p-Index From 2021 - 2026
11.976
P-Index
This Author published in this journals
All Journal Jurnal Algoritma Jurnal Informatika dan Teknik Elektro Terapan Infotech Journal JUPITER (Jurnal Pendidikan Teknik Elektro) PROCEEDING IC-ITECHS 2014 JTT (Jurnal Teknologi Terpadu) SMARTICS Journal JOURNAL OF APPLIED INFORMATICS AND COMPUTING JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI INTECOMS: Journal of Information Technology and Computer Science Jiko (Jurnal Informatika dan komputer) Indonesian Journal of Applied Informatics KOMPUTIKA - Jurnal Sistem Komputer Jurnal Teknologi Jurnal Riset Informatika Progresif: Jurnal Ilmiah Komputer International Journal of Economics, Business and Accounting Research (IJEBAR) bit-Tech JATI (Jurnal Mahasiswa Teknik Informatika) JTIULM (Jurnal Teknologi Informasi Universitas Lambung Mangkurat) G-Tech : Jurnal Teknologi Terapan JIKA (Jurnal Informatika) JUKI : Jurnal Komputer dan Informatika Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Infotek : Jurnal Informatika dan Teknologi Infotech: Journal of Technology Information Infokes : Jurnal Ilmiah Rekam Medis dan Informasi Kesehatan SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Pendidikan dan Teknologi Indonesia Jurnal SAINTIKOM (Jurnal Sains Manajemen Informatika dan Komputer) Journal of Information Technology (JIfoTech) Jurnal Teknik Informatika Jurnal Algoritma Duta.com : Jurnal Ilmiah Teknologi Informasi dan Komunikasi Journal of Comprehensive Science Prosiding Seminar Nasional Hasil-hasil Penelitian dan Pengabdian Pada Masyarakat Duta Abdimas: Jurnal Pengabdian Masyarakat Proceeding of International Conference Health, Science And Technology (ICOHETECH) Politeknosain Adopsi Teknologi dan Sistem Informasi Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Innovative: Journal Of Social Science Research Journal of Software Engineering and Information System (SEIS) Komunita: Jurnal Pengabdian dan Pemberdayaan Masyarakat SmartComp Equivalent : Journal of Economic, Accounting and Management Journal of Information Technology
Claim Missing Document
Check
Articles

Deteksi dan Klasifikasi Sampah Organik dan Anorganik Menggunakan Algoritma Yolo di Solo Technopark Rafel Fernando; Afu Ichsan Pradana; Sopingi
J-INTECH ( Journal of Information and Technology) Vol 14 No 02 (2026): Journal of Information and Technology
Publisher : LPPM Universitas Bhinneka Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32664/j-intech.v14i02.2362

Abstract

The advancement of artificial intelligence (AI) technology, particularly in the area of computer vision, has encouraged the use of automatic object detection methods for various needs, including the classification of organic and inorganic waste. The problem of waste management in the Solo Technopark area which is still carried out manually causes the waste sorting process to not run optimally. This research focuses on developing and evaluating the performance of several YOLO models for detecting and classifying organic and inorganic waste types in real-time. The research dataset contains 6,758 waste images categorized into 10 object classes, obtained from Roboflow. The preprocessing stages include annotation, auto-orientation, and image resizing to 640×640 pixels. The dataset is then divided into 70% training data, 20% validation, and 10% testing. This study used three YOLO models, namely YOLOv11, YOLOv12, and YOLOv26 with epoch variations of 10, 30, 50, and 100. Model evaluation was carried out using precision, recall, mAP50, mAP50-95, and inference time metrics. The results showed that the best model was obtained on YOLOv26 epoch 100 with a precision value of 0.92, recall of 0.847, mAP50 of 0.892, mAP50-95 of 0.741, and inference time of 3.0 ms. These findings indicate that the YOLOv26 model has good capabilities in detecting and classifying organic and inorganic waste accurately and quickly, so it has the potential to be used as a basis for developing a real-time waste detection system.
Evaluating U-Net Segmentation in Vgg16-Based Leukemia Classification: A Comparative Study Rizky Vera Oktarina; Afu Ichsan Pradana; Vihi Atina; Farahwahida Mohd
Jurnal Infokes Vol 16 No 2 (2026): Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan
Publisher : Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/5d37ge60

Abstract

Background: Leukemia is a malignant hematological disorder characterized by abnormal proliferation of white blood cells (WBCs), affecting over 474,000 patients globally each year, with manual diagnosis limited by inter-observer variability of up to 40%. Objective: This study evaluates whether U-Net-based WBC segmentation improves leukemia classification by comparing three configurations: VGG16 on original images, VGG16 with U-Net-predicted masks, and VGG16 with ground truth masks. Methods: A total of 3,256 ALL microscopic blood smear images were divided into training, validation, and testing sets (70:10:20). U-Net was trained using a combined Binary Cross-Entropy and Dice loss, and the segmentation outputs were used as inputs for VGG16 classification. Performance was evaluated using DSC, IoU, accuracy, precision, recall, F1-score, and AUC-ROC. Results: U-Net achieved a DSC of 0.7885 and an IoU of 0.7134. VGG16 with U-Net masks achieved 98.62% accuracy (AUC 0.9958), while VGG16 with ground truth masks achieved 98.31%. The baseline VGG16 achieved the highest performance with 99.69% accuracy (AUC 0.9999). Conclusion: Explicit segmentation did not improve classification performance for the dataset used in this study and may introduce unnecessary computational overhead when discriminative features are already preserved in the original images. Suggestion: Future studies should evaluate heterogeneous datasets and advanced segmentation architectures to further investigate the contribution of segmentation to leukemia classification.
Pendekatan Hybrid SMOTE-Random Forest Untuk Prediksi Risiko Gagal Bayar Fintech Fadhil Ibnu Is’ad; Afu Ichsan Pradana; Eko Purwanto
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Penilaian risiko kredit yang akurat merupakan instrumen krusial dalam mitigasi risiko finansial pada industri teknologi finansial (FinTech lending). Namun, dataset komersial umumnya mengalami kendala ketidakseimbangan kelas (imbalance data) akibat dominasi debitur lancar, yang menyebabkan algoritma pembelajaran mesin tradisional cenderung bias dan gagal mengidentifikasi debitur berisiko. Penelitian ini bertujuan untuk mengoptimalkan sensitivitas deteksi risiko gagal bayar melalui pendekatan Hybrid SMOTE-Random Forest. Metode penelitian diawali dengan tahap preprocessing berupa pembersihan data dan Min-Max Normalization terhadap dataset Lending Club sebanyak 200 sampel dengan 14 variabel prediktor. Masalah ketidakseimbangan kelas ditangani menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) berbasis algoritma k-Nearest Neighbors (k = 5) untuk membangkitkan sampel sintetis pada data latih. Proses klasifikasi dieksekusi menggunakan ensemble pohