Article Per Year (5 Year)
p-Index From 2020 - 2025
7.235
P-Index
This Author published in this journals
All Journal Teknotan: Jurnal Industri Teknologi Pertanian Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Dharmakarya : Jurnal Aplikasi Ipteks Untuk Masyarakat IKRA-ITH Humaniora : Jurnal Sosial dan Humaniora JOURNAL OF APPLIED INFORMATICS AND COMPUTING SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Conference on Innovation and Application of Science and Technology (CIASTECH) Jurnal RESISTOR (Rekayasa Sistem Komputer) IKRA-ITH ABDIMAS Pontianak Nutrition Journal (PNJ) Journal of Industrial and Information Technology in Agriculture Jurnal Abdi Insani JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika) Jurnal Teknik Informatika (JUTIF) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer DECODE: Jurnal Pendidikan Teknologi Informasi Scientific Student Journal for Information, Technology and Science Jurnal Buana Pengabdian Composite: Jurnal Ilmu Pertanian Jurnal Sains dan Teknologi Pangan
Yana Cahyana
Unknown Affiliation
Religion 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 Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Medicine & Pharmacology Nursing Public Health Social Sciences Veterinary Other

Published : 58 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 58 Documents
Search

 1   2   3   4   5 
Analisis Kepuasan Pelanggan Terhadap Layanan Jaringan RT/RW Net Di Desa Sukasari Yana Cahyana; Miptahul Ulum; Tohirin Al Mudzakir
Scientific Student Journal for Information, Technology and Science Vol. 4 No. 2 (2023): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam pembangunan jaringan RT/RW Net ada proses pembangunannya, dan metode yang digunakan untuk pengembanganya, Mikrotik digunakan sebagai pengatur lalu lintas jaringan. Metode pengembangan sistem penulis menggunakan metode NDLC (Network Development life Cycle) dimana di dalam metode tersebut terdiri dari beberapa tahapan yaitu Analysis Design Prototype implementation, monitoring dan management. Penelitian ini memaparkan rancang bangun jaringan RT/RW Net di Desa Sukasari dan menganalisa tingkat kepuasan terhadap layanan RT/RW Net, membangun kepuasan pelanggan merupakan inti dari pencapaian suatu bisnis untuk jangka panjang. Kenaikan jumlah pelanggan merupakan indikator bila kualitas jaringan internet di Desa Sukasari mengalami kemajuan atau sebaliknya. Masalah yang di ambil dalam penelitian ini adalah sejauh mana tingkat kepuasan pelanggan jaringan RT/RW Net yang di berikan oleh penyedia layanan. Dalam penelitian ini penulis menggunakan skala likert merupakan skala yang paling banyak digunakan dalam riset berupa survey. Hasil penelitian menunjukan analisis rekpitulasi tingkat kepuasan pelanggan untuk dimensi pembuatan jaringan RT/RW Net sebesar 53%, Responden menjawab puas dan 30% menjawab sangat puas. Hal ini menunjukan bahwa jaringan RT/RW Net merasa puas.
Deteksi Bentuk Candi Jiwa dan Candi Blandongan Menggunakan Algoritma Convolutional Neural Network Narwan Nahrudin; Yana Cahyana; Kiki Baihaqi
Scientific Student Journal for Information, Technology and Science Vol. 4 No. 2 (2023): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Candi merupakan sebuah peninggalan umat hindu buddha yang berbentuk bangunan kuno. Candi jiwa dan candi blandongan merupakan sebuah warisan kerajaan hindu-buddha yang sekarang dijadikan wisata sejarah yang berada di antara kecamatan batujaya dan kecamatan pakis jaya yang sering disebut situs percandian batu jaya ini banyak sekali nilai sejarah, pengunjung tidak hanya menikmati bangunan peninggalan situs percandian batujaya namun juga bisa mengetahui sejarah yang terdapat pada candi tersebut, untuk mempertahankan nilai sejarah dan untuk mengetahui bentuk candi jiw dan candi blandongan maka dibuatlah sistem deteksi atara kedua candi ini agar pengunjung mengetahui mana yang candi jiwa dan mana yang candi blandongan dengan sistem deteksi menggunakan citra digital. Sistem yang di buat ntuk mendeteksi bentuk candi jiwa dan candi blandongan dengan menggunakan metode convolutional neural network ini mendapatkan nilai akurasi dengan pengujian menggunakan bahasa pemograman python 52,78% dan untuk akurasi pengujiaan didaptkan nilai akurasi sebesar 80%.
