Article Per Year (5 Year)
p-Index From 2020 - 2025
15.444
P-Index
This Author published in this journals
All Journal Jurnal Matematika BIMASTER Epsilon: Jurnal Matematika Murni dan Terapan CESS (Journal of Computer Engineering, System and Science) BAREKENG: Jurnal Ilmu Matematika dan Terapan JTAM (Jurnal Teori dan Aplikasi Matematika) KABILAH : Journal of Social Community Jurnal Pendidikan Sejarah dan Riset Sosial Humaniora (KAGANGA) BULETIN AL-RIBAATH Jambura Journal of Mathematics GERVASI: Jurnal Pengabdian kepada Masyarakat Sarwahita : Jurnal Pengabdian Kepada Masyarakat M A T H L I N E : Jurnal Matematika dan Pendidikan Matematika Variance : Journal of Statistics and Its Applications International Journal of Economics, Business and Accounting Research (IJEBAR) Jurnal Pendidikan Dasar Perkhasa Jurnal Pengabdian kepada Masyarakat Nusantara Journal of Mathematics Education and Science AR-RIAYAH : Jurnal Pendidikan Dasar Lumbung Inovasi: Jurnal Pengabdian Kepada Masyarakat Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi CENDEKIA : Jurnal Ilmu Pengetahuan Journal of Community Development Empiricism Journal Jurnal Eurekamatika Jurnal Forum Analisis Statistik Pattimura International Journal of Mathematics (PIJMath) STATISTIKA Bina Bahari : Jurnal Pengabdian Kepada Masyarakat Equiva
Neva Satyahadewi
Program Studi Statistika Fakultas MIPA Universitas Tanjungpura, Indonesia
Religion Agriculture, Biological Sciences & Forestry Humanities 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 Economics, Econometrics & Finance Education Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Mechanical Engineering Nursing Physics Public Health Social Sciences Transportation Other

Published : 169 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 169 Documents
Search

 9   10   11   12   13 
Algoritma Adaboost pada Metode Decision Tree untuk Klasifikasi Kelulusan Mahasiswa Yuveinsiana Crismayella; Neva Satyahadewi; Hendra Perdana
Jambura Journal of Mathematics Vol 5, No 2: August 2023
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/jjom.v5i2.18790

Abstract

Colleges provide higher education as the benchmark of education quality and evaluate higher education syllabi. Graduation rates and enrollment capacity are essential for graduation assessment and decision-making. Unfortunately, some students majoring in statistics failed to finish their studies on time, impacting the accreditation of the study program. It is necessary to examine the characteristics of students who managed and failed to complete their studies on time using the data mining classification method, namely Algorithm C5.0. In this study, Adaboost algorithm and Algorithm C5.0 was employed to classify graduation rates accurately. Graduation data of the Statistics Study Program of Universitas Tanjungpura Batch 1 of 20217/2018 to Batch II of 2022/2023 School years were regarded in this study. First, the entropy, gain, and gain ratio values were measured. After that, each data was given equal weight, and iteration was performed 100 times. The analysis using Algorithm C5.0 showed School Accreditation as the variable with the highest gain ratio, indicating that School Accreditation has the most decisive influence on graduation rates with an accuracy percentage of 70%. This percentage then increased to 82.14% after the boosting using the Adaboost algorithm. Adaboost Algorithm is regarded as good in improving the accuracy of algorithm C5.0. The results of this study can provide insight for colleges in designing policies to increase on-time graduation based on the factors that influence student graduation.
PENERAPAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) DALAM KLASIFIKASI FAKTOR RISIKO PENYAKIT DIABETES MELITUS Ferdina Ferdina; Neva Satyahadewi; Dadan Kusnandar
VARIANCE: Journal of Statistics and Its Applications Vol 5 No 2 (2023): VARIANCE: Journal of Statistics and Its Applications
Publisher : Statistics Study Programme, Department of Mathematics, Faculty of Mathematics and Natural Sciences, University of Pattimura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30598/variancevol5iss2page139-146

Abstract

Algoritma Iterative Dichotomiser 3 (ID3) adalah sebuah metode yang digunakan untuk membuat pohon keputusan. Pohon keputusan merupakan salah satu metode klasifikasi dengan model prediksi menggunakan struktur pohon. International Diabetes Federation pada tahun 2021 menyatakan bahwa Indonesia menduduki posisi kelima dalam kasus diabetes terbanyak, dengan jumlah penyandang diabetes sebanyak 19,47 juta penduduk. Tujuan penelitian ini adalah menerapkan Algoritma ID3 dan menentukan akurasinya dalam klasifikasi faktor risiko diabetes melitus. Data yang digunakan dalam penelitian ini adalah data hasil tes kesehatan karyawan di Kota Banyuwangi, Jember, Kediri, Madiun, Malang, Sidoarjo dan Surabaya yang kemudian dibagi menjadi data training dan data testing. Atribut klasifikasi yang digunakan dalam penelitian ini adalah jenis kelamin, usia, gula darah sewaktu (GDS), High Density Lipoprotein (HDL), Low Density Lipoprotein (LDL), dan trigliserida. Berdasarkan hasil pengujian klasifikasi Algoritma ID3 menggunakan data training dan software R Studio, diperoleh variabel dengan nilai information gain tertinggi adalah Gula Darah Sewaktu (GDS). Berdasarkan hasil perhitungan, nilai akurasi yang diperoleh dari metode Algoritma ID3 adalah sebesar 90%. Akurasi yang diperoleh, dapat disimpulkan bahwa keakuratan Algoritma ID3 tergolong baik dalam klasifikasi faktor risiko penyakit diabetes melitus.
PERBANDINGAN KLASTER K-MEANS DAN K-MEDIAN PADA DATA INDIKATOR KEMISKINAN KABUPATEN/KOTA DI PROVINSI KALIMANTAN BARAT Giovani Parasta Riswanda; Dadan Kusnandar; Nurfitri Imro’ah
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 6 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v12i6.71551

Abstract

Metode k-means ialah pengklasteran non-hirarki yang sering dipakai, dengan memkai rataan yang jadi pusat klasternya, dan k-median ialah pengklasteran non-hirarki yang memakai nilai median sebagai pusat klaster. Studi ini tujuannya guna membandingkan metode k-means dan k-median. Data yang dipakai ialah data indikator kemiskinan Kabupaten/Kota di Provinsi Kalimantan Barat, selanjutnya lakukan pengujian multikolinieritas dengan melihat nilai VIF  10. Bila nilai VIF setiap variabel  10 maka tidak alami multikolieritas pada data dan data bisa dipakai untuk pengklasteran. Sesudah didapat hasil pengklasteran memakai metode k-means dan k-median, lakukan perbandingan memakai nilai varians. Hasil dari pengklasteran k-means didapat klaster pertama 4 anggota dan klaster ke-dua 10 anggota. Sedangkan hasil pengklasteran k-median didapat klaster pertama 5 anggota dan klaster ke-dua 9 anggota. Berdasarkan nilai varians didapat bahwa metode k-means dengan nilai varians yakni 0,38 lebih baik dibanding k-median dengan nilai varians yakni 0,55. Kata kunci: Kemiskinan, K-means, K-median
PENDUGAAN DATA HILANG MENGGUNAKAN PERBANDINGAN IMPUTASI HOT-DECK DAN K-NEAREST NEIGHBOR Indry Handayany; Dadan Kusnandar; Wirda Andani
Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya Vol 12, No 4 (2023): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya
Publisher : FMIPA Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/bbimst.v12i4.68323

