Article Per Year (5 Year)
p-Index From 2021 - 2026
12.521
P-Index
This Author published in this journals
All Journal IJCCS (Indonesian Journal of Computing and Cybernetics Systems) TEKNIK INFORMATIKA SITEKIN: Jurnal Sains, Teknologi dan Industri Prosiding Semnastek Scientific Journal of Informatics Sistemasi: Jurnal Sistem Informasi Jurnal CoreIT JURNAL MEDIA INFORMATIKA BUDIDARMA IT JOURNAL RESEARCH AND DEVELOPMENT Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri Journal of Economic, Bussines and Accounting (COSTING) INOVTEK Polbeng - Seri Informatika Jurnal Informatika Universitas Pamulang Jurnal Nasional Komputasi dan Teknologi Informasi JURIKOM (Jurnal Riset Komputer) JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science Zonasi: Jurnal Sistem Informasi INFORMASI (Jurnal Informatika dan Sistem Informasi) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Teknik Informatika (JUTIF) Information System Journal (INFOS) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal UNITEK Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Informatika Teknologi dan Sains (Jinteks) Knowbase : International Journal of Knowledge in Database Indonesian Journal of Innovation Multidisipliner Research Bulletin of Informatics and Data Science Jurnal Informatika: Jurnal Pengembangan IT Indonesian Journal of Innovation Multidisipliner Research Jurnal Komtika (Komputasi dan Informatika)
Elvia Budianita
Universitas Islam Negeri Sultan Syarif Kasim Riau
Religion Aerospace Engineering 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 Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 125 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 125 Documents
Search

 8   9   10   11   12 
Implementation of XGBoost Ensemble and Support Vector Machine For Gender Classification of Skull Bones Ramadhani, Astrid; Afrianty, Iis; Budianita, Elvia; Gusti, Siska Kurnia
Bulletin of Informatics and Data Science Vol 4, No 1 (2025): May 2025
Publisher : PDSI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61944/bids.v4i1.115

Abstract

Sex identification based on skull bones is an important step in forensic anthropology, especially in cases where unidentified human skeletons are found. Conventional methods such as DNA analysis are often used, but have limitations, especially when the bones are damaged, charred or decayed, making the analysis process difficult. This research applies XGBoost ensemble and Support Vector Machine for sex classification on skull bones. The purpose of this research is to handle complex data with many features and unbalanced data using the XGBoost ensemble method and Support Vector Machine (SVM). The data used consisted of 2,524 samples with 82 measurement features. Model performance was evaluated using accuracy, precision, recall, and F1 score metrics. The results showed that the combination of XGBoost and SVM methods, especially with the RBF kernel, was able to achieve accuracy of up to 91.52%. This finding proves that machine learning-based approaches can be an effective and reliable solution in supporting the forensic identification process
Diabetes Classification using Gain Ratio Feature Selection in Support Vector Machine Method Al Rasyid, Nabila; Afrianty, Iis; Budianita, Elvia; Kurnia Gusti, Siska
Bulletin of Informatics and Data Science Vol 4, No 1 (2025): May 2025
Publisher : PDSI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61944/bids.v4i1.114

Abstract

Diabetes is a major cause of many chronic diseases such as visual impairment, stroke and kidney failure. Early detection especially in groups that have a high risk of developing diabetes needs to be done to prevent problems that have a wide impact. Indonesia is ranked seventh in the world with a prevalence of 10.7% of the total number of people with diabetes. This research aims to determine the attributes in the diabetes dataset that most affect the classification and apply the Support Vector Machine method for diabetes classification. For the determination process, Gain Ratio feature selection technique is applied. The dataset used consists of 768 data with 8 attributes. In this classification process, 3 SVM kernels (Linear, Polynomial, and RBF) are used with three possible data divisions using the ratio (70:30; 80:20; 90:10). Before applying feature selection, there were 8 attributes used and achieved the highest accuracy of 94.81% at a ratio of 80:20 using the RBF kernel with a combination of two parameters namely C = 100, Gamma = 3 and C = 100, Gamma = Scale.  Feature selection parameters in the form of thresholds used include 0.02; 0.03; and 0.05. After applying feature selection, the attribute that produces the highest accuracy uses 6 attributes. The highest accuracy after applying feature selection reached 95.45% at a threshold of 0.02 with a ratio of 80:20 using the RBF kernel with parameters C = 100 and Gamma = Scale. The results showed that there was an increase in accuracy after applying feature selection
KLASIFIKASI PENYAKIT GINJAL KRONIS MENGGUNAKAN INFORMATION GAIN DAN LVQ Putri, Widya Maulida; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Journal of Information System Management (JOISM) Vol. 7 No. 1 (2025): Juni
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/joism.2025v7i1.2102

