Article Per Year (5 Year)
p-Index From 2021 - 2026
4.844
P-Index
This Author published in this journals
All Journal Sistemasi: Jurnal Sistem Informasi JOIV : International Journal on Informatics Visualization Jurnal Surya Medika INOVTEK Polbeng - Seri Informatika Window of Health : Jurnal Kesehatan Bunda Edu-Midwifery Journal (BEMJ) Poltekita : Jurnal Ilmu Kesehatan Building of Informatics, Technology and Science Surya Medika: Jurnal Ilmiah Ilmu Keperawatan dan Ilmu Kesehatan Masyarakat Zonasi: Jurnal Sistem Informasi JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Dharma Raflesia : Jurnal Ilmiah Pengembangan dan Penerapan IPTEKS JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) TIN: TERAPAN INFORMATIKA NUSANTARA Information System Journal (INFOS) Jurnal Computer Science and Information Technology (CoSciTech) KLIK: Kajian Ilmiah Informatika dan Komputer Media Publikasi Penelitian Kebidanan Malcom: Indonesian Journal of Machine Learning and Computer Science Bulletin of Informatics and Data Science Jurnal Informatika: Jurnal Pengembangan IT Jurnal Pengabdian Kepada Masyarakat Meambo TENANG : Teknologi, Edukasi, dan Pengabdian Multidisiplin Nusantara Gemilang Jurnal Ilmiah Ilmu Kesehatan
Iis Afrianty
Universitas Sembilan Belas November Kolaka
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 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 : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
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.
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.
Pengelompokkan Tingkat Stres Akademik Pada Mahasiswa Menggunakan Algoritma Fuzzy C-Means Alfaiza, Raihan Zia; Budianita, Elvia; Gusti, Siska Kurnia; Afrianty, Iis
TIN: Terapan Informatika Nusantara Vol 6 No 5 (2025): October 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v6i5.8460

Abstract

Academic stress is a common problem experienced by students due to the burden of assignments, exams, and social pressures. If not managed properly, it can impact achievement and psychological well-being. This study aims to classify the academic stress levels of students at the Faculty of Science and Technology, Sultan Syarif Kasim State Islamic University, Riau, using the Fuzzy C-Means (FCM) algorithm, which allows flexibility in the degree of data membership in more than one cluster. Data were obtained from a modified Perception of Academic Stress Scale (PASS) questionnaire, with 587 respondents from the 2021–2024 intake. The research stages included data selection, cleaning, and transformation, application of the FCM algorithm, and evaluation using three validation metrics: the Partition Coefficient Index (PCI), the Fuzzy Silhouette Index (FSI) and the Silhouette Coefficient. The test results showed the optimal number of clusters at C = 2, with the highest PCI value of 0.5663, FSI and ilhouette Coefficient score of 0.3056, resulting in two groups of students: 313 with high stress levels and 274 with low stress levels. The decrease in PCI, FSI and Silhouette scores across a larger number of clusters indicates that dividing two clusters provides the clearest grouping structure. These findings demonstrate that the FCM algorithm is effective in mapping students' academic stress patterns and can be used as a basis for designing more targeted academic mentoring strategies, counseling services, and psychological intervention programs services.
PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KELUARGA BERESIKO STUNTING Pratama, Dandi Irwayunda; Insani, Fitri; Yanto, Febi; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24698

Abstract

Stunting disebabkan oleh kekurangan gizi kronis, yang menghambat pertumbuhan terhambat pada anak dan dapat memengaruhi kesehatan jangka panjang. Penelitian ini bertujuan untuk mengklasifikasikan keluarga beresiko stunting menggunakan metode K-Nearest Neighbor (K-NN) dan Modified K-Nearest Neigbor (MK-NN). Perbandingan keduanya dilakukan dengan tujuan memberikan gambaran lebih jelas mengenai metode mana yang lebih cocok dalam membantu dalam memilih algoritma yang memberikan hasil yang optimal. Data yang digunakan terdiri dari 23607 data keluarga dan 20 parameter, diperoleh dari Balai Penyuluhan KB (Kampung Berencana) di Kecamatan Tuah Madani. Hasil menunjukkan bahwa MK-NN memberikan performa lebih konsisten pada berbagai nilai k dengan akurasi mencapai 99.28% terutama pada rasio 80:20 dan 70:30. Sebaliknya, K-NN mencapai akurasi maksimum 99.36% tetapi mengalami fluktuasi pada nilai k tertentu. MK-NN juga unggul dalam metrik precisision, recall dan f1-score menunjukkan mampu menghadapi data yang kompleks. Dapat disimpulkan bahwa MK-NN lebih efektif dan stabil dibandingkan K-NN. Penelitian ini menyarankan penggunaan data ekonomi seperti pendapatan dan pekerjaan orang tua pada studi mendatang untuk memberikan hasil klasifikasi yang lebih menyeluruh dan akjrat dalam mendukung kebijakan stunting.
PENERAPAN TEKNIK SMOTE PADA KLASIFIKASI PENYAKIT STROKE DENGAN ALGORITMA SUPPORT VECTOR MACHINE Pasiolo, Lugas; Afrianty, Iis; Budianita, Elvia; Abdillah, Rahmad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24731