Abstract

Data hilang digambarkan sebagai keadaan nilai observasi yang kosong atau tidak memiliki nilai sehingga mengakibatkan hilangnya informasi pada sebuah kasus. Data hilang disebabkan kemungkinan pengukuran kurang lengkap, pencarian informasi yang sulit ditemukan, kesalahan atau kelalaian dalam menjalankan prosedur pengumpulan data atau bahkan responden yang menolak untuk menjawab pertanyaan dalam suatu survei. Hal tersebut mengakibatkan berkurangnya informasi penting yang diakibatkan dari data hilang. Oleh karena itu, perlu dilakukan imputasi data hilang untuk penanganan data hilang. Metode imputasi dapat dibedakan menjadi dua jenis, yaitu metode imputasi berbasis statistik dan metode imputasi berbasis machine learning. Metode imputasi Hot-Deck merupakan metode terbaik dalam imputasi berbasis statistik, sedangkan imputasi K-Nearest Neighbor merupakan metode terbaik dalam imputasi berbasis machine learning. Penelitian ini bertujuan menerapkan dan membandingkan hasil akurasi metode imputasi Hot-Deck dan K-Nearest Neighbor pada pendugaan data hilang pada Dapodik SMA Kota/Kab Pontianak dan Kubu Raya tahun 2023. Simulasi data hilang menggunakan mekanisme Missing Completely At Random (MCAR) 5% pada masing-masing variabel. Nilai akurasi imputasi terbaik terdapat di imputasi K-Nearest Neighbor menggunakan parameter k=4 dengan nilai Root Mean Square Error (RMSE) sebesar 5,80 dan Mean Absolute Percentage Error (MAPE) sebesar 10,98%. Kata Kunci: Dapodik, imputasi data, imputasi Hot-Deck, imputasi K-Nearest Neighbor
Penentuan Jumlah Cluster Optimum Menggunakan Davies Bouldin Index dalam Pengelompokan Wilayah Kemiskinan di Indonesia Nanda Shalsadilla; Shantika Martha; Hendra Perdana; Neva Satyahadewi; Evy Sulistianingsih
Statistika Vol. 23 No. 1 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i1.1743

Abstract

Abstrak Kemiskinan merupakan suatu permasalahan yang sampai saat ini masih menjadi fokus pemerintah terutama pasca pandemi Covid-19. Permasalahan terkait kemiskinan dapat diatasi apabila pemerintah mengusung program pengentasan kemiskinan yang direalisasikan secara efektif dan efisien. Tujuan penelitian ini adalah mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan serta menentukan jumlah cluster optimum yang terbentuk. Analisis cluster merupakan teknik multivariat yang dapat digunakan untuk tujuan pengelompokan. Dengan analisis cluster seluruh provinsi yang ada di Indonesia dapat dikelompokkan berdasarkan kesamaan karakteristik yang dimiliki sehingga kedaruratan dan kebutuhan tiap cluster dapat diketahui. Ward merupakan salah satu metode dalam analisis cluster yang mengelompokkan objek dengan meminimalisir variasi antar objek dalam satu cluster. Selanjutnya, penentuan jumlah cluster optimum penting dilakukan agar seluruh provinsi di Indonesia dapat dikelompokkan dengan tepat. Davies Bouldin Index (DBI) merupakan suatu metode yang menentukan banyaknya cluster optimum berdasarkan kedekatan objek terhadap centroidnya dalam satu cluster dan jarak antar centroid cluster. Data yang digunakan merupakan data 10 indikator kemiskinan untuk setiap provinsi di Indonesia tahun 2021. Berdasarkan penelitian yang telah dilakukan banyaknya cluster optimum yang terbentuk untuk mengelompokkan provinsi di Indonesia berdasarkan indikator kemiskinan adalah berjumlah 5 cluster dengan nilai validitas DBI yang diperoleh sebesar 1,1420 yang merupakan nilai validitas terkecil dari jumlah cluster lainnya. Cluster 1 dengan tingkat kemiskinan tertinggi beranggotakan 3 provinsi yaitu Nusa Tenggara Timur, Papua Barat, dan Papua, cluster 2 beranggotakan 10 provinsi, cluster 3 beranggotakan 11 provinsi, cluster 4 beranggotakan 9 provinsi, dan cluster 5 dengan tingkat kemiskinan terendah beranggotakan 1 provinsi yaitu DKI Jakarta. Abstract Poverty has been an issue that received significant government attention, particularly in response to the Covid-19 pandemic. The study aimed to classify Indonesian provinces based on poverty indicators and determine the optimal number of clusters. Cluster analysis, a multivariate technique, was employed to group provinces based on their similaritycharacteristics, facilitating the identification of specific needs and emergencies within each cluster. The Ward method, a clustering technique, minimized variations between objects within a cluster during the grouping process. Determining the correct number of clusters was crucial to ensure accurate provincial classification. The Davies Bouldin Index (DBI) was used to determine the optimum number of clusters by assessing the proximity of objects to their centroids and the inter-centroid distances. The dataset consisted of 10 poverty indicators for each province in Indonesia in 2021. The research findings revealed that the optimum number of clusters for classifying provinces based on poverty indicators was five, with a DBI value of 1.1420, the lowest among other cluster configurations. Cluster 1, characterized by the highest poverty rate, comprised three provinces: East Nusa Tenggara, Papua, and West Papua. Cluster 2encompassed ten provinces, while cluster 3 consisted of eleven provinces. Cluster 4 comprised nine provinces, and cluster 5, characterized by the lowest poverty rate, consisted of a single province: DKI Jakarta.
Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM Rahadi Ramlan; Neva Satyahadewi; Wirda Andani
Jambura Journal of Mathematics Vol 5, No 2: August 2023
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34312/jjom.v5i2.20860

