Article Per Year (5 Year)
p-Index From 2021 - 2026
5.47
P-Index
This Author published in this journals
All Journal Seminar Nasional Informatika (SEMNASIF) Swabumi (Suara Wawasan Sukabumi) : Ilmu Komputer, Manajemen, dan Sosial IJCIT (Indonesian Journal on Computer and Information Technology) Indonesian Journal on Software Engineering (IJSE) Jurnal Teknik Komputer AMIK BSI Jurnal Pilar Nusa Mandiri JITK (Jurnal Ilmu Pengetahuan dan Komputer) JURNAL MANAJEMEN INFORMATIKA (JUMIKA) J I M P - Jurnal Informatika Merdeka Pasuruan Jurnal Teknoinfo Energi & Kelistrikan INTERACTION: Jurnal Pendidikan Bahasa INTI Nusa Mandiri Jurnal Informatika dan Rekayasa Elektronik Jurnal Sistem Informasi dan Informatika (SIMIKA) Journal of Innovation and Future Technology (IFTECH) Budimas : Jurnal Pengabdian Masyarakat Journal of Intelligent Computing and Health Informatics (JICHI) Jurnal AbdiMas Nusa Mandiri Journal of Students‘ Research in Computer Science (JSRCS) JURNAL ELEKTRO DAN INFORMATIKA SWADHARMA (JEIS) Jurnal Altifani Penelitian dan Pengabdian kepada Masyarakat Joong-Ki : Jurnal Pengabdian Masyarakat Teknologika Jurnal Pengabdian Masyarakat Akademisi DEDIKASI : Jurnal Pengabdian Kepada Masyarakat Jurnal Media Penyiaran CHAIN: Journal of Computer Technology, Computer Engineering and Informatics Joong-Ki Jurnal Ilmiah Sistem Informasi Joong-Ki Jurnal Informatika dan Rekayasa Perangkat Lunak Komputasi : Jurnal Ilmiah Ilmu Komputer dan Matematika Jurnal Ilmiah Sistem Informasi Akuntansi (JIMASIA)
Ade Christian
Universitas Bina Sarana Informatika
Religion Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 49 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 49 Documents
Search

 1   2   3   4   5 
Optimalisasi Pelatihan Desain Grafis untuk Promosi Produk Bagi Remaja Masjid Islamic Center Jakarta Utara Supriyadi; Ibnu Rusdi; Ade Christian; Indah Suryani
Dedikasi : Jurnal Pengabdian Kepada Masyarakat Vol. 3 No. 1 (2024): Dedikasi : Jurnal Pengabdian Kepada Masyarakat
Publisher : Lembaga Layanan Pendidikan Tinggi Wilayah III DKI Jakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53276/dedikasi.v3i1.161

Abstract

Dunia digital dan milenial di Indonesia berdampak pada persaingan di semua sektor industri, komersial dan nonkomersial, termasuk Remaja Islam Jakarta Islamic Centre (Madaris JIC). Permasalahan yang saat ini dihadapi oleh Madaris JIC adalah kurangnya pemahaman penggunaan aplikasi desain grafis yang diterapkan pada produk, kemasan dan poster yang diproduksi untuk mendukung pemberdayaan ekonomi dalam organisasi. Oleh karena itu, dosen dan mahasiswa Program Studi Informatika Universitas Nusa Mandiri (UNM) melakukan pengabdian masyarakat dengan tujuan membantu para remaja Madaris JIC memperkuat perekonomian organisasi dan anggotanya. Metode yang digunakan dalam pengabdian ini adalah ceramah persuasif. Adapun hasil dari kegiatan pendampingan ini diharapkan nantinya dapat meningkatkan keahlian dan pemahaman dalam bidang desain meningkat dikarenakan ada brandstorming terhadap materi desain grafis ini, semoga dapat mempengaruhi terhadap nilai promosi di lingkungan Madaris JIC. Kegiatan ini juga membantu penyebaran dakwah Madaris JIC melalui poster dakwah yang lebih kreatif dan inovatif sehingga berdampak pada brand awareness Madaris JIC di kalangan masyarakat umum di sekitar lingkungan Jakarta Islamic Center tersebut.
EVALUASI KINERJA TIM PENJUALAN: PENDEKATAN FUZZY AHP DALAM MODEL MCDM Indriani, Karlena; Saputra, Irwansyah; Nurmalasari; Yani, Ahmad; Christian, Ade
Jurnal Teknologika Vol 14 No 1 (2024): Jurnal Teknologika
Publisher : Sekolah Tinggi Teknologi Wastukancana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51132/teknologika.v14i1.379