Model Prediksi Kasus Covid-19 di Indonesia Menggunakan Metode Linear Regresi dan Polynomial Regresi Amid Rakhman; Yana Cahyana; Rahmat Rahmat
Scientific Student Journal for Information, Technology and Science Vol. 4 No. 2 (2023): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Organisasi Kesehatan Dunia pada 11 Maret 2020 telah mengumumkan bahwa Coronavirus Disease 2019 (Covid-19) sebagai sebuah pandemi. Covid-19 ialah sebuah penyakit yang disebabkan oleh jenis coronavirus baru yaitu Sars-CoV-2 yang mengganggu sistem pernafasan. Hingga saat ini kasus terkonfirmasi positif Covid-19 di Indonesia masih terjadi setiap harinya. Penelitian ini bertujuan untuk melakukan prediksi penambahan kasus Covid-19 di Indonesia. Data yang digunakan bersumber dari API publik laman covid19.go.id berupa penambahan jumlah kasus Covid-19 di Indonesia sebanyak 122 baris data. Prediksi dilakukan dengan menggunakan metode linear regresi dan polynomial regresi sebagai pembanding. Evaluasi pada metode linear regresi mendapatkan nilai R2 = 0,57, sedangkan metode polynomial regresi mendapatkan nilai R2 = 0,84. Berdasarkan evaluasi tersebut, metode polynomial regresi mendapatkan hasil yang lebih baik dibandingkan dengan metode linear regresi. Prediksi kasus Covid19 di Indonesia pada bulan Januari sampai bulan Maret 2022 menggunakan metode polynomial regresi diprediksi penambahan kasus Covid-19 akan naik kembali
Efisiensi Proses Kerja Dengan Prediksi Kedatangan Barang Terhadap Rencana Produksi Menggunakan Algoritma Linier Regresi Bramandito Affandi; Yana Cahyana; Dwi Kusumaningrum
Scientific Student Journal for Information, Technology and Science Vol. 4 No. 2 (2023): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini membahas tentang bagaimana sebuah Algoritma dapat menghasilkan prediksi yang digunakan sebagai acuan untuk mengimpementasikan efisiensi kerja menggunakan sebuah algoritma yang dinamakan Algoritma Regresi Linier. Algoritma Regresi Linier adalah algoritma yang memungkinkan untuk menghitung hubungan linier antara variabel dependen dan independen untuk membuat prediksi. Dalam observasi nya, peneliti menggunakan satu sample yang merupakan data kedatangan barang di departemen Production Control PT XYZ Indonesiadengan total part IN 9055551, part OUT 332037. Hasil prediksi yang dilakukan dengan menggunakan Algoritma Regresi Linier pada (FebruariMei) tahun 2022 adalah 4981165 dan pada hasil pengujian hasil prediksi menggunakan metode MAPE (Mean Absolute Percentage Error)menghasilkan sebesar 6% kesalahan yang dimana 6% tersebut masih masuk di kategori A <10% yaitu sangat akurat. Hasil prediksi ini menghasilkan efisiensi Man Power, Space dan Shuttle dengan pengurangan sebanyak 1 Man Power, 500m2 space dan 5 shuttle dengan total keuntungan yang didapatkan oleh perusahaan sebesar Rp. 1.897.670.000 pertahun dan dapat memenuhi permintaan supplier baru untuk memenuhi area warehouse. Peneliti dapat menyimpulkan bahwa peneliti dapat mengetahui tahapan, proses, serta hasil dalam penerapan Algoritma Regresi Linier sebesar average 90% dari penelitian sebelumnya yang dapat memprediksi kedatangan barang dan menghasilkan effisiensi kerja.