Abstract

Twitter is one of the social media with the most active users, which is 24 million active users. Information published on twitter contains comments from users on an object. Sentiment analysis is used to determine whether the data includes negative comments or positive comments because the comments taken on twitter are textual data. The method used in this sentiment analysis is Support Vector Machine (SVM) about public comments on fuel price increases on twitter. The comment data used was 258 data on September 4, 2022 because on that date it was exactly the day after the fuel price increase. First, preprocessing is done to remove unnecessary words or information. Then the data is divided into training data by 80% and testing data by 20%. The accuracy rate is 82.69%, sensitivity is 100%, and specificity is 79.07%. Then from the results of testing 52 data obtained the results of 43 negative comments and 9 positive comments so that it can be concluded that more people disagree with the increase in fuel prices.
Pelatihan Analisis Data Menggunakan Software Minitab untuk Mahasiswa Tingkat Akhir Setyo Wira Rizki; Naomi Nessyana Debataraja; Shantika Martha; Dadan Kusnandar; Ray Tamtama; Neva Satyahadewi; Nurfitri Imro'ah; Hendra Perdana
GERVASI: Jurnal Pengabdian kepada Masyarakat Vol. 7 No. 3 (2023): GERVASI: Jurnal Pengabdian kepada Masyarakat
Publisher : LPPM IKIP PGRI Pontianak

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31571/gervasi.v7i3.5425

Abstract

Pelatihan analisis data pada Sekolah Tinggi Keguruan dan Ilmu Pendidikan (STKIP) Pamane Talino bertujuan meningkatkan kemampuan analisis data tugas akhir mahasiswa di STKIP Pamane Talino sehingga diharapkan dapat mempersingkat waktu penyelesaian tugas akhir. Pelatihan dilaksanakan secara daring pada 27 Oktober 2021 dan diikuti 140 mahasiswa. Kegiatan diawali dengan persiapan, pengabdi menggali informasi mengenai software dan metode statistik yang biasa digunakan. Setelah itu diberikan pre-test untuk mengukur kemampuan sebelum penyampaian materi, dilanjutkan dengan penyampaian materi analisis data serta demonstrasi software Minitab untuk uji validitas dan reliabilitas, uji hipotesis, dan uji-t oleh narasumber didampingi tujuh dosen Program Studi Statistika Universitas Tanjungpura lainnya. Setelah penyampaian materi, diberikan posttest untuk mengukur kembali kemampuan analisis data mahasiswa. Dilakukan pengujian hipotesis hasil pre-test dan posttest menggunakan uji-t guna menarik kesimpulan. Pengujian hipotesis menunjukkan p-value 0,094 lebih kecil dari taraf signifikansi (α) 10%, sehingga disimpulkan hasil dari pengabdian ini adalah meningkatnya kemampuan analisis data tugas akhir mahasiswa.
Determining the Optimum Number of Clusters in Hierarchical Clustering Using Pseudo-F Steven Jansen Sinaga; Neva Satyahadewi; Hendra Perdana
Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi EULER: Volume 11 Issue 2 December 2023
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/euler.v11i2.23113