Abstract

Tenaga penjualan adalah aset paling penting bagi sebuah perusahaan. Pengembangan kompetensi tenaga penjualan tidak dapat sepenuhnya dievaluasi karena kompleksitas keterampilan yang langsung diperoleh dan digunakan. Kesulitan dalam menentukan kriteria penilaian yang sesuai untuk mengevaluasi kinerja tenaga penjualan di perusahaan tidak cukup hanya menggunakan persepsi manusia oleh manajemen. Hal tersebut karena penilaian dan persepsi manusia terhadap kriteria kualitatif selalu subjektif dan tidak tepat. Dalam menentukan beberapa kategori kriteria, diperlukan teknik kuantitatif dan kualitatif sebagai sarana pengambilan keputusan dalam organisasi. Penelitian kuantitatif menghasilkan data dalam bentuk angka, sedangkan penelitian kualitatif cenderung menghasilkan data yang disajikan dalam bentuk narasi dan teks. Dalam penelitian ini, diusulkan model MCDM menggunakan metode Fuzzy AHP untuk mengevaluasi kinerja tenaga penjualan di departemen pemasaran perusahaan guna menentukan prioritas dan peringkat objektif dari alternatif. Hasil penelitian menunjukkan bahwa konsistensi rasio validasi menggunakan metode Fuzzy AHP pada kriteria kuantitatif diperoleh nilai 0,016 dan 0,015 untuk kriteria kualitatif. Kemudian analisis sensitivitas digunakan untuk mengidentifikasi dampak dari perubahan pada bobot relatif kategori kriteria kuantitatif yang nilainya diturunkan sebesar 3,85%, sehingga mempengaruhi penilaian secara keseluruhan. Secara spesifik pada pre-test dengan nilai akurasi sebesar 85%, sedangkan pada post-test menghasilkan akurasi yang lebih besar dengan nilai 95%, dapat diinterpretasikan bahwa evaluasi kinerja tenaga penjualan menggunakan metode Fuzzy AHP menghasilkan prioritas dan peringkat alternatif yang lebih objektif dan sangat sesuai untuk diimplementasikan di perusahaan. Analisis uji t-produksi nilai p adalah 0,000494 yang lebih kecil dari nilai alpha (0,05), menunjukkan bahwa hasilnya efektif.
Prediksi Penyakit Jantung Menggunakan Algoritma Machine Learning Berdasarkan Indikator Kesehatan Karo-Karo, Julkarnaen; Syakir, Adryan Raihan; Raihan, Raihan; Sumanto, Sumanto; Budiawan, Imam; Pakpahan, Roida; Christian, Ade
Jurnal Ilmiah Sistem Informasi Vol. 5 No. 1 (2026): January: Jurnal Ilmiah Sistem Informasi
Publisher : LPPM Universitas Sains dan Teknologi Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/1tgz3234

Abstract

Penyakit jantung tetap menjadi penyebab utama kematian di seluruh dunia, sehingga menekankan perlunya deteksi dini dan langkah pencegahan aktif melalui pendekatan yang didasarkan pada analisis data. Penelitian ini bertujuan untuk memprediksi kemungkinan terjadinya penyakit jantung dengan memanfaatkan berbagai metode pembelajaran mesin, yang bergantung pada indikator kesehatan seperti nilai tekanan darah, tingkat kolesterol, indeks massa tubuh, serta pengukuran denyut nadi. Penelitian ini menerapkan teknik pembelajaran terawasi, meliputi Regresi Logistik, Pohon Keputusan, Hutan Acak, dan Mesin Vektor Pendukung, untuk mengevaluasi efektivitas masing-masing model dalam menentukan kondisi kesehatan pasien. Data yang digunakan berasal dari repositori kesehatan yang dapat diakses secara gratis, mencakup 303 catatan medis pasien, di mana setiap catatan ditandai oleh 14 atribut kesehatan yang berbeda. Untuk memastikan keandalan data, beberapa langkah pra-pemrosesan diterapkan, seperti normalisasi, seleksi fitur, dan penanganan data yang hilang. Temuan eksperimen mengungkapkan bahwa algoritma Hutan Acak menunjukkan akurasi tertinggi sebesar 92,3%, mengungguli model lainnya dalam aspek presisi, recall, dan skor F1. Hal ini menandakan bahwa metode Hutan Acak unggul dalam mendeteksi pola dan faktor yang memperbesar risiko penyakit jantung. Penelitian ini berkontribusi pada pengembangan sistem diagnostik cerdas, yang dapat mendukung tenaga medis dalam pengambilan keputusan awal yang didasarkan pada bukti kuat. Kesimpulan dari studi ini menyoroti pentingnya memasukkan teknologi pembelajaran mesin ke dalam ekosistem layanan kesehatan digital guna meningkatkan ketepatan diagnosis dan memperbaiki hasil kesehatan pasien.
Real-Time Detection of Huanglongbing (HLB) Disease in Citrus Leaves Using Enhanced YOLO V8 Algorithm Sumanto Sumanto; Rachmat Adi Purnama; Hendra Supendar; Ade Christian; Teuku Vaickal Rizki irdian; Kaisar Ages Querio
Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika Vol. 23 No. 1 (2026): Komputasi: Jurnal Ilmiah Ilmu Komputer dan Matematika.
Publisher : Program Studi Ilmu Komputer, Universitas Pakuan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33751/komputasi.v23i1.82

Abstract

This study addresses the complex challenge of detecting Huanglongbing (HLB) disease in citrus leaves, which is known as one of the most lethal plant diseases with no known cure. The primary issue in HLB detection is the difficulty in identifying symptoms early and accurately, particularly in dynamic and uncontrolled field environments. Therefore, the main focus of this research is the development of a real-time detection approach using the YOLO V8 algorithm to more accurately detect and classify HLB symptoms in citrus leaf images. The objective of this study is to design a technique that can enhance the detection of HLB disease and compare its performance with the conventional YOLO V8 method. This research also aims to address the limitations of previous studies that used the Support Vector Machine (SVM) method, which only achieved an accuracy of 80%. To achieve this objective, the study utilizes a dataset consisting of 1200 citrus leaf images, representing various levels of severity, including mild, moderate, severe, and healthy leaves. The method employed in this research involves the use of the YOLO V8 algorithm to detect and classify HLB symptoms in citrus leaf images. This approach was tested through a series of experiments to measure accuracy, precision, recall, and computational efficiency. The experimental results consistently demonstrate that the developed approach outperforms the basic YOLO V8 and previous methods using SVM, with an improvement in HLB disease detection accuracy reaching 98%. This study provides critical insights into early detection of HLB disease, potentially serving as a powerful tool to support efforts in preventing the spread of this disease across citrus orchards. Additionally, this research opens opportunities for further development in real-time plant disease detection by integrating more advanced AI technologies and applying similar methods to other plant diseases. Future research can focus on developing more efficient and scalable algorithms for use in various field conditions, as well as exploring the integration of sensors and IoT technology for more comprehensive plant health monitoring.
Perbandingan Kinerja Algoritma Machine Learning dalam Klasifikasi Penyakit Fundus Menggunakan Citra Fundus Digital Kurniawan, Deny; Triyanto, Dedi; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1476