Abstract

Penyakit Ginjal Kronis (PGK) terjadi ketika fungsi ginjal menurun secara bertahap selama lebih dari tiga bulan tanpa penyebab yang jelas. Penelitian ini bertujuan mengklasifikasikan PGK dengan menggunakan seleksi fitur Information Gain dan Learning Vector Quantization (LVQ). Dataset yang digunakan terdiri dari 1659 data dengan 53 atribut. Proses penelitian meliputi preprocessing data, penerapan SMOTE Oversampling, seleksi fitur Information Gain, dan penerapan model LVQ. Pengujian menghasilkan akurasi tertinggi sebesar 93,37% tanpa seleksi fitur, serta 36 fitur terpilih dengan threshold 0,3 setelah seleksi fitur. Learning rate digunakan antara 0,1 hingga 0,9, min learning rate 0,001, dan pengurangan alpha 0,1. Penggunaan SMOTE dan LVQ meningkatkan nilai presisi, recall, dan f1 score, tetapi akurasi menurun menjadi 84,59%. Hasil ini menunjukkan bahwa metode LVQ efektif dalam klasifikasi penyakit ginjal kronis, membantu ahli identifikasi penyakit ginjal kronis menggunakan data mining dan Jaringan Syaraf Tiruan.
PENGARUH TEKNIK PENYEIMBANGAN DATA PADA KLASIFIKASI PENYAKIT NAFLD DENGAN ALGORITMA SVM Faska, Ridho Mahardika; Gusti, Siska Kurnia; Budianita, Elvia; Syafria, Fadhilah
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5849

Abstract

Non-Alcoholic Fatty Liver Disease (NAFLD) merupakan penyakit hati kronis yang prevalensinya terus meningkat secara global, termasuk di Indonesia, dengan faktor risiko utama seperti obesitas, diabetes melitus, dan dislipidemia. Deteksi dini NAFLD menjadi tantangan penting karena metode konvensional seperti biopsi hati dan pencitraan memiliki keterbatasan dalam hal biaya, risiko invasif, dan kepraktisan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi NAFLD menggunakan algoritma Support Vector Machine (SVM) dengan memanfaatkan dataset dari Kaggle yang terdiri dari 10 variabel dan 17.549 data. Untuk mengatasi masalah ketidakseimbangan kelas, diterapkan teknik oversampling seperti SMOTE, ADASYN, dan Random Oversampling (ROS) untuk melihat performa akurasi. Hasil penelitian menunjukkan bahwa SMOTE memberikan performa terbaik dengan akurasi tertinggi mencapai 78,70% pada kernel RBF, ROS dengan akurasi 78,18% dan ADASYN dengan akurasi 76,86%. Penelitian ini menyimpulkan bahwa pemilihan teknik oversampling data dan parameter yang tepat sangat penting dalam meningkatkan efektivitas model untuk menangani data tidak seimbang, sehingga dapat berkontribusi pada pengembangan metode deteksi NAFLD yang lebih efisien dan non-invasif.
Penerapan Information Gain Untuk Seleksi Fitur Pada Klasifikasi Jenis Kelamin Tulang Tengkorak Menggunakan Backpropagation Khair, Nada Tsawaabul; Afrianty, Iis; Syafria, Fadhilah; Budianita, Elvia; Gusti, Siska Kurnia
Bulletin of Computer Science Research Vol. 5 No. 4 (2025): June 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bulletincsr.v5i4.637

