Article Per Year (5 Year)
p-Index From 2021 - 2026
10.588
P-Index
This Author published in this journals
All Journal Jurnal Sarjana Teknik Informatika Jurnal Transformatika Jurnal Informatika dan Teknik Elektro Terapan InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Jurnal Teknologi dan Sistem Komputer Jurnal Pengabdian UntukMu NegeRI JIKO (Jurnal Informatika dan Komputer) SMARTICS Journal Insect (Informatics and Security) : Jurnal Teknik Informatika Indonesian Journal of Information System Dinamisia: Jurnal Pengabdian Kepada Masyarakat SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Sisfokom (Sistem Informasi dan Komputer) Compiler Jurnal Teknologi Sistem Informasi dan Aplikasi JUTEKIN (Jurnal Manajemen Informatika) INTEK: Informatika dan Teknologi Informasi Jurnal Riset Informatika AMALIAH: JURNAL PENGABDIAN KEPADA MASYARAKAT Antivirus : Jurnal Ilmiah Teknik Informatika Progresif: Jurnal Ilmiah Komputer Jurnal Ilmu Komputer dan Bisnis Jurnal Manajemen Informatika dan Sistem Informasi JATI (Jurnal Mahasiswa Teknik Informatika) JATI EMAS (Jurnal Aplikasi Teknik dan Pengabdian Masyarakat) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Journal of Computer System and Informatics (JoSYC) International Journal of Advances in Data and Information Systems Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Restikom : Riset Teknik Informatika dan Komputer Mosharafa: Jurnal Pendidikan Matematika Journal of Informatics Management and Information Technology Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan (JUSTIKPEN) Prosiding Seminar Nasional Program Pengabdian Masyarakat sudo Jurnal Teknik Informatika Konstelasi: Konvergensi Teknologi dan Sistem Informasi Jurnal Teknik Informatika Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer Jurnal Informatika Teknologi dan Sains (Jinteks) Industrial Research Workshop and National Seminar Jurnal Sains Informatika Terapan (JSIT) Journal of Information System and Artificial Intelligence Jikom: Jurnal Informatika dan Komputer J-Icon : Jurnal Komputer dan Informatika TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Bulletin of Network Engineer and Informatics (BUFNETS) SENAPAS CHAIN: Journal of Computer Technology, Computer Engineering and Informatics BIMASAKTI Jurnal Komputer, Informasi dan Teknologi
Mutaqin Akbar
Universitas Mercu Buana Yogyakarta
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering 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 Public Health Social Sciences Veterinary Other

Published : 84 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 84 Documents
Search

 5   6   7   8   9 
Segmentasi Citra Rambu Lalu Lintas Menggunakan Arsitektur DeepLabV3+ Berbasis Convolutional Neural Network Intan Aulia; Mutaqin Akbar
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 6 No. 1 (2026): Edisi September 2026
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/justikpen.v6i1.896

Abstract

Keamanan di jalan raya sangat ditentukan oleh kemampuan pengemudi dalam memahami serta mengikuti petunjuk yang ada. Namun, pengenalan rambu secara manual rentan terhadap kelalaian manusia, sehingga diperlukan sistem yang dapat secara otomatis mendekteksi dan memisahkan rambu lalu lintas secara akurat. Tujuan dari studi ini adalah menciptakan model segmentasi citra rambu lalu lintas dengan memanfaatkan arsitektur DeepLabV3+ berbasis Convolution Neural Network (CNN) dengan backbone MobileNetV2. Kumpulan data yang dipakai terdiri atas 2.050 foto rambu lalu lintas yang mencakup 10 kategori rambu, yang diperoleh dari penelitian terdahulu. Karena dataset awal belum memiliki anatosi mask, dilakukan proses pelabelan manual menggunakan perangkat lunak LabelMe untuk menghasilkan mask segmentasi. Citra tersebut kemudian diubah ukurannya menjadi 128×128 piksel. Model DeepLabV3+ dikonfigurasi dengan optimizer Adam (learning rate 0,0002), ditraining selama 40 epoch dengan batch size 4 pada platfrom Google Colab menggunakan GPU T4. Evaluasi terhadap data pengujian mengindikasikan bahwa model ini memperoleh tingkat akurasi sebesar 93,59%,Intersection over Union (IoU) sebesar 79,12%, serta koefisien Dice sebesar 79,96%. Hasil ini membuktikan bahwa arsitektur DeepLabV3+ dengan backbone MobileNetV2 mampu melakukan segmentasi citra rambu lalu lintas secara efektif pada dataset 10 kelas.
Implementasi Convolutional Neural Network dengan Arsitektur MobileNetV3 untuk Klasifikasi Batik Jawa Timur Rivka Novi Cahyati; Mutaqin Akbar
Jurnal Sistem Informasi, Teknik Informatika dan Teknologi Pendidikan Vol. 6 No. 1 (2026): Edisi September 2026
Publisher : Utiliti Project Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55338/justikpen.v6i1.897