Abstract

Penyakit fundus mata seperti diabetic retinopathy, cataract, dan glaucoma merupakan penyebab utama gangguan penglihatan hingga kebutaan apabila tidak terdeteksi sejak dini. Diagnosis penyakit fundus secara konvensional masih sangat bergantung pada penilaian visual tenaga medis, yang berpotensi menimbulkan subjektivitas dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan membandingkan metode machine learning dalam mendeteksi penyakit fundus berdasarkan citra fundus digital serta menentukan algoritma dengan kinerja terbaik. Penelitian ini menggunakan dataset publik yang terdiri dari 600 citra fundus yang terbagi secara seimbang ke dalam empat kelas, yaitu Normal, Background Diabetic Retinopathy, Cataract, dan Glaucoma, dengan masing-masing kelas berjumlah 150 citra. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Tiga algoritma machine learning yang digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Random Forest. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa seluruh model mampu mencapai tingkat akurasi di atas 80%, dengan SVM menghasilkan akurasi tertinggi sebesar 88,0%, diikuti oleh KNN sebesar 87,7% dan Random Forest sebesar 82,5%. Hasil ini menunjukkan bahwa metode machine learning, khususnya SVM, efektif digunakan dalam mendeteksi penyakit fundus dan berpotensi dikembangkan sebagai sistem pendukung diagnosis dini. Meskipun demikian, penelitian lanjutan masih diperlukan dengan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan generalisasi model.
Evaluasi Kinerja Algoritma Machine Learning SVM dan KNN pada Klasifikasi Penyakit Ginjal Triyanto, Dedi; Kurniawan, Deny; Sari Marita, Lita; Christian, Ade; Sumanto, Sumanto
Jurnal Ilmiah Sistem Informasi Akuntansi Vol. 5 No. 2 (2025): Volume 5, Nomor 2, December 2025
Publisher : Universitas Teknokrat Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33365/jimasia.v5i2.1477

Abstract

Penyakit ginjal, mulai dari penyakit ginjal kronis hingga kondisi yang lebih serius seperti kista, batu ginjal, dan tumor, merupakan masalah kesehatan global yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut. Metode diagnosis konvensional masih bergantung pada interpretasi subjektif tenaga medis, sehingga berpotensi menimbulkan ketidakkonsistenan dan keterlambatan penanganan. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja algoritma machine learning Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN) dalam mendeteksi penyakit ginjal secara otomatis. Penelitian ini menggunakan dataset penyakit ginjal yang terdiri dari 4.000 data pasien yang terbagi secara seimbang ke dalam empat kelas, yaitu normal, kista, batu ginjal, dan tumor, dengan masing-masing kelas berjumlah 1.000 data. Dataset dibagi menjadi data training dan data testing dengan rasio 80:20. Proses pelatihan dan pengujian model dilakukan menggunakan algoritma SVM dan KNN, dengan evaluasi kinerja berdasarkan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan performa yang sangat tinggi, dengan SVM mencapai akurasi sebesar 99,6% dan KNN mencapai akurasi sebesar 99,8%. Hasil ini menunjukkan bahwa metode machine learning efektif digunakan dalam mendukung deteksi penyakit ginjal. Namun demikian, penelitian lanjutan dengan dataset yang lebih beragam dan data klinis nyata masih diperlukan untuk meningkatkan robustnes dan kemampuan generalisasi model.
ANALISIS MACHINE LEARNING UNTUK PREDIKSI PENYAKIT PARU-PARU MENGGUNAKAN RANDOM FOREST Ade Christian; Hariyanto Hariyanto; Ahmad Yani; Sumanto Sumanto
Journal of Innovation And Future Technology Vol. 7 No. 1 (2025): Vol 7 No 1 (Februari 2025): Journal of Innovation and Future Technology (IFTECH
Publisher : LPPM Unbaja

