Article Per Year (5 Year)
p-Index From 2021 - 2026
6.357
P-Index
This Author published in this journals
All Journal Kinesik Jurnal ICT : Information Communication & Technology Infotekmesin JATI (Jurnal Mahasiswa Teknik Informatika) JUSTIN (Jurnal Sistem dan Teknologi Informasi) PROSISKO : Jurnal Pengembangan Riset dan observasi Rekayasa Sistem Komputer Journal of Artificial Intelligence and Engineering Applications (JAIEA) AMMA : Jurnal Pengabdian Masyarakat
Irma Purnamasari, Ade
Unknown Affiliation
Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mechanical Engineering Nursing Social Sciences

Published : 55 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 55 Documents
Search

 2   3   4   5   6 
KLASIFIKASI PENERIMA BANTUAN BPNT MENGGUNAKAN ALGORITMA K-NN Syajida, Hanna; Irma Purnamasari, Ade; Suprapti, Tati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8357

Abstract

Program Keluarga Harapan (PKH) dan Bantuan Pangan Non-Tunai (BPNT) merupakan dua program bantuan sosial yang bertujuan untuk meningkatkan kesejahteraan masyarakat yang berada dalam kondisi ekonomi rendah. PKH fokus pada bantuan tunai bagi keluarga miskin, sementara BPNT memberikan bantuan pangan dalam bentuk non-tunai. Meskipun memiliki tujuan yang sama, yaitu mengentaskan kemiskinan dan memberikan bantuan kepada keluarga yang membutuhkan, seringkali terdapat overlap antara penerima bantuan dari kedua program ini. perlu dilakukan analisis lebih lanjut untuk mengidentifikasi pola-pola dalam data penerima bantuan dan memahami kesamaan karakteristik antara kedua program. Penelitian ini bertujuan untuk melakukan klasifikasi penerima bantuan Program Keluarga Harapan (PKH) dan Bantuan Pangan Non-Tunai (BPNT) menggunakan algoritma K-NN. Klasifikasi ini dilakukan dengan mengelompokkan penerima bantuan berdasarkan kriteria tertentu, seperti pendapatan keluarga, jumlah tanggungan, status rumah tinggal, pekerjaan, dinding rumah, lantai rumah, kendaraan. Penelitian ini menggunakan pendekatan kuantitatif dengan mengumpulkan data kriteria penerima bantuan PKH dan BPNT. Hasil dari penelitian memberikan kontribusi penting dalam meningkatkan akurasi dan efisiensi dalam penentuan penerima manfaat dari program ini di masa mendatang. ini dapat memberikan wawasan yang lebih baik terkait pola distribusi bantuan dan membantu penyelenggara program dalam menentukan kriteria penerima bantuan BPNT. Program ini dapat mencapai tujuan utama penerima bantuan, yaitu mengurangi tingkat kemiskinan dan meningkatkan kesejahteraan masyarakat yang berhak menerima manfaat dari program pemerintah.
PREDIKSI JUMLAH NARAPIDANA MENGGUNAKAN ALGORITMA REGRESI LINIER: DI WILAYAH CIREBON Indriyan Dwi Kesuma, Adri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8364

Abstract

Penelitian ini bertujuan untuk memprediksi jumlah narapidana di Cirebon, Jawa Barat, dengan menggunakan regresi linier sebagai metode untuk mengatasi tren peningkatan kejahatan dan kekhawatiran terhadap peningkatan jumlah narapidana di wilayah tersebut. Dataset yang diperoleh dari opendata.cirebonkota.go.id yaitu jumlah narapidana berdasarkan putusan pengadilan menurut jenis tindak pidana di LP Kelas 1 Cirebon digunakan untuk menganalisis data pada bulan Desember 2020 hingga Agustus 2023. Fokus penelitian adalah memperkirakan jumlah narapidana di Cirebon bulan berikutnya yaitu September, Oktober, November, dan Desember tahun 2023. Regresi linier digunakan sebagai metode prediksi utama karena penggunaannya yang umum dalam peramalan. Keakuratan prediksi dinilai menggunakan pengukuran Root Mean Squared Error (RMSE) dan Relative Error. Hasilnya, perkiraan jumlah narapidana di Cirebon pada bulan September, Oktober, November, dan Desember 2023 masing-masing berjumlah 894, 897, 896, dan 891 orang. Evaluasi keakuratan prediksi menunjukkan nilai RMSE bulan September, Oktober, November, dan Desember masing-masing sebesar 8,60, 8,65, 8,16, dan 8,14. Nilai Relative Error pada bulan yang sama masing-masing sebesar 44,16%, 54,20%, 38,14%, dan 45,26%. Berdasarkan nilai RMSE, prediksi tersebut tergolong relatif akurat. Namun, pertimbangan lebih lanjut diperlukan untuk nilai Relative Error karena persentasenya yang besar.
ANALISIS SENTIMEN TANGGAPAN MASYARAKAT DI MEDIA SOSIAL TWITTER MENGENAI PENUTUPAN FITUR TIKTOK SHOP MENGGUNAKAN ALGORITMA KLASIFIKASI NAÏVE BAYES Putra Pratama, Aeri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8367

Abstract

Perkembangan teknologi yang pesat memberikan kemudahan dalam kehidupan manusia, termasuk akses hiburan, informasi, serta layanan jasa dan toko online. Platform media sosial TikTok menjadi salah satu hasil dari perkembangan teknologi informasi dan komunikasi, yang menghadirkan dimensi Social-Commerce melalui fitur TikTok Shop. Namun saat ini pemerintah indonesia mengambil keputusan untuk menutup dan meregulasi fitur TikTok Shop. Hal ini menjadi tren topik yang memicu perdebatan di media sosial twitter. Sehingga banyak pengguna twitter yang pro dan kontra mengenai keputusan yang diambil oleh pemerintah indonesia. Tujuan penelitian ini untuk mengetahui sentimen masyarakat mengenai fenomena penutupan fitur tiktok shop berdasarkan kategori Positif dan Negatif. Pada penelitian ini menggunakan Algoritma Klasifikasi Naive Bayes dengan menggunakan software tools Rapidminer dan memanfaatkan Metode Knowledge Discovery in Databases (KDD). Penelitian ini memperoleh data 1504 data tweet kemudian melakukan Data Selection menjadi 858 data tweet. Hasil analisis sentimen dari 1504 tweet menunjukkan bahwa 395 diantaranya bersentimen positif dan 460 bersentimen negatif terhadap keputusan pemerintah dalam menutup dan meregulasi fitur tiktok shop. Melalui penerapan data mining dengan menggunakan Algoritma Naive Bayes dan operator Cross validation menghasilkan nilai recall 55.00%, nilai precision 71.27% dan nilai Accuracy 64.41%. Kesimpulan penelitian ini menegaskan bahwa penerapa Klasifikasi Naive Bayes pada tweet dengan topik Penutupan dan regulasi fitur tiktok shop di platform media sosial twitter menampilkan nilai peformance dan kinerja yang cukup baik dalam menganalisis sentimen terhadap data twitter. Kontribusi dari penelitian ini dapat membantu mengevaluasi keefektivitasan kebijakan pemerintah dalam pengambilan keputusan yang lebih baik terhadap fitur TikTok Shop.
ANALISIS PENJUALAN PRODUK UMKM DI SHOPEE PADA TOKO AGUNG0NA9 MENGGUNAKAN MODEL ALGORITMA REGRESI LINEAR Supriyatna, Adi; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8372

Abstract

Shopee merupakan platform e-commerce yang beroperasi secara online dan hadir di berbagai negara di Asia Tenggara, Shopee telah berkembang pesat dalam beberapa tahun terakhir memungkinkan konsumen membeli produk secara online, Toko umkm Agung0na9 Menjual produk kategori musik dan juga kerajinan. Tujuan dari penelitian ini adalah menerapkan algoritma regresi linier untuk memprediksi produk dengan Kategori musik dan kerajinan yang akan terjual dalam waktu 3 bulan berikutnya. Regresi linear digunakan sebagai metode prediksi dengan jumlah produk yang terjual sebagai variabel Y dan periode sebagai variabel X. relative Error digunakan untuk mengevaluasi hasil prediksi. Hasil prediksi kategori Musik pada bulan pertama terjual 68 pcs, pada bulan kedua 69 pcs dan bulan ketiga 70 pcs dan kategori Kerajinan pada bulan pertama terjual 1078 pcs, pada bulan kedua 1029 pcs dan bulan ketiga 1066 pcs. Hasil evaluasi nilai Nilai Relative Error pada kategori Musik 13.64%, sedangkan, Nilai Relative Error kategori Kerajinan 22.65%. Prediksi penjualan handphone menggunakan metode regresi linear ini dapat dikatakan tergolong dalam kategori cukup atau bisa digunakan.
IMPLEMENTASI DATA MINING UNTUK CLUSTERING JENIS OBAT MENGGUNAKAN METODE ALGORITMA K-MEANS DI UPTD PUSKESMAS TEGAL GUBUG Arofah, Mila; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8410