Abstract

Forensic anthropology and skull analysis play a crucial role in the biological identification of individuals, including sex determination. This study aims to improve the accuracy of gender classification based on skull structure by combining the Information Gain feature selection method with the Backpropagation algorithm. The dataset used is the craniometric data compiled by William W. Howells, consisting of 2,524 samples with 85 measurement features. The preprocessing stage includes data selection, data cleaning, and normalization. Feature selection was conducted using the Information Gain method with three threshold values: 0.01, 0.05, and 0.1, resulting in 79, 46, and 38 selected features, respectively. The model was evaluated using the K-Fold Cross Validation method with K=10 and K=20. The highest accuracy of 93.91% was achieved at the 0.01 threshold using the Backpropagation architecture [79:119:1], a learning rate of 0.01, and K=20. These results demonstrate that feature selection using Information Gain enhances the performance of the Backpropagation model by eliminating irrelevant features and minimizing the risk of overfitting.
PENERAPAN METODE INFORMATION GAIN DAN LEARNING VECTOR QUANTIZATION 3 PADA KLASIFIKASI PENYAKIT GINJAL Aprima, Muhammad Dzaky; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2117

Abstract

Penyakit Ginjal Kronis (PGK) adalah penyakit yang ditunjukkan dengan turunnya fungsi ginjal yang disebabkan oleh penumpukan sisa metabolik dan berakibat tidak berfungsinya ginjal. Prediksi penyakit ini dengan data mining berperan penting dalam upaya pencegahan penyakit ini. Penelitian ini menerapkan seleksi fitur information gain pada metode Learning Vector Quantization 3 (LVQ3) dalam mengklasifikasikan penyakit ginjal kronis. Pengujian dilakukan 5 skenario pengujian dengan jumlah data sebanyak 1659 data dan 53 atribut. Seleksi fitur menerapkan information gain dengan threshold 0,3 dengan 36 fitur terpilih dan 0,7 dengan 33 fitur terpilih. Model diuji dengan kombinasi parameter learning rate dan window serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-Score. Hasil akurasi tertinggi diperoleh tanpa menerapkan seleksi fitur sebesar 92,77%. Setelah seleksi fitur, akurasi menurun menjadi 86,45%. Kombinasi SMOTE dan seleksi fitur pada threshold 0,3 menurunkan akurasi hingga 81,64%. Hasil penelitian berhasil menerapkan LVQ 3 dalam klasifikasi penyakit ginjal kronis.
IMPLEMENTASI LEARNING VECTOR QUANTIZATION 2 DAN INFORMATION GAIN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS Zabihullah, Fayat; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2118

Abstract

Penyakit ginjal kronis terjadi ketika ginjal gagal mempertahankan metabolisme dan keseimbangan tubuh, serta memiliki risiko kematian yang tinggi. Analisis dan prediksi menggunakan teknik klasifikasi data dapat membantu mengurangi risiko tersebut. Penelitian ini bertujuan untuk mengklasifikasikan penyakit ginjal kronis dengan menggabungkan metode seleksi fitur Information Gain dan algoritma Learning Vector Quantization 2 (LVQ2). Dataset yang digunakan terdiri dari 1.659 data dengan 53 atribut dan 1 label kelas. Tahapan penelitian meliputi preprocessing, seleksi fitur, normalisasi, dan klasifikasi. Seleksi fitur dilakukan berdasarkan nilai Information Gain dengan threshold tertentu. Model diuji dengan kombinasi parameter learning rate dan window, serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh tanpa seleksi fitur dengan akurasi 93,98%. Setelah seleksi fitur, akurasi menurun sedikit menjadi 93,37%. Kombinasi Smote dan seleksi fitur meningkatkan presisi, recall, dan F1 score, namun menurunkan akurasi hingga menjadi 80,00% pada threshold 0,7 dengan fitur terpilih 33.
Perbandingan Inisialisasi Bobot Random dan Nguyen-Widrow Pada Backpropagation Dalam Klasifikasi Penyakit Diabetes Guswanti, Widya; afrianty, iis; budianita, elvia; syafria, fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8618

Abstract

Diabetes is a metabolic disorder that occurs when the pancreas is unable to produce adequate amounts of insulin or the body has difficulty in utilizing it optimally. This condition has the potential to cause various health complications. Therefore, early diagnosis of diabetes is very important to reduce the mortality rate due to these complications. Backpropagation Neural Network (BPNN) is an approach in Artificial Neural Network (ANN) that is commonly applied for disease classification, including diabetes. However, the BPNN method has drawbacks, namely its slow convergence rate and the possibility of getting stuck at a local minimum due to random weight initialization. To overcome these problems, this study applies the Nguyen-Widrow weight initialization method to improve the performance of BPNN in diabetes classification. The data source in this study comes from Kaggle, consisting of 768 data with 8 parameters. Model testing was conducted using k-fold cross-validation with K=10, and exploring various numbers of neurons in the hidden layer and learning rate (lr). The results showed that weight initialization using the Nguyen-Widrow method improved the accuracy of BPNN compared to random weight initialization. The best model was obtained with lr 0.001 and 15 neurons in the hidden layer, resulting in an accuracy of 91.23%, higher than the random weight initialization which only reached 89.91%. Thus, the Nguyen-Widrow method is proven effective in improving the performance of BPNN for diabetes classification.Diabetes merupakan gangguan metabolik yang terjadi ketika pankreas tidak mampu menghasilkan insulin dalam jumlah yang memadai atau tubuh mengalami kesulitan dalam memanfaatkannya secara optimal. Kondisi ini berpotensi menimbulkan beragam komplikasi kesehatan. Oleh karena itu, diagnosis dini penyakit diabetes sangat penting untuk menekan angka kematian akibat komplikasi tersebut. Backpropagation Neural Network (BPNN) adalah pendekatan dalam Jaringan Syaraf Tiruan (JST) yang umum diterapkan untuk klasifikasi penyakit, termasuk diabetes. Namun, metode BPNN memiliki kekurangan, yaitu laju konvergensinya yang lambat dan kemungkinan terjebak pada minimum lokal akibat inisialisasi bobot yang dilakukan secara random. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode inisialisasi bobot Nguyen-Widrow guna meningkatkan performa BPNN dalam klasifikasi diabetes. Sumber data dalam penelitian ini berasal dari Kaggle, terdiri dari 768 data dengan 8 parameter. Pengujian model dilakukan menggunakan k-fold cross-validation dengan K=10, serta mengeksplorasi berbagai jumlah neuron dalam hidden layer dan learning rate (lr). Hasil penelitian menunjukkan bahwa inisialisasi bobot menggunakan metode Nguyen-Widrow meningkatkan akurasi BPNN dibandingkan dengan inisialisasi bobot random. Model terbaik diperoleh dengan lr 0,001 dan 15 neuron pada hidden layer, menghasilkan akurasi sebesar 91,23%, lebih tinggi dibandingkan inisialisasi bobot random yang hanya mencapai 89,91%. Dengan demikian, metode Nguyen-Widrow terbukti efektif dalam meningkatkan performa BPNN untuk klasifikasi diabetes.
Klasifikasi Tulang Tengkorak Berdasarkan Jenis Kelamin Menggunakan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) Ma'rifah, Laila Alfi; Afrianty, Iis; Budianita, Elvia; Syafria, Fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8616

Abstract

Abstract – In forensic anthropology, sex identification is the initial step in individual identification, with a probability level of 50%, influencing subsequent examinations such as age and height estimation. The skull is the second-best choice after the pelvis for determining sex, with an accuracy of up to 90%. Morphological and metric methods are less reliable due to the high variability of skulls, while DNA analysis is ineffective on burned or damaged bones. Therefore, this study applies Correlation-Based Feature Selection (CFS) with a Backpropagation Neural Network (BPNN) to improve classification accuracy. The dataset used originates from Dr. William Howells, consisting of 2,524 skull samples with 85 variables. CFS was applied with two thresholds, 0.1 and 0.01, and the division of training data and test data using k-fold cross validation with k=10. The BPNN parameters included learning rates of 0.01 and 0.001, along with three different architectures based on the number of input neurons. The results indicate that CFS improved accuracy from 92.06% to 93.25% under the CFS threshold of 0.01, with a learning rate of 0.001 and a BPNN architecture of [72; 95; 1]. This study confirms that combining CFS and BPNN enhances sex classification accuracy based on skull bones.Abstrak – Pada antropologi forensik, identifikasi jenis kelamin adalah langkah awal dalam mengidentifikasi individu dengan tingkat probabilitas 50%, yang berpengaruh pada pemeriksaan lain seperti perkiraan usia dan tinggi badan. Tulang tengkorak menjadi pilihan terbaik kedua setelah tulang panggul dalam menentukan jenis kelamin dengan akurasi hingga 90%. Metode morfologi dan metrik kurang dapat diandalkan karena variabilitas tengkorak yang tinggi, sementara analisis DNA tidak efektif pada tulang yang terbakar atau rusak. Oleh karena itu, penelitian ini menerapkan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) untuk meningkatkan akurasi klasifikasi. Dataset yang digunakan berasal dari Dr. William Howells, terdiri dari 2.524 sampel tengkorak dengan 85 variabel. Pada CFS digunakan dua ambang batas yaitu 0,1 dan 0,01, serta pembagian data latih dan uji data menggunakan k-fold cross validation dengan k=10. Parameter BPNN yang digunakan meliputi learning rate (0,01 dan 0,001) serta tiga arsitektur berbeda sesuai dengan jumlah neuron input. Hasil menunjukkan bahwa CFS meningkatkan akurasi dari 92,06% menjadi 93,25% pada konfigurasi ambang batas CFS 0,01 dengan learning rate 0,001 dan arsitektur BPNN [72; 95; 1]. Penelitian ini menunjukkan bahwa kombinasi CFS dan BPNN dapat meningkatkan akurasi klasifikasi jenis kelamin berdasarkan tulang tengkorak.
APPLICATION OF K-NEAREST NEIGHBOR REGRESSION METHOD FOR RICE YIELD PREDICTION Handayani, Lestari; Alfarabi.B, Alif; Aprilia, Tasya; Wulandari, Indah; Jasril, Jasril; Ramadhani, Siti; Budianita, Elvia
Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi Vol 11, No 1 (2025): June 2025
Publisher : Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24014/coreit.v11i1.30907