Abstract

Kesenian batik menyimpan kekayaan motif yang khas di berbagai wilayah Indonesia, termasuk Jawa Timur. Setiap motif batik memiliki corak, warna, dan tekstur yang khas sehingga identifikasi secara manual memerlukan ketelitian ekstra dan waktu yang tidak singkat. Kemajuan teknologi pemrosesan citra digital beserta deep learning membuka peluang untuk melaksanakan identifikasi motif batik secara otomatis yang menghasilkan akurasi optimal. Penelitian ini dibuat bertujuan untuk mengimplementasikan Convolutional Neural Network (CNN) berbasis arsitektur MobileNetV3Small untuk mengategorisasikan motif batik Jawa Timur. Dataset penelitian ini menggunakan 450 citra batik yang terdistribusi dalam tiga kategori, yaitu batik Madura, batik Banyuwangi, dan batik Pring. Tahap preprocessing terdiri dari resize citra menjadi 224×224 piksel, normalisasi data, serta augmentasi menggunakan horizontal flip, rotation, dan zoom. Model ini dibangun dengan menerapkan teknik transfer learning, di mana MobileNetV3Small dimanfaatkan sebagai feature extractor. Pelatihan meliputi fase feature extraction dan fine-tuning dengan optimizer Adam serta loss function sparse categorical crossentropy. Hasil pengujian menunjukkan bahwa model mencapai accuracy 72% dengan recall tertinggi pada kelas batik_pring senilai 0,91. Penelitian ini membuktikan bahwa MobileNetV3Small dapat diterapkan secara efektif untuk klasifikasi citra batik dengan komputasi yang lebih ringan dan efisien. Lebih lanjut, implementasi transfer learning dan augmentasi data mampu meningkatkan kapabilitas generalisasi model sehingga menghasilkan klasifikasi yang lebih optimal.
Implementasi Metode Certainty Factor dan Bayesian dalam Sistem Pakar Diagnosa Inkontinensia Urine Lansia Putri Taqwa Prasetyaningrum; Mutaqin Akbar; Agus Sidiq Purnomo; Irfan Pratama; Imam Suharjo
TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi Vol 4 No 2(SEMNASTIK) (2024): TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akunt
Publisher : Universitas Methodist Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46880/tamika.Vol4No2(SEMNASTIK).pp191-199

Abstract

Urinary incontinence is a medical condition commonly experienced by the elderly, requiring prompt and accurate diagnosis for effective treatment. This study aims to develop and compare the performance of two methods in expert systems for diagnosing urinary incontinence in the elderly: Certainty Factor and Bayesian. The developed expert system is web-based and utilizes a symptom dataset collected from the Santa Monika Boro Nursing Home. The findings reveal that the Certainty Factor method excels in diagnostic processing speed, while the Bayesian method offers higher accuracy in diagnostic predictions. This comparison provides valuable insights into selecting appropriate approaches for expert system applications in medical settings.
BREAST TUMOR CLASSIFICATION USING RANDOM FOREST WITH FEATURE SELECTION AND GRIDSEARCHCV OPTIMIZATION Priscilia Amanda Leza; Mutaqin Akbar
Jurnal Riset Informatika Vol. 8 No. 3 (2026): Juni 2026
Publisher : Kresnamedia Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34288/jri.v8i3.534

Abstract

Breast tumor classification into benign and malignant categories is an important challenge in the medical field because diagnostic errors can lead to delayed treatment or unnecessary medical procedures. This study aims to analyze the performance of Random Forest and evaluate the effects of feature selection and GridSearchCV hyperparameter optimization on breast tumor classification. The study used the Wisconsin Breast Cancer Diagnostic Dataset, consisting of 569 samples with 30 numerical features extracted from Fine Needle Aspiration (FNA) examinations. Four sequential Random Forest model configurations were compared: baseline Random Forest, Random Forest with feature selection, Random Forest with GridSearchCV optimization, and the integration of feature selection with GridSearchCV. Feature selection was performed using feature importance scores with ROC-AUC-based cross-validation to determine the optimal feature subset. Model evaluation was conducted using accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, and train-test gap. The results showed that all models achieved the same accuracy of 97.37%, precision of 1.0000, recall of 0.9286, and F1-score of 0.9630. However, the integrated model achieved the highest ROC-AUC of 0.9977 with the smallest train-test gap of 0.0241 while reducing the number of features from 30 to 15. These findings indicate that integrating feature selection and GridSearchCV improves model stability, efficiency, and discriminative capability without reducing classification performance, addressing the limitation of prior studies that applied these techniques separately.
SONG POPULARITY PREDICTION ON THE SPOTIFY PLATFORM USING MULTIPLE LINEAR REGRESSION WITH MIN-MAX NORMALIZATION Rismaria Sipayung; Mutaqin Akbar
Bulletin of Network Engineer and Informatics Vol. 4 No. 1 (2026): BUFNETS (Bulletin of Network Engineer and Informatics) April 2026
Publisher : PT. GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59688/738832