Penerapan Algoritma Support Vector Machine Untuk Analisis Sentimen Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat Jovan Pangestu; Yana Cahyana; Hilda Novita
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pandemi virus Corona yang menyerang Indonesia membuat pemerintah Indonesia menerapkan kebijakan-kebijakan. Salah satu kebijakan yang dibuat oleh pemerintah Indonesia adalah kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat atau yang biasa disebut sebagai PPKM. Tujuan dari kebijakan tersebut adalah untuk mengurangi angka virus Corona. Akan tetapi dalam menerapkan kebijakannya tersebut menimbulkan kontroversial sehingga mengundang banyak kalangan untuk memberikan opininya terhadap kebijakan yang diterapkan pemerintah Indonesia. Keterbatasan tempat membuat masyarakat sulit memberikan opininya sehingga media sosial dipilih sebagai tempat untuk menyampaikan opininya. Salah satu media sosial yang digunakan untuk menyampaikan opininya adalah Twitter. Masyarakat dalam memberikan opininya belum diketahui sentimen tersebut apakah positif atau negatif. Dalam penelitian ini algoritma Support Vector Machine (SVM) dipilih untuk melakukan analisa sentimen atau klasifikasi terhadap kebijakan PPKM. Berdasarkan penelitian yang telah dilakukan bahwa algoritma SVM dengan menggunakan 17.281 yang dibagi menjadi 80% untuk ada training dan 20% data test mendapatkan mayoritas sentimen positif. Evaluasi yang dilakukan dengan menggunakan Confusion Matrix memperoleh hasil akurasi sebesar 89.58%, recall sebesar 86.73%, dan precision 86.85% yang artinya hasil tersebut baik
PENERAPAN METODE NAÏVE BAYES UNTUK KLASIFIKASI SENTIMEN PADA REVIEW PRODUK E-COMMERCE Muhamad Amirrullah; Yana Cahyana; Kiki Baihaqi
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemanfaatan teknologi infomasi dan komunikasi dibidang perdagangan salah satunya yaitu berupa penjualan dan pembelian secara online. Dalam kegiatan berbelanja secara online biasanya konsumen mencari terlebih dahulu mengenai produk yang akan dibelinya melalui review dari konsumen sebelumnya, dikarenakan review dari konsumen sebelumnya dapat menyediakan informasi terbaru dari produk tersebut berdasarkan perspektif konsumen lain yang sudah membeli produk tersebut terlebih dahulu. Tujuan dari penelitian ini adalah mengklasifikan review produk tersebut menggunakan algoritma naïve bayes. Klasifikasi naïve bayes merupakan algoritma untuk klasifikasi berdasarkan teorema naïve bayes dan digunakan untuk menghitung sebuah probabilitas dari suatu kelas. Dalam penelitian ini terdapat beberapa tahapan penelitian yaitu preprocessing, implementasi, dan pengujian. Pada pengujian data dibagi menjadi 2 bagian, 80% sebagai data latih serta 20% sebagai data uji. Pada pengujian menggunakan confusion matrix, penelitian ini mendapatkan akurasi sebesar 86%, sedangkan untuk precission mendapatkan nilai rata-rata 88%, serta nilai recall yang mendapatkan nilai rata-rata 86%.
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DAN C4.5 UNTUK KLASIFIKASI PENYAKIT KANKER SERVIKS Muhammad Ramadhan; Yana Cahyana; Ayu Juwita
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker serviks merupakan penyebab kematian nomor dua pada perempuan di dunia setelah kanker payudara, sedangkan di Indonesia kanker serviks menduduki peringkat pertama, hal tersebut yang menjadikan masalah kesehatan reproduksi di Indonesia masih menjadi sorotan utama. K-Nearest Neighbor (KNN) adalah suatu metode algoritma supervised learning, di mana kelas yang paling banyak muncul (mayoritas) yang akan menjadi kelas hasil klasifikasi. Sedangkan Algoritma C4.5 merupakan sebuah algoritma klasifikasi yang digunakan untuk membangun decision tree (pohon keputusan). Penelitian kali ini bertujuan untuk mengklasifikasikan data resiko kebiasaan kanker serviks dengan menerapkan algoritma KNN dan C4.5. Data diambil dari website UCI Machine Learning sebanyak 72 data dan 19 atribut setelah dilakukan seleksi menjadi 63 data dan 5 atribut yang diantaranya adalah dukungan sosial instrumental, pengetahuan pemberdayaan, kemampuan pemberdayaan dan keinginan pemberdayaan lalu untuk kanker serviks dijadikan untuk atribut kelas. Pengujian ini dilakukan dengan cara manual, pemrograman python dan rapidminer. Penghitungan algoritma KNN telah dilakukan pada pengujian menggunakan rapidminer dengan cross validation kemudian menghasilkan akurasi 80.95% dan dengan split validation membagi data menjadi data training dan testing sebesar 80 : 20 menghasilkan akurasi 83.33%, sedangkan algoritma C4.5 dengan cross validation kemudian menghasilkan akurasi 76.19% dan dengan split validation membagi data menjadi data training dan testing sebesar 80 : 20 menghasilkan akurasi 75.00%. Untuk pengujian dengan pemrograman python dengan split validation membagi data menjadi data training dan testing sebesar 80 : 20 kemudian algoritma KNN mendapatkan hasil akurasi 84.00%, sedangkan algoritma C4.5 menghasilkan akurasi 69.00%. Sehingga algoritma KNN dengan pengujian Python mendapatkan akurasi terbaik pada penelitian ini dengan nilai akurasi 84.00%.