Abstract

Stroke adalah kondisi darurat medis yang dapat menyebabkan kerusakan otak atau kematian. Deteksi dini dan klasifikasi risiko stroke sangat penting untuk pencegahan dan penanganannya. Penelitian ini menggunakan dataset sebanyak 5110 data untuk meningkatkan akurasi klasifikasi stroke dengan algoritma Support Vector Machine (SVM) pada data tidak seimbang. Teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan untuk menyeimbangkan data stroke dan non-stroke, yang dapat meningkatkan performa model. SVM diuji dengan berbagai kernel, yaitu Linear, RBF, Polynomial, dan Sigmoid, serta variasi parameter pada masing-masing kernel untuk mencari konfigurasi optimal. Hasil pengujian menunjukkan penerapan SMOTE meningkatkan akurasi, presisi, dan recall, dengan kernel RBF mencapai akurasi tertinggi 92% pada parameter Cost 100 dan Gamma 1. Temuan ini menunjukkan bahwa penggunaan SMOTE dan optimasi parameter SVM dapat menghasilkan model klasifikasi yang lebih efektif dalam mendeteksi risiko stroke pada data tidak seimbang.
EKSPLORASI FITUR FASTTEXT, TF-IDF DAN INDOBERT PADA METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI SENTIMEN Putri, Atika; Agustian, Surya; Jasril, Jasril; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24779

Abstract

Sentiment classification is essential for analyzing public opinion, particularly on social media issues. One of the main challenges in sentiment classification is the limited amount of training data, which often affects the model's ability to make accurate predictions. This study examines Kaesang Pengarep's appointment as PSI chairman using feature extraction methods such as FastText, TF-IDF, and IndoBERT, alongside the K-Nearest Neighbor (KNN) algorithm. Optimization steps include adding external data, refining text preprocessing, applying data scaling, and tuning parameters. The baseline model achieved 44% accuracy and 39% F1-score using FastText. After optimization and switching to IndoBERT, the optimal model achieved 57% accuracy and 49% F1-score, showing a 10% improvement. These findings demonstrate that optimizations, such as advanced feature extraction and parameter tuning, significantly impact sentiment classification. Future research could focus on advanced optimization techniques to address data limitations and enhance sentiment analysis performance. Keywords: Sentiment Classification, Model Optimisation, K-Nearest Neighbor, FastText, TF-IDF, IndoBERT.
The Effect of Progressive Muscle Relaxation Exercises on the Sleep Quality of Menapause Women in the Kolaka Health Center Work Area Naim, Rosani; Mariany, Mariany; Saputri, Ekawati; Afrianty, Iis
Poltekita : Jurnal Ilmu Kesehatan Vol. 17 No. 3 (2023): November
Publisher : Poltekkes Kemenkes Palu

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33860/jik.v17i3.3354

Abstract

Menopause is the final phase of a woman's reproduction or it is said that the last menstruation experienced by a woman has a psychological impact, especially sleep disorders.. Four of five women who were surveyed stated that their sleep was often disturbed, especially when it was difficult to fall asleep and woke up feeling it was the middle of the night so they complained of blisters in the morning because the duration of sleep at night was around 4 o'clock. The purpose of this study was to analyze the quality of sleep of mothers before and after carrying out progressive muscle relaxation exercises. Quasy Experiment Method in one group pre test-post test design is the method used with a sample of 30 respondents. The quality of sleep before exercise and after exercise progressive muscle relaxation was measured using a questionnaire. Provision of progressive muscle relaxation exercises in accordance with Standard Operating Procedures (SOP). There were significant differences in the quality of sleep of mothers before and after progressive muscle relaxation exercises on sleep quality of postmenopausal women, namely sleep quality (p value 0.000), sleep latency (p value 0.000), efficiency (p value 0.000), sleep disturbance (p value 0.000), sleep disturbance (p value 0.000), value 0.001), and disturbed activity (0.005). Postmenopausal women's sleep quality improves after doing progressive muscle relaxation exercises is effective. It can be said that the application of progressive muscle relaxation exercises in menopausal women is very good so that the quality of sleep for menopausal women is of high quality.
Co-Authors Adiya, M. Hasmil Afriyanti, Liza Aftari, Dhea Putri Agnesti, Syafira Al Rasyid, Nabila Alfaiza, Raihan Zia Alghi, Anugerah Febryan Aprima, Muhammad Dzaky Arianto Arianto Arif, Arif Prasetya Ayu Lestari, Fajar Vilbra Azhima, Mohd Baeda, Abd. Gani Baehaqi Bangu, Bangu Burhanuddin, Yuniarti Ekasaputri Butar-Butar, Rio Juan Hendri Dewi Nasien Dinata, Ferdian Arya Elvia Budianita Fadhilah Syafria Farkhan, Mochammad Febi Yanto Fitri Insani Fitri, Anisa Gusti, Siska Kurnia Guswanti, Widya Hamid, Fanul Hariansyah, Jul Harni, Yulia Hasibuan, Aldiansyah Pramudia Hasidu, La Ode Abdul Fajar Hasria Hasria, Hasria Hatta, M Ilham Ika Lestari Salim Jasril Jasril Kamaruddin, Anggi Ashari Kurniawan, Saifur Yusuf La Aba Lubis, Anggun Tri Utami BR. Ma'rifah, Laila Alfi Mariany Mariany Maryani Maryani Mhd. Kadarman Muhammad Fikry Muhammad Irsyad Naim, Rosani Nasus, Evodius Nazir, Alwis Nazruddin Safaat Nazruddin Safaat H Ode Muhammad Sety, La Pasiolo, Lugas Pratama, Dandi Irwayunda Putri, Atika Putri, Widya Maulida Rahmad Abdillah Ramadhani, Astrid Rasmiati Rasyid Rosmiati Rosmiati Safar, Muhammad Saleh, Ramlah Saputri, Ekawati Sety, La Ode Muhamad Siti Sri Rahayu Suharsono Bantun Surya Agustian Suwanto Sanjaya Syahrianti Syahrianti Tukatman Tukatman Tulak, Grace Tedy Vitriani, Yelfi Yuhanah Yuhanah Yulianti, Eva Tri Yuniarti Eka Saputri Yuniarti Eka Saputri B Yusra, Yusra Zabihullah, Fayat Zulastri, Zulastri