Abstract

This study critically investigates whether three commonly used audio-level features of a song, duration, tempo, and energy, are by themselves, statistically capable of predicting song popularity on the Spotify platform. Using a multiple linear regression model estimated via Ordinary Least Squares (OLS) on 849 songs retrieved from Kaggle 'Spotify Tracks Dataset', a publicly available collection spanning multiple genres and release periods, filtered to exclude duplicate records and songs with a popularity score of zero, we show that this is not the case. Prior to modeling, Min-Max normalization was applied to standardize variable scales. The model yields the equation Y = 42.4073 + (-5.2462)*X1 + (1.0306)*X2 + (-4.1247)*X3, but the overall F-test is not significant (F = 1.1789, less than F-table = 2.6154, p = 0.3167), and none of the three predictors reach individual significance (all |t| less than 1.53, p greater than 0.12). Pairwise correlations between each predictor and popularity are negligible (r = -0.037 for duration, r = -0.006 for tempo, r = -0.053 for energy), confirming that the linear structure captures essentially no signal in this dataset. We conclude that duration, tempo, and energy have effectively zero standalone predictive capability for Spotify popularity, and that normalization, while statistically inert with respect to R^2 and RMSE, remains necessary for producing comparable, interpretable coefficients. As a secondary, practical contribution, the analysis pipeline was deployed as an interactive web application (SpotiPredict, built with Python Flask) that exposes the full normalization and regression computation transparently to the user.
LINEAR INTERPOLATION AS A BASELINE TOOL FOR ONLINE RIDE-HAILING FARE ESTIMATION DURING PEAK HOURS Prima Yalesta Sarumaha; Mutaqin Akbar
Bulletin of Network Engineer and Informatics Vol. 4 No. 1 (2026): BUFNETS (Bulletin of Network Engineer and Informatics) April 2026
Publisher : PT. GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59688/738830

Abstract

The dynamic pricing system on Grab causes frequent fare fluctuations, complicating travel budget planning. This study analyzesGrabBikeReguler fare patterns from Campus 3 of Universitas Mercu Buana Yogyakarta (UMBY) to Mirota Kampus Babarsari. It implements linear interpolation as a lightweight numerical baseline for rough estimation, rather than a robust predictive model. Primary data were collected through direct observation over seven days at 15-minute intervals during morning (07:00–09:00 WIB), noon (12:00–13:00 WIB), and evening (16:00–19:00 WIB) peak periods, noting rainy and non-rainy conditions. This method was deployed via a Python-Flask web application. Results indicate the morning fare stabilizes at IDR 12,000 after a peak of IDR 14,500, while the noon fare remains constant at IDR 12,000. The evening period shows the highest volatility, peaking at IDR 14,342 (17:30 WIB, non-rainy) and IDR 21,250 (18:45 WIB, rainy). Accuracy evaluation across 21 paired data points from morning and evening sessions yielded MAE = IDR 1,047.62, MSE = 4,117,767.24, and RMSE = IDR 2,029.23, representing an 8.7% average error relative to the IDR 12,000 base fare. This margin confirms linear interpolation serves only as a rough baseline reference tool, not a reliable predictive model.
Klasifikasi Ras Sapi Menggunakan Convolutional Neural Network Agus Salim; Mutaqin Akbar
Jurnal Sains Informatika Terapan Vol. 4 No. 3 (2025): Jurnal Sains Informatika Terapan (Oktober, 2025)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v4i3.682