PENERAPAN ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN CRYPTOCURRENCY PADA MEDIA SOSIAL TWITTER Rizky Riyanto; Yana Cahyana; Rahmat Rahmat
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam penelitian ini, sentimen masyarakat mengenai cryptocurrency yang disampaikan melalui tweet pada media sosial twitter akan di analisis menggunakan machine learning. Terdapat beberapa tahapan dalam melakukan analisis sentimen yaitu tahap pengumpulan data, preprocessing, labeling, pembobotan kata, klasifikasi dan evaluasi. Proses pengumpulan data dilakukan dengan metode scraping menggunakan library python snscrape dan menghasilkan sebanyak 10000 data tweet bahasa Indonesia yang berkaitan yang berkaitan dengan cryptocurrency. Proses preprocessing untuk pembersihan data terdiri dari 6 tahapan yaitu remove duplicate, case folding, cleansing, normalisasi kata, tokenizing, stopword removal dan lemmatization. Pada proses labeling data akan dilakukan secara otomatis menggunakan program python dengan library textblob, hasil labeling data terbagi menjadi 3 kelas yaitu sentimen positif, negatif dan netral. Pada tahap klasifikasi, algoritma naive bayes akan dikombinasikan dengan fitur pembobotan kata TF-IDF dalam satu kelas pipeline python. Data tweet yang digunakan dalam tahap klasifikasi sebanyak 5000 data yang terdiri dari 2500 data dengan label positif dan 2500 data dengan label negatif yang kemudian dibagi menjadi 2 yaitu sebanyak 4000 data untuk data latih dan 1000 data untuk data uji. Pengujian dan evaluasi yang dilakukan dengan metode confusion matrix menggunakan algoritma naive bayes menghasilkan nilai akurasi sebesar 89%
Penerapan Algoritma K-Means Dan K-Medoid Untuk Mengelompokan Tingkat Kunjungan Wisatawan Mancanegara Berdasarkan Rute Masuk Ke Indonesia Rizky Nugraha; Yana Cahyana; Ayu Juwita
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 1 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Jumlah kunjungan wisatawan asing yang berkunjung ke suatu negara merupakan salah satu indikator penting untuk melihat perkembangan pariwisata. Ketertarikan wisatawan asing ke Indonesia dapat meningkatkan devisa negara dan meningkatkan perekonomian masyarakat di daerah wisata. Kurangnya informasi serta pengelompokan menyangkut ketertarikan dan tingkat kunjungan data wisatawan asing berdasarkan jalur masuk ke Indonesia mengakibatkan adanya kesulitan bagi pemerintah dalam melakukan kebijakan dan perencanaan strategi pemasaran, peningkatan infrastruktur serta fasilitas pariwisata untuk menarik minat para wisatawan asing, sehingga menjadi tidak tepat sasaran, menyebabkan wisata-wisata di Indonesia yang kurang dikenal jarang dikunjungi oleh wisatawan asing. Oleh karena itu, tujuan yang ingin dicapai dalam penelitian ini adalah mendapatkan pengelompokan tingkat kunjungan pada data wisatawan asing berdasarkan jalur masuk udara, darat, laut ke Indonesia dari tahun 2017 sampai 2021 dengan menerapkan algoritma k-means dan k-medoid. Algoritma ini dipilih karena mempunyai kemampuan mengelompokan data dalam jumlah yang cukup besar dengan waktu yang relatif cepat. Proses perhitungan pada penelitian ini memakai 2 cara yaitu perhitungan manual menggunakan excel dan Python yang terbagi menjadi 3 kelompok yaitu C1 tingkat kunjungan tinggi, C2 tingkat kunjunjungan sedang dan C3 tingkat kunjungan rendah. Hasil pengelompokan algoritma k-means yaitu C1 sebanyak 24, C2 sebanyak 1, dan C3 sebanyak 4. Sedangkan algoritma k-medoid yaitu C1 sebanyak 5, C2 sebanyak 15, dan C3 sebanyak 9. Kemudian hasil evaluasi data menggunakan Silhouette Coefficient menunjukan bahwa hasil akurasi algoritma k-means bernilai 0,8463 dan k-medoid bernilai 0,4691 yang berarti hasil akurasi algoritma k-means lebih baik daripada algoritma k-medoid karena lebih mendekati nilai 1.