Abstract

Kebutuhan obat-obatan yang sesuai merupakan faktor penting dalam pengendalian pemasokan obat yang efektif dan efisien. Hal ini memastikan ketersediaan berbagai jenis obat sesuai kebutuhan dan dapat diperoleh tepat waktu. Namun, proses pengadaan obat di Puskesmas masih mengalami kendala dalam menentukan jenis dan jumlah obat yang optimal. Kendala ini dapat mengakibatkan kekurangan atau kelebihan stok obat, yang berdampak pada pemborosan dan inefisiensi. Penelitian ini bertujuan untuk membentuk kelompok-kelompok data obat-obatan di UPTD Puskesmas Tegal Gubug menggunakan metode clustering data mining. Penelitian dapat membantu dalam proses pengambilan keputusan, perencanaan, dan pengendalian pasokan obat di Puskesmas. Penelitian ini menggunakan metode clustering data obat-obatan dengan algoritma K-Means. Algoritma K-Means adalah metode clustering non-hirarki yang mempartisi data ke dalam kelompok-kelompok (cluster) berdasarkan kesamaan karakteristik. Hasil penelitian menunjukkan bahwa algoritma K-Means dapat mengelompokkan data obat-obatan di UPTD Puskesmas Tegal Gubug berdasarkan pengujian dengan 124 data. Cluster optimal menyumbangkan 10 data untuk cluster C1 (obat dengan pemakaian lambat), 50 data untuk cluster C2 (obat dengan pemakaian sedang), dan 64 data untuk cluster C3 (obat dengan pemakaian cepat). Hal ini menunjukkan bahwa data mendekati cluster pembayaran (Pusat). Metode clustering data mining dengan algoritma K-Means dapat membantu Puskesmas dalam meningkatkan efektivitas dan efisiensi pengendalian pasokan obat.
ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PERKEMBANGAN ARTIFICIAL INTELLIGENCE DENGAN PENERAPAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) Azrul, Ahmad; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8416

Abstract

Dalam era transformasi teknologi yang pesat, perkembangan kecerdasan buatan (Artificial Intelligence atau AI) menjadi salah satu tonggak utama yang membentuk pandangan masyarakat global. Meskipun perkembangan Artificial Intelligence (AI) menghadirkan berbagai potensi positif, permasalahan yang muncul adalah kurangnya pemahaman mendalam terhadap pandangan dan sentimen pengguna Twitter terhadap evolusi teknologi ini. Tujuan penelitian ini adalah untuk menganalisis sentimen pengguna Twitter terhadap perkembangan AI dan mengevaluasi kinerja model LSTM dalam menginterpretasikan opini menggunakan algoritma Long Short-Term Memory (LSTM) dengan memanfaatkan metode Knowledge Discovery in Database (KDD). Hasil analisis sentimen dari 1513 tweet menunjukkan bahwa 999 di antaranya bersentimen positif dan 514 bersentimen negatif terhadap perkembangan AI. Melalui uji coba, model LSTM mencapai tingkat akurasi tertinggi sebesar 74,25% pada epoch 20 dengan 100 neuron pada lapisan LSTM. Pengujian dengan split data 80:20 menghasilkan kinerja terbaik dengan 1210 data training dan 303 data testing. Kesimpulan penelitian ini menegaskan bahwa penerapan LSTM pada data tweet AI memberikan kinerja yang baik, dengan rata-rata akurasi 74.25%, precision 80.29%, recall 81.09%, dan f1-score 80.69%. Hasil ini menunjukkan kemampuan model LSTM dalam efektif memahami perasaan pengguna Twitter terhadap perkembangan AI.
ANALISIS SENTIMEN KOMENTAR BERITA DETIK.COM MENGGUNAKAN ALGORITMA SUPORT VEKTOR MACHINE (SVM) Hendiana, Hendiana; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.8421