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi otomatis berbasis Convolutional Neural Network (CNN) untuk mengidentifikasi lima jenis ras sapi, yaitu Bali, Brahma, Angus, Holstein, dan Beefmaster. Data citra sapi diperoleh melalui dokumentasi lapangan serta sumber dataset publik, dengan total 1.500 gambar yang dibagi ke dalam tiga subset: pelatihan, validasi, dan pengujian. Model yang digunakan adalah ResNet50V2 dengan pendekatan transfer learning, yang dilatih menggunakan teknik data augmentation dan normalisasi citra untuk meningkatkan generalisasi model. Evaluasi performa dilakukan dengan menggunakan sejumlah metrik, meliputi akurasi, presisi, recall, F1-score, serta analisis confusion matrix dan visualisasi hasil prediksi. Hasil eksperimen menunjukkan bahwa model ResNet50V2 mampu mengklasifikasikan ras sapi dengan akurasi mencapai 95,63% pada data uji. Rata-rata nilai F1-score untuk seluruh kelas adalah 0,95, yang mencerminkan kinerja model yang tinggi dan seimbang. Berdasarkan confusion matrix, sebagian besar kelas dapat dikenali secara akurat, meskipun masih terdapat kesalahan klasifikasi pada kelas dengan kemiripan visual yang tinggi. Temuan ini menunjukkan bahwa pendekatan CNN, khususnya dengan arsitektur ResNet50V2, memiliki potensi yang kuat sebagai solusi sistem identifikasi otomatis dalam sektor peternakan, terutama dalam mendorong digitalisasi dan efisiensi manajemen ternak.
Klasifikasi Citra Biji Kopi Temangung Menggunakan Residual Network (ResNet-50) Pascal Munthe, Thimoty; Akbar, Mutaqin
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 5 No 1 (2025): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v5i1.1028

Abstract

Artikel ini membahas penerapan metode deep learning dengan menggunakan arsitektur Residual Network (ResNet-50) untuk mengklasifikasikan tiga jenis biji kopi dari Temanggung, yaitu Arabika, Excelsa, dan Robusta. Dataset yang digunakan terdiri dari 1.350 citra, masing-masing kelas berjumlah seimbang. Tahap pra-pemrosesan meliputi perubahan ukuran gambar menjadi 224x224 piksel, normalisasi nilai piksel, serta pembagian dataset menjadi data latih, validasi, dan uji. Pelatihan model dilakukan menggunakan algoritma Adam dengan learning rate 0.0001, batch size 32, dan 20 epoch. Evaluasi kinerja model dilakukan melalui confusion matrix serta metrik klasifikasi seperti akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model ResNet-50 mampu melakukan klasifikasi jenis biji kopi secara akurat, dengan akurasi sebesar 96% dan nilai macro F1-score yang juga mencapai 96%. Capaian ini menunjukkan bahwa fitur visual dari biji kopi dapat dikenali secara efektif oleh model. Temuan ini membuktikan bahwa pendekatan berbasis deep learning, khususnya menggunakan ResNet-50, efektif digunakan dalam sistem klasifikasi otomatis biji kopi dan berpotensi besar untuk mendukung efisiensi identifikasi produk pertanian di sektor industri kopi.
Sistem Pendukung Keputusan Perencanaan Kelas Pelatihan IT Menggunakan Metode Simple Additive Weighting: Studi Kasus pada Perusahaan Pelatihan IT di Kota Yogyakarta Dede Fajriansyah; Mutaqin Akbar
sudo Jurnal Teknik Informatika Vol. 5 No. 1 (2026): Edisi Maret
Publisher : Ilmu Bersama Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56211/sudo.v5i1.1543

Abstract

Proses perencanaan kelas mingguan (Rencana Kelas Mingguan/RKM) pada lembaga pelatihan teknologi informasi masih banyak dilakukan secara manual, sehingga rawan terhadap kesalahan manusia seperti kelelahan, keterlambatan, dan ketidaktepatan dalam pengambilan keputusan. Penelitian ini bertujuan untuk membangun Sistem Pendukung Keputusan (SPK) berbasis metode Simple Additive Weighting (SAW) guna membantu menentukan prioritas kelayakan kelas pelatihan IT. Metode SAW digunakan karena mampu menyelesaikan permasalahan multikriteria secara efektif melalui proses normalisasi dan penjumlahan terbobot dari setiap kriteria penilaian. Sistem dikembangkan dengan tahapan analisis kebutuhan, perancangan, implementasi, dan pengujian fungsional menggunakan metode black box testing. Sistem difokuskan pada tahap pra-perencanaan RKM (Pre-RKM) yang mencakup pengelolaan data prospek kelas, penentuan kriteria dan bobot, serta perhitungan dan pemeringkatan kelayakan kelas. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan peringkat kelayakan kelas pelatihan berdasarkan kriteria yang telah ditentukan dan memberikan rekomendasi kelas yang dapat digunakan sebagai bahan pertimbangan dalam proses pengambilan keputusan. Hasil pengujian Black Box Testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan kebutuhan pengguna dengan tingkat keberhasilan sebesar 100%.
Pengembangan Chatbot untuk Layanan Konsultasi Hukum dengan OpenAI GPT-4 Arif Pria Purnama; Mutaqin Akbar
SMARTICS Journal Vol 12 No 1 (2026): Journal SMARTICS (April 2026)
Publisher : Universitas PGRI Kanjuruhan Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21067/smartics.v12i1.13817