Model Prediksi Harga Rumah Di Kabupaten Bandung Menggunakan Multiple Linear Regression Dan Support Vector Regression Aenul Fuadah; Amril Siregar; Yana Cahyana
Scientific Student Journal for Information, Technology and Science Vol. 5 No. 2 (2024): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Rumah suatu bangunan dengan peran yang sangat penting untuk kehidupan manusia, karena rumah sebagai tempat hunian dan berkumpulnya keluarga. Semakin banyaknya pembangunan rumah yang dibangun oleh pemerintah dan pengembang, dapat mempengaruhi pada suatu harga rumah. Maka konsumen juga memiliki banyak pilihan dalam memilih tempat tinggal, dengan harga rumah yang setiap tahunnya berbeda-beda. Untuk mempertimbangkan pembelian rumah sesuai harga yang diinginkan, perlu adanya metode untuk memprediksi harga perumahan. Salah satu cara untuk mengetahui prediksi harga rumah, dapat melakukan analisis pada data harga rumah sebelumnya. Pada penelitian ini dilakukan prediksi harga rumah pada kabupaten Bandung menggunakan algoritma Multiple Linear Regression dan algoritma Support Vector Regression. Tujuan penelitian ini untuk mengetahui kinerja algoritma mana yang lebih baik dalam pembuatan model prediksi menggunakan data harga rumah kabupaten Bandung. Hasil penelitian ini, pada algoritma Multiple Linear Regression memperoleh R2-Square sebesar 69% dan RMSE sebesar 694.18. Pada algoritma Support Vector Regression menghasilkan nilai R2-Square sebesar 68% dan RMSE sebesar 704.93. maka algoritma Multiple Linear Regression lebih baik dalam memprediksi harga rumah kabupaten Bandung.
Co-Authors Abdullah Darussalam Adi Rizky Pratama Adi Susilo Aenul Fuadah Agustin, Rachmayanti Tri Ahmad Fauzi Ajijah, Melia Siti Alifa, Naila Ratu Ambarwati, Evi Karlina Amid Rakhman amril siregar Anisa Itiawanti Annisa Nurhalizah Aqib Zhaky Ardiyani, Mery Awal, Elsa Elvira Ayu Juwita Azzahra, Reva Baihaqi, Kiki Ahmad Banafshah Shafa Bramandito Affandi Deden Wahiddin Dewi, Indah Purnama Didik Remaldhi Direja, Azhar Ferbista DWI KUSUMANINGRUM Een Nurhasanah Een Sukarminah Efri Mardawati Enjelia, Lola Faisal, Sutan Fauzi Ahmad Muda Fitri Nur Masruriyah, Anis Fitria, Denisa Gumilar, Rizki Bintang Hanan, Sofiah Marwah Hanny Hikmayanti Handayani Hartono Wijaya, Sony Heri Hermawan Herlina Marta Hilda Novita Imas Siti Setiasih In-In Hanidah Iskandar, Muhammad Irsyad Jovan Pangestu Juwita, Ayu Ratna Khoerunnisa, Nurani Kiki Baihaqi Kusumaningrum, Dwi Sulistya Lestari, Santi Arum Puspita M. Budi Kusarpoko Miptahul Ulum Mochamad Djali Mohammad Djali Mudzakir, Tohirin Al Muhamad Amirrullah Muhammad Fadillah, Farhan Muhammad Ramadhan Narwan Nahrudin Nina Puspitaloka Nisa, Azizatun Nofie Prasetiyo Nova Wulandari Nurani Khoerunnisa Nurjanah, Kartika Dewi Praditya Putri Utami Pratama, Adi Rizky Pratiwi, Sinta Amanda Puspitaloka, Nina Putri, Septiani Nuruldharma Rachmawati, Dhea Rahmat Rahmat Rahmat Rahmat Rahmat Restiana, Resti Ricky Steven Chandra Ridho Pratama, Ilham Rizka Ayu Permana Rizki Nur Annisa Rizky Nugraha Rizky Riyanto Robi Andoyo Rohana, Tatang Sabirin Sandra Intan Sari Santi Lestari Siregar, Amril Siregar, Amril Mutoi Siregar, Amril Mutoi Sukmawati, Cici Emilia Sulistya, Dwi Suningwar Mujiana Surya Martha Pratiwi Sutan Faisal Syahril, Ade Tatang Rohana Tita Rialita Tjong Wan Sen Tohirin Al Mudzakir Tukino, Tukino Utama, Duhita D Utama, Duhita Diantiparamudita Wahiddin, Deden Wenda Adi Kusnaya Widiharto, Banani