Abstract

Dalam konteks analisis sentimen terhadap komentar berita, permasalahan utama adalah kompleksitas dalam memahami dan menyebarkan opini serta tanggapan masyarakat terhadap berita . Dengan banyaknya komentar yang besar, menilai apakah umpan balik bersifat positif atau negatif, menjadi tugas yang rumit. Oleh karena itu, perlu adanya pendekatan yang canggih dan efektif, seperti menggunakan algoritma SVM, untuk meningkatkan presisi dan efisiensi analisis sentimen.dalam penelitian Data berisi 1000 komentar dari berbagai judul dan topik berita yang diambil dari website berita Detik .Com.komentar tersebut di Analisis menggunakan algoritma SVM untuk menentukan tingkat sentimen negatif dan positif. Performa SVM dalam analisis sentimen diukur dengan perhitungan akurasi, presisi, recall, dan f1-score.dari 400 komentar yang menghasilkan 288 komentar negatif dengan nilai presisi:0.99, recall:0.98, dan f-score:0.99 dan 112 komentar positif dengan nilai presisi :0.95, recall:0.98, dan f-score: 0.96, dengan akurasi sebesar 0.98Hasil penelitian ini menunjukkan bahwa kompleksitas bahasa Indonesia dalam komentar berita di Detik.com mempengaruhi sentimen distribusi. Hasil menunjukkan bahwa sentimen negatif lebih dominan daripada sentimen positif dalam komentar berita di Detik.com Berdasarkan temuan penelitian, disarankan agar pengembangan model analisis sentimen lebih lanjut mempertimbangkan peningkatan dalam mengatasi kompleksitas bahasa Indonesia
PENERAPAN METODE LONG SHORT TERM MEMORY (LSTM) DALAM MEMPREDIKSI HARGA SAHAM PT BANK CENTRAL ASIA Rosyd, Abdul; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8440

Abstract

PT Bank Central Asia merupakan salah satu perusahaan yang beroperasi di sektor perbankan di Indonesia. Saham adalah surat kepemilikan yang menunjukkan seberapa besar kepemilikan seseorang atau suatu institusi dalam suatu Perusahaan. Permasalahan utama yang dihadapi oleh investor adalah bagaimana memprediksi pergerakan harga saham di masa depan sehingga dapat mengambil keputusan investasi yang tepat. Metode penelitian yang digunakan dalam penelitian ini adalah menggunakan algoritma LSTM dengan optimasi "adam". LSTM merupakan pengembangan dari RNN yang memiliki kemampuan untuk mengolah data yang memiliki hubungan temporal atau urutan. Penelitian ini bertujuan untuk menerapkan metode Long Short Term Memory (LSTM) dalam memprediksi harga saham PT Bank Central Asia dengan menggunakan pendekatan eksperimental. Dengan mengumpulkan dan menganalisis data historis harga saham Bank BCA dari 2020 hingga 2023, metode LSTM dengan optimasi "adam" berhasil memberikan prediksi yang memiliki tingkat akurasi yang baik, ditunjukkan oleh nilai Root Mean Square Error (RMSE) sebesar 40.85, Mean Absolute Percentage Error (MAPE) sebesar 0.71%, dan Mean Squared Error (MSE) sebesar 6662.76. Hasil prediksi ini diharapkan dapat mendukung pengambilan keputusan investasi dengan memberikan wawasan yang berguna dalam analisis pergerakan harga saham PT Bank Central Asia.
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING UNTUK ANALISIS PERSEBARAN UMKM DI JAWA BARAT Azzam, Ahmad; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.8450

