achieves better performance than the Support Vector Machine based on the evaluation metrics obtained. Furthermore, data visualization using Microsoft Power BI provides a clearer understanding of customer characteristics and supports the interpretation of the research findings. Therefore, Random Forest is recommended as a more effective algorithm for customer churn prediction in the telecommunications sector.
Co-Authors Abdi Rahim Damanik Adeita A. Ndraha Adrian Sidauruk Afriyani Damanik Agus Perdana Windarto Andini, Yulia Andri Nata Angel Ariski Simatupang Arda Pakpahan Arminarahmah, Nur Astri Veranita Sinaga Aulia Ichwanda Ramadhan Azarya N J Siahaan Batubara, Lokot Ridwan Betharya Tampubolon Chairani, Yulia Chintya Carolina Situmorang Christa Voni Sinaga Cierlin Pardede Damanik, Abdi Rahim David Ofel Gihon Purba Debby Febriani R. Saragih Deddy Wahyudin Purba Dedi Handoko Dedi Handoko Dedi Suhendro Dedy Hartama Dedy Hartama Dewi, Rafiqa Dian Lestari Hutapea Dinda Zefanya Simanjuntak Dudes Manalu Efendi, Elfin Eka Desriani Aritonang Eka Irawan Eka Irawan Eka Irawan Eka Yunita Purba Elisabeth N. R. Silalahi Ema Deloris Silaban Enjel Debora Silitonga Exaudi Sirait, Debora Fadillah Alwi Pambudi Febi Indriyani Sitohang Ferri Ojak Immanuel Pardede Ferri Ojak Immanuel Pardede Gayus Simarmata Gilbert Batahi Lumbantobing Glenn Desmon Sirait GS , Achmad Daengs Hans Lambertus Sidabutar Hans Lambertus Sidabutar Hartama, Dedy Hendry Qurniawan Hendry Qurniawan Heru Satria Tambunan Heru Satria Tambunan Heru Satria Tambunan Heru Satria Tambunan, Heru Satria I Irawan Ilham Syahputra Saragih Irfan Sudahri Damanik Josua Jhon Radho Hutahaean Juli Antasari Br Sinaga Kevin Rasi Dauly Kevin Rasi Dauly Pardede Kiki Aidi Saputra Leony Sinaga Lesteria Tri Yani Silaban Lusi Saragih M Safii M. Fauzan Makmur Jaya Samosir Marhite Simorangkir Marina Rajagukguk Melda Veby Ristella Munthe Muhammad Arifullah Muhammad Azri Muhammad Fauzan Muhammad Ridwan Lubis Muhammad Ridwan Lubis Muhammad Safii Ningsih Purba Ningsih Septi Uli Purba Ningsih Septi Uli Purba Ningsih Septi Uli Purba Nur Arminarahmah Ojak Immanuel Pardede, Ferri Okprana, Harly onesimus Harefa Onesimus Harefa Peniel Sam Putra Sitorus Perdamaian Pernando Sitanggang Purba, Yuegilion Pranayama Purnama Nuraini Putri Mai Sarah Tarigan Putri Mai Sarah Tarigan Putriyani Matondang Qurniawan, Hendry Rado Manurung Rado Rama Jaya Manurung Rahul Sinurat Ratu Christine Siallagan Rektor Sianturi, Rektor Riama Ester Angelina Sihombing Rick Hunter Simanungkalit, Rick Hunter Riska Oktavia Safii, M Safruddin, S Saifullah Saifullah Saifullah Saifullah Samuel Alex Lubis Saragih, Reagan Surbakti Saudurma S. S. Sidabutar Saudurma Seven Septiana Sidabutar Saudurma Seven Septiana Sidabutar Saudurma Sidabutar Septian Trio Sitohang Septian Trio Sitohang Serenita Silalahi Simbolon, Maria Etty Simorangkir, Marhite Sinta Maria Sinaga Siti Hadija Situmorang, Eduward Stefani Silalahi Suhada Suhada, Suhada Sundari Retno Andani Surbakti Saragih, Reagan Susy Alestriani Sibagariang Syuri Maharani Samosir Tarigan, Putri Mai Sarah Togi Lumbantobing Vina Merina Sianipar Vincentius Danu Bona Arta Nadeak Vivi Auladina Voni Roulina Sinaga, Christa Wanto, Anjar Widodo Saputra Winanjaya, Riki Wulan Liviana Simbolon Wulan Liviana Simbolon Wulan Liviana Simbolon Yosua Alexandru Simatupang Yuegilion Pranavarna Purba Yuegilion Pranayama Purba Yuegilion Pranayama Purba Yuegilion Pranayama Purba Yulia Andini Yuliana Nainggolan Yuni Arista Saragih Zulaini Masruro Nasution