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47080/iftech.v7i1.3906

Abstract

Lung diseases, including COPD, lung cancer, and asthma, are serious global health issues, causing over seven million deaths annually. Advanced technologies, such as deep learning and the Random Forest algorithm, have been effectively utilized to detect and classify lung diseases from imaging data with high accuracy. This study aims to demonstrate the effectiveness of Random Forest in predicting lung diseases. The dataset used consists of 30,000 records with 11 attributes, collected from Kaggle and processed using Orange software version 3.36.2. The implementation of the Random Forest algorithm was conducted with 10 decision trees and six attributes considered at each split. The model was tested using Cross Validation with 10 folds. The testing results showed an AUC value of 0.993, indicating a very high level of accuracy. A confusion matrix was used to measure the model's performance through various metrics, including accuracy, precision, recall, F1-score, and AUC. This model achieved high accuracy, with ROC AUC values of 0.453 for predicting the presence of lung disease and 0.547 for predicting its absence. These results confirm that the Random Forest algorithm is an effective predictive tool for identifying lung diseases. This study makes a significant contribution to the development of more accurate and efficient diagnostic techniques, assisting medical professionals in identifying lung diseases in patients. With a deeper understanding of how this algorithm operates in the healthcare domain, it is expected to significantly enhance the quality of patient diagnosis and care.
ANALISIS SENTIMEN ULASAN GAME DELTA FORCE MOBILE MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE Zaky, Faiz Najwan; Gibran, Muhamad Rendi; Sumanto, Sumanto; Kumalasari, Jefina Tri; Taufiq, Ghofar; Christian, Ade
JEIS: Jurnal Elektro dan Informatika Swadharma Vol 6, No 1 (2026): JEIS EDISI JANUARI 2026
Publisher : Institut Teknologi dan Bisnis Swadharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56486/jeis.vol6no1.1115

Abstract

This study aims to analyze sentiment in Delta Force Mobile reviews on the Google Play Store using Naive Bayes and Support Vector Machines. Sentiment classification in reviews helps game developers understand player sentiment and improve user satisfaction. The method used is the KDD framework, which focuses on web scraping, text cleaning, tokenization, stemming, and TF-IDF for data weighting. The experimental data consisted of 29,454 reviews, with a peak accuracy rate of 86.17%. The study found a significant improvement in SVM’s ability to classify negative sentiment accurately. SVM had a score of 0.69, while Naive Bayes had a score of 0.56. This indicates that SVM is more accurate at classifying reviews that contain technical complaints, such as lag and bugs.Penelitian ini bertujuan menganalisis sentimen pada ulasan Delta Force Mobile di Google Play Store menggunakan Naive Bayes dan Support Vector Machine. Klasifikasi sentimen dalam ulasan digunakan untuk membantu pengembang game memahami sentimen pemain dan membantu meningkatkan kepuasan pengguna. Metode yang digunakan yaitu kerangka kerja KDD yang berfokus pada web scraping, pembersihan teks, tokenisasi, stemming, dan TF-IDF untuk memberi bobot pada data. Data yang digunakan dalam eksperimen berjumlah 29.454 ulasan, dengan tingkat akurasi tertinggi sebesar 86.17%. Hasil penelitian mendapatkan temuan signifikan bahwa SVM memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen negatif secara akurat. SVM memiliki nilai 0,69 dan Naive Bayes memiliki nilai 0,56. Hal ini menunjukan bahwa SVM lebih akurat dalam mengklasifikasikan ulasan yang mengandung keluhan teknis seperti lag dan bug.
K-Means dan Data Mining Tools: Strategi Efektif untuk Menganalisis Siswa Putus Sekolah Ade Christian; Hariyanto Hariyanto; Ahmad Yani; Sumanto Sumanto
CHAIN: Journal of Computer Technology, Computer Engineering, and Informatics Vol. 3 No. 1 (2025): Volume 3 Number 1 January 2025
Publisher : PT. Tech Cart Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58602/chain.v3i1.167

Abstract

Pendidikan memiliki peran penting dalam membangun sumber daya manusia yang berkualitas, namun permasalahan putus sekolah masih menjadi tantangan serius, terutama di tingkat Sekolah Menengah Kejuruan (SMK). Untuk mengatasi masalah ini, penelitian ini membandingkan tiga aplikasi data mining, yaitu RapidMiner, Orange, dan Weka, dalam mengelompokkan siswa putus sekolah menggunakan algoritma K-Means. Data yang digunakan diperoleh dari berbagai sumber dan diproses melalui tahapan pengujian, penerapan algoritma K-Means, serta perbandingan hasil klasterisasi. Hasil penelitian menunjukkan bahwa RapidMiner memiliki akurasi tertinggi sebesar 86%, diikuti oleh Orange dengan 80%, dan Weka dengan 73%. Perbedaan akurasi ini menunjukkan bahwa setiap aplikasi memiliki keunggulan dan keterbatasan masing-masing dalam pemrosesan data dan pengelompokan siswa berdasarkan pola tertentu. Dari hasil perbandingan ini, RapidMiner terbukti lebih optimal dalam menghasilkan klaster yang lebih akurat dan stabil dibandingkan dengan dua aplikasi lainnya. Meskipun penelitian ini menunjukkan hasil yang signifikan, masih terdapat beberapa keterbatasan, seperti jumlah dataset yang terbatas dan penggunaan satu algoritma saja (K-Means). Oleh karena itu, penelitian selanjutnya dapat menggunakan dataset yang lebih besar dan beragam, serta mengeksplorasi algoritma lain, seperti DBSCAN atau Hierarchical Clustering, untuk meningkatkan kualitas analisis. Selain itu, integrasi teknik machine learning yang lebih kompleks juga direkomendasikan guna meningkatkan akurasi prediksi. Hasil penelitian ini diharapkan dapat membantu lembaga pendidikan dalam mengidentifikasi pola siswa berisiko putus sekolah, sehingga dapat digunakan sebagai dasar dalam pengambilan keputusan dan strategi intervensi pendidikan yang lebih efektif. Kata Kunci: Data Mining; K-Means, Klasterisasi; RapidMiner; Orange; Weka; Siswa Putus Sekolah.
Co-Authors Adi Supriyatna Ahmad Sinnun ahmad yani Ahmad Yani Ahmad Yani Ahmad Yani , Ahmad Yani Ajeng Clarissa Ali Haidir Alvin Marshall Raniel Saragih Amir Amir Amir Anastasiaa Siwi Fatma Utami Andi Taufik Anton Arfhan Prasetyo Ariq Naufal Rabbani Bibit Sudarsono Dedi Triyanto DENY KURNIAWAN Dhea Shaufy Dipo Era Ginanti Dwi Andini Putri Dwi Yuni Utami Eka Kurniatun Hazanah Eva Rahmawati Fahmi , Muhammad Fathurrahman Dwi Ramtomo Fattya Ariani Fattya Ariani Fauzi Ahmad Muda Fauziah , Sifa Fitria Kumalasari Ghofar Taufiq Gibran, Muhamad Rendi Hafis Nurdin Handini Widyastuti Hariyanto Hariyanto HARIYANTO HARIYANTO Hasan, Fuad Nur Husni Mubarok Ibnu Rusdi Ibnu Rusdi Imam Budiawan Indah Suryani Indah Suryani Indah Suryani Indah Suryani Indah Suryani Indah Suryani Indra Chaidir, Indra Indriani , Karlena Irwansah Lubis Jefina Tri Kumalasari Kaisar Ages Querio Karlena Indriani Karo-Karo, Julkarnaen khairul rizal Lia Mazia, Lia Lita Sari Marita Muhammad Fahmi Nafira Octaviani Amri Nur Alam Nur Rachmat Nugraha Nurhayati, M Sinta Nurlaelatul Maulidah Nurmalasari Pakpahan, Roida Pujiastuti, Lise Putri Putri Rachmat Adi Purnama Raihan Raihan, Raihan Riki Supriyadi Riki Supriyadi Riswandi Ishak Ruhul Amin Ruli , Ahmad Rais Saputra, Irwansyah Sifa Fauziah Siti Nazilah Suci Sulistiani Sumanto Sumanto Sumarna Sumarna , Sumarna Sumarna Sumarna Supriyadi Supriyadi Supriyadi Supriyadi Sandi Supriyadi Supriyadi Supriyadi Supriyadi Supriyadi Supriyadi Syakir, Adryan Raihan Taopik Hidayat Taufik Asra Teuku Vaickal Rizki irdian Ummu Radiyah, Ummu Veti Apriana, Veti Yani , Ahmad Yopi Handrianto, Yopi Zaky, Faiz Najwan