Abstract

Poverty refers to the condition where a person cannot meet the basic necessities based on the minimum living standards. Statistics Indonesia proxied an increase in the poverty rate in North Sumatra Province in 2021 from 8.75% to 9.01%. However, this increase is exclusive to North Sumatra Province, which has Indonesia's 3rd largest number of districts/cities. This study discussed mapping the North Sumatra Province region based on 10 poverty factor variables. The 10 variables are life expectancy, health complaints, poverty line, Gross Regional Domestic Product (GRDP), population growth rate, Expected Years of Schooling (EYS), Human Development Index (HDI), labor force participation rate, open unemployment rate, and district/city minimum wage. The Hierarchical Clustering analysis was employed to compare single, complete, and average linkage methods. The best method was determined based on the pseudo-F statistic value. 4 clusters had complete linkage methods, each of which possessed varied characteristics. Cluster 1 contains cities with the lowest poverty rate, including Medan City and  Pematang Siantar City. Cluster 2 consists of cities with low poverty rates, while Cluster 3 consists of cities with high poverty rates. Cities that are included in Cluster 4 have very high poverty rates, including South Nias District and Pakpak Bharat District. The clusters present significant poverty rate gaps among North Sumatra Province regions.
Penerapan Model Harga Opsi Black Scholes dalam Penentuan Premi Asuransi Jiwa Dwiguna Unit Link Seftiani Seftiani; Neva Satyahadewi; Nur'ainul Miftahul Huda
Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi EULER: Volume 11 Issue 2 December 2023
Publisher : Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/euler.v11i2.23049

Abstract

Unit-linked life insurance is one of the most popular insurance products. This product connects the element of protection with investment assets in a product. Regarding option pricing, the Black Scholes model is one method that can be used. The advantage of this model is that it is a call option valuation model and is in great demand among financial associations because the option rate obtained from the calculation of this model is an accurate value. This research aims to determine the premium value of unit-linked endowment life insurance by applying the Black Scholes option pricing model. This research begins by selecting the stocks used and completing the information needed, including the insured's age, gender, insurance period, and life expectancy based on TMI in 2011. The return value and stock volatility can be calculated based on the stock data used. Furthermore, applying the Black Scholes option pricing model on customer data with male gender, age 25 years, a selected interest rate of 5.75%, and an insurance period of 5 years obtained a unit link insurance premium value of Rp123,058,412. The results showed that the Black Scholes option price model is determined by stock prices, interest rates, insurance periods, and volatility. When the longer period of insurance taken causes the premium value to be higher, and for different ages, with increasing age, the value of premiums paid will also increase.
Regresi Data Panel dalam Analisis Faktor-Faktor yang Mempengaruhi IPM di Kalimantan Barat Neva Satyahadewi; Siti Aprizkiyandari; Risky Oprasianti
Statistika Vol. 23 No. 2 (2023): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v23i2.2201

Abstract

ABSTRAK Analisis regresi data panel digunakan untuk meneliti data di Kalimantan Barat meliputi kabupaten/kotanya dari tahun 2017 sampai tahun 2021 yaitu Indeks Pembangunan Manusia (IPM) dan faktor pengaruhnya. Tingkat penduduk miskin (), kepadatan penduduk (), tingkat partisipasi angkatan kerja (), angka harapan hidup (), rata-rata lama sekolah () dan IPM () merupakan variabel yang digunakan. Analisis regresi yang menggabungkan data silang dan deret waktu merupakan regresi panel. Dalam pengestimasiannya ada tiga pendekatan yakni Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM). Uji Chow, Uji Hausman, dan Uji LM dilakukan untuk mendapatkan model terbaik. Estimasi pendekatan model regresi panel terbaik adalah model FEM atau Fixed Effect Model. Variabel angka harapan hidup () dan rata-rata lama sekolah () secara signifikan berpengaruh terhadap IPM (). ABSTRACT Panel data regression analysis is used to see the Human Development Index (HDI) data and what factors affect it in West Kalimantan from 2017 to 2021.The level of poverty (), population density (), labor force participation rate (), life expectancy (), average years of schooling () and HDI () are the variables used. Regression analysis that combines cross-sectional and time series data is panel regression. In its estimation, there are three approaches, namely the Common Effect Model (CEM), Fixed Effect Model (FEM), and Random Effect Model (REM). Chow test, Hausman test, and Lagrange Multiplier (LM) test were carried out to the best. This study found that the best panel regression model approach estimation is the Fixed Effect Model (FEM). Life expectancy variable () and average years of schooling () significantly affect HDI ().
Co-Authors . Apriansyah Aditya Handayani Afghani Jayuska Afghany Jayuska Alqaida Yusril Alvin Octavianus Halim Amriani Amir Amriani Amir Amriani Amir Amriani Amir Andani, Wirda Anisa Putri Ayuni Apriliyanti, Rita Aprizkiyandari, Siti Ardhitha, Tiffany Ari Hepi Yanti Arsyi, Fritzgerald Muhammad Ashari, Asri Mulya Asri Mulya Ashari Asty Fistia Ningrum Atikasari, Awang Aulia Puteri Amari Bambang Kurniadi Banu, Syarifah Syahr ciptadi, wahyudin Dadan Kusnandar Dadan Kusnandar Dadan Kusnandar David Jordy Dhandio Debataraja, Naomi Nessyana Della Zaria Desriani Lestari Desriani Lestari Desriani Lestari Dhandio, David Jordy Dinda Lestari Dwi Nining Indrasari Dwinanda, Maria Welita Esta Br Tarigan Evy Sulistianingsih Ewaldus Okta Ezra Amarya Aipassa Ferdina Ferdina Feriliani Maria Nani Fitriawan, Della Frans Xavier Natalius Antoni Fransisca Febrianti Sundari Fransiska Fransiska Giovani Parasta Riswanda Grikus Romi Gusti Eva Tavita Gusti Eva Tavita Hairil Al-Ham Hamzah, Erwin Rizal Hanin, Noerul Harimurti, Puspito Harnanta, Nabila Izza Hastri Sastia Wuri Helena, Shifa Hendra Perdana Hendrianto, El Herina Marlisa Huda, Nur'ainul Miftahul Huriyah, Syifa Khansa Ibnur Rusi Ikha Safitri Imro'ah, Nurfitri Imro’ah, Nurfitri Imtiyaz, Widad Indry Handayany Isra’ Sagita Jawani Jawani Karlina, Sela Kusnandar, Dadan Tonny Lucky Hartanti Lucky Hartanti Lucky Hartanti M. Deny Hafizzul Muttaqin Maga, Fahmi Giovani Margareta, Tiara Margaretha, Ledy Claudia Marlisa, Herina Marola, Geby Martha, Shantika Mega Sari Juane Sofiana Mega Sari Juane Sofiana Mega Tri Junika Millennia Taraly Misrawi Misrawi Muhammad Ahyar Muhammad Radhi Muliadi Muliadi Muslimah (F54210032) Nabil, Ilhan Nail Nanda Shalsadilla Naomi Nessyana Debataraja Naomi Nessyana Debataraja Noerul Hanin Nona Lusia Nugrahaeni, Indah Nur Asih Kurniawati Nur Asiska Nur'ainul Miftahul Huda Nurfitri Imro'ah Nurfitri Imro’ah Nurhalita Nurhalita Nurmaulia Ningsih NUR’AINUL MIFTAHUL HUDA Oktaviani, Indah Ovi Indah Afriani Paisal Paisal Pertiwi, Retno Pratama, Aditya Nugraha Preatin Preatin Putri Putri Putri, Aulia Nabila Qalbi Aliklas R Puspito Harimurti Radhi, Muhammad Rafdinal Rafdinal Rahadi Ramlan Rahmadanti, Putri Rahmanita Febrianti Rusmaningtyas Rahmawati, Fenti Nurdiana Rahmi Fadhillah Ramadhan, Nanda Ramadhania, Wahida Reni Unaeni Retnani, Hani Dwi Ria Andini Ria Fuji Astuti Rina Rina Risky Oprasianti Rita Kurnia Apindiati Rivaldo, Rendi Riza Linda Rizki Nur Rahmalita Rosi Kismonika Roslina Rosi Tamara Rovi Christova Safira, Shafa Alya Salsabilla, Arla Santika Santika Sary, Rifkah Alfiyyah Seftiani Seftiani Selvy Putri Agustianto Setyo Wir Rizki Setyo Wira Rizki Setyo Wira Rizki Setyo Wira Rizki Shantika Martha Shantika Martha Sinaga, Steven Jansen Sintia Margun Sista, Sekar Aulia Siti Aprizkiyandari Siti Aprizkiyandari, Nurul Qomariyah, Shantika Martha, Siti Hardianti Steven Jansen Sinaga Suci Angriani Sukal Minsas Sukal Minsas Syuradi syuradi Tamtama, Ray Taraly, Inggriani Millennia Tiara, Dinda Wahyu Diyan Ramadana Wahyudin Ciptadi Warsidah Warsidah Warsidah, Warsidah Wilda Ariani Wirda Andani Yopi Saputra Yudhi Yuliono, Agus Yumna Siska Fitriyani Yundari, Yundari Yuveinsiana Crismayella Zakiah, Ainun