Abstract

Usaha Mikro Kecil dan Menengah, atau dikenal sebagai UMKM, adalah usaha produktif yang telah terbukti menciptakan dan memberikan lapangan pekerjaan dan memiliki kontribusi yang besar pada roda perekonomian di Indonesia. Pengembangan Usaha Mikro, Kecil, dan Menengah (UMKM) memainkan peran penting dalam pertumbuhan ekonomi regional, termasuk di Jawa Barat. Namun, tantangan utama yang dihadapi adalah kurangnya pemahaman yang mendalam tentang pola persebaran dan karakteristik UMKM di wilayah tersebut. Oleh karena itu, penelitian ini bertujuan untuk mengisi kesenjangan pengetahuan ini dengan menerapkan Metode Algoritma K-Means Clustering untuk mengidentifikasi variabel-variabel penting yang dapat digunakan dalam mengelompokkan UMKM, serta untuk menganalisis pola-pola persebarannya, sehingga penelitian ini dapat menjadi perhatian bagi pemerintah ataupun lembaga yang terkait dalam meningkatkan perekonomian UMKM di Jawa Barat. Ini karena diperlukan pengembangan potensi dalam pelaksanaan UMKM melalui analisis strategi persebaran UMKM dan peningkatan jumlah UMKM di Jawa Barat. Pada metode Clustering UMKM ini akan dibagi menjadi 3 bagian berdasarkan tingkat persebaran UMKM yaitu cluster 0 atau rendah yang memperoleh hasil 11 Kabupaten/Kota, cluster 1 atau sedang memperoleh hasil 3 Kabupaten/Kota, dan cluster 2 atau tinggi memperoleh hasil 12 Kabupaten/Kota. Hasil evaluasi clustering akan menggunakan metode davies bouldin index (DBI) menghasilkan nilai sebesar -0,471. Dari hasil evaluasi cluster tersebut menunjukkan bahwa hasil cluster yang terbentuk adalah cluster yang terbaik. Hasil yang diperoleh itu dapat memberikan pemahaman yang mendalam tentang pola persebaran UMKM di Jawa Barat. Hasil dari penelitian ini dapat digunakan sebagai pendukung rumusan kebijakan ekonomi regional yang lebih terarah serta strategi pengembangan UMKM yang lebih efektif.
DESAIN DAN IMPLEMENTASI SISTEM INFORMASI PHOTOGRAPHY ARFI POTRET BERBASIS WEBSITE MENGGUNAKAN METODE RATIONAL UNIFIED PROCESS (RUP) Rifa'i, Akhmad; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8456

Abstract

Photography ARFI POTRET merupakan suatu jasa yang digunakan untuk membantu customer dalam mendokumentasikan moment. Perlu dicatat bahwa efektivitas strategi promosi yang digunakan selama ini agak kurang. Selain itu, proses pemesanan dan pencatatan informasi masih sangat bergantung pada penggunaan aplikasi Microsoft Office, yang sayangnya membuatnya rentan terhadap berbagai kendala dan batasan. Oleh karena itu, dikembangkan sistem informasi berbasis web dengan metode Rational Unified Process untuk memudahkan proses bisnis. Sistem diuji menggunakan blackbox testing dan User Acceptance Testing (UAT). Berdasarkan hasil UAT, sistem mendapatkan penilaian sangat baik dengan total presentase 81%. Rata-rata presentase pada kategori fungsi 79,9%, rekomendasi 84,3%, dan desain 81,3%. Dengan demikian sistem layak untuk diimplementasikan guna meningkatkan kinerja photography ARFI POTRET. Hasil penelitian ini dapat membantu pemilik dalam mengolah data dan sebagai media promosi jasanya.
Co-Authors Adi Supriyatna Afiatul Ulumik, Rizki Ahmad Jaelani Aji Santoso Aldiyansyah, Aldiyansyah Amdani Ana Amalia, Ana Andi Setiawan Annurfariz, Aditya Arif Firmansyah, Aditiya Arofah, Mila Azrul, Ahmad Azzam, Ahmad Christian Anderson Wint's II, Hans Danar Dana, Raditya Elfrida Ratnawati Fajar Fauzan, Muhammad Fatmawati, Aisyah Gifthera Dwilestari Gina Regiana Gitacahyani, Adisty Gunia, Euis Hartini, Tuti Hendiana, Hendiana Hendriyansyah, Hendriyansyah Hurifiani, Alfia Ikbal, Ali Indriyan Dwi Kesuma, Adri Irfan Ali Irfan Ali, Irfan Julkarnaen, Agus Karunia Nurul Asry, Kintan Kaslani Khoerudin, Ikna Kodratul Munawar, Koko Lestari, Hasanah Lutfiah Lutfiah Maulana, Ali Muharram, Akbar Nining.R.M Novi Rahmawati Nur Alam, Alfian Nur Aziziah, Aldila Odi Nurdiawan Prihartono, Willy Putra Pratama, Aeri R, Nining Rakhmat Hidayat, Rakhmat Ramadhan, Niko Ramadhan, Ryan Ramanto, Aditiya Restillah, Syifa Retno Sari Rifa'i, Akhmad Rinaldi Dikananda, Arif Rinaldi Dikanda, Arif Rini Astuti Rosyd, Abdul Sakarias Berek, Richardus Sehabudin Sehabudin, Sehabudin Shodik, Fajar Suarna, Nana Suarna, Nana Sudrajat, Adi Suryana, Aldi Syajida, Hanna Tati Suprapti Tohidi, Edi Wahyudin, Edi Wangi Nur Qibti, Intan Wisnu Saputra, Adrian Yudhistira Arie Wijaya