Abstract

Rice plants with the Latin name Oryza Sativa are food plants that are widely used as the main food crop in various countries, one of which is Indonesia. Indonesia is ranked 4th as the largest rice consuming country in the world. This requires the availability of rice to be maintained. Unstable rice production can be a problem. One of the districts that has experienced a decline in rice production in recent years is the district of Lima puluh kota located in West Sumatra province. This requires prediction of rice production so that it can be used as a benchmark for the future. This study uses data on rice production in fifty cities from 2013 to 2023. The method used to predict is k-nearest neighbor regression (KNN Regression). The data division uses rasio 90 : 10. In testing the data used is divided into 2, namely normal data and data that has been normalized. The test results produce the smallest mean absolute percentage error (MAPE) value of 6.98% on normal data, the value of k is 6 with data division using k-fold 5. Based on the resulting MAPE value, it can be said that KNN Regression can predict rice production results very accurately.
Co-Authors Abdul Halim Adzhima, Fauzan Afrianti, Liza Afriyanti, Iis Agnesti, Syafira Agung Syaiful Rahman Agustina, Auliyah Aji Pangestu Adek Akbar, Lionita Asa Akhyar, Amany Al Rasyid, Nabila Alfaiza, Raihan Zia Alfarabi.B, Alif Alwis Nazir Alwis Nazir Alwis Nazir Amalia Hanifah Artya Ammar Muhammad Anggi Pranata Aprilia, Tasya Aprima, Muhammad Dzaky Arif Pratama Budiman Azhima, Mohd Baehaqi Berliana, Trisia Intan Boni Iqbal buhfi arides hanyodi Chely Aulia Misrun Damayanti, Elok Desra Rizki Riyandi Dicky Abimanyu Dinyah Fithara Dodi Efendi doli fancius silalahi Dwitama, Raja Zaidaan Putera Eka Pandu Cynthia Eka Pandu Cynthia Eka Pandu Cynthia Eka Suryani Indra Septiawati Elin Haerani Elin Haerani Elin Haerani Elin Haerani Ellin Haerani Fadhilah Syafria Fahrozi, Aqshol Al Faska, Ridho Mahardika Fatma Hayati Fauzan Adzim Febi Yanto Fikri Utri Amri Fikry Utri Amri Fitri Astuti Fitri Insani Fitri Insani Fitri Insani Fitri Insani Fitri, Anisa Fratiwi Rahayu Gusrifaris Yuda Alhafis Gusti, Siska Kurnia Guswanti, Widya Habibi Al Rasyid Harpizon Habibi, M. Ilham Hara Novina Putri Hariansyah, Jul Hasibuan, Ilham Habibi Ibnu Afdhal Ichsan Permana Putra Ihda Syurfi Ihlal Hanafi Harahap Iis Afrianty Iis Afrianty Ikhsanul Hamdi Indah Wulandari Isra Almahsa, Muhammad Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Jasril Jasril Jasril Jasril jasril jasril jasril Jeki Dwi Arisandi Khair, Nada Tsawaabul Lestari Handayani Lestari Handayani Lili Rahmawati Lola Oktavia M Fikry M Ikhsan Maulana M ridwan Ma'rifah, Laila Alfi Masaugi, Fathan Fanrita Matondang, Irfan Jamal Mawadda Warohma Mazdavilaya, T Kaisyarendika Megawati Megawati Meiky Surya Cahyana Mhd. Kadarman Mohd. Ridho Zarkasih Rahim Muhammad Affandes Muhammad Fikry Muhammad Fikry Muhammad Fikry Muhammad Fikry Muhammad Hafiz Muhammad Irsyad Muhammad Rizky Ramadhan Mulyati, Sabar Mulyono, Makmur Musa Irfan Mustasaruddin Mustasaruddin Nabyl Alfahrez Ramadhan Amril Nanda Sepriadi Nazir, Alwis Nazruddin Safaat H Neni Sari Putri Juana Novi Yanti Novi Yanti Novriyanto Novriyanto Nur Iza Nuradha Liza Utami Nurafni Syahfitri Nurfadilah, Nova Siska Okfalisa Okfalisa Pasiolo, Lugas Permata, Rizkiya Indah Pizaini Pizaini Putri, Widya Maulida Rahmad Abdillah Rahmad Kurniawan Ramadani, Repi Ramadhan, Aweldri Ramadhani, Astrid Ramadhani, Siti Reni Susanti Reski Mai Candra Reski Mai Candra Rinaldi Syarfianto Robby Azhar Roni Salambue Rusnedy, Hidayati Said Nurfan Hidayad Tillah Saktioto Saktioto Sephia Pratista Silfia Silfia Siti Sri Rahayu Surya Agustian Suwanto Sanjaya Syahputra, Armadani Ulti Desi Arni, Ulti Desi Wahyuni, Ayu Sri Wang, Shir Li Widodo Prijodiprodjo Wiranti, Lusi Diah Yeni Fariati Yusra Yusra Yusra Yusra Yusra Yusra Yusra Yusra Yusra, Yusra Zabihullah, Fayat Zulastri, Zulastri Zulkarnain Zulkarnain