Abstract

The development of information and communication technology has encouraged the use of artificial intelligence in various fields, including legal consultation services. In Indonesia, legal consultation services still face several challenges, such as a limited number of legal experts, relatively high consultation costs, and unequal access, making it difficult for the public to obtain basic legal understanding. This study aims to develop an intelligent chatbot for legal consultation services using the OpenAI GPT-4 Application Programming Interface (API). The research methodology includes problem scope determination, user needs analysis, legal data collection, data exploration and pre-processing using Natural Language Processing (NLP) techniques, GPT-4-based chatbot modeling, and system evaluation. The evaluation focuses on measuring the chatbot’s response time in delivering legal information to users. The results indicate that the chatbot developed using the OpenAI GPT-4 API is able to provide basic legal information quickly and interactively. However, human supervision is still required to ensure the accuracy and reliability of the legal information provided.
Co-Authors Adella Maharani, Putri Adwin Nurhasananda Agung Firmansyah Agus Salim Ahsan, Moh An-Naufal Nuha, Alfian Andri Hardiyanto Anisyah Jatu Siti Nurjanah Aprisia Bahagia, Grace Arif Pria Purnama Arifadillah, Elang Arita Witanti Ascha, Nugrah Pratama Astri Wulandari Audita Nuvriasari Auditya, Yonathan Bagus Dwi Kurniawan, Bagus Dwi Bambang Agus Setyawan Budi Sulistiyo Jati Budi Sulistiyo Jati Budianto, Alexius Endy Dangin Dangin Dangin, Dangin Dede Fajriansyah Dian Kartika Sari Dian Kartika Sari, Dian Kartika Diski Ijtima Putri Dwiyati Pujimulyani Elsa Anggraini Maili Febri Rahmadsyah Fiki Ertandi Firdaus Alfajar Sudarsih Hendri Tri Cahya Leksana Hilda Sukma Pertiwi Ichlasia Ainul Fitri Ikram, Rauf Al Indah Susilawati Intan Aulia Irfan Nur Fahrudin Irfan Pratama Jeremias Quintino Tilman Jodhy Dwi Marfianto Junianto Bagas Prasetyo Kafilahudin, Fahrul Advis Kartadinata, Arifqi Khuzaini*, Nanang Kuswandaru, Kuswandaru Muhammad Abdul Gofur Muhammad Ali Ma'mun Muhammad Pratiwo Muhammad Rafi Fajar Rizky Muhammad Syadham, Syahrun Muhammad Syaifudin Musa, Rahmat Nafida Hetty Marhaeni Nanang Khuzaini, Nanang Nanik Triatmi Nur Alamsyah Nurdiarti, Rosalia Prismarini Nusantara, Bondan Surya Pascal Munthe, Thimoty Prasetyaningrum, Putri Taqwa Prima Yalesta Sarumaha Primananda, Muhammad Izra Priscilia Amanda Leza Priyanto Putu Sangyoga, Titus Bintang Pekiek Rahmat Musa Ramos, Sarah Vega Refky Satria Bima Reny Yuniasanti Rio Setya Pambudi Rismanto, Septa Rismaria Sipayung Rivansyah Subagyo, Ibnu Rivka Novi Cahyati Riyanto, Agung Rizky, Muhammad Rafi Fajar Rofiqi, Lutfi Rohmad, Arinadi Nur Rosalia Prismarini Nurdiarti Saputra, Aldi Dwi Saputra, Andika Dwi Sari, Prima Wulan Sedyarsa, Hanif Fauzan Septa Rismanto Setyaningsih, Putry Wahyu Sidiq Purnomo, Agus Sri Muhammad Kusumantomo Subhan Bole Boly Suharjo, Imam Supatman Supatman Umul Aiman Wakidi Wakidi Wibowo, Sigit Heri Wisnu Adi Yulianto Wulandari, Astri Yonanta Dwi Hartanto Yusanto, Yoga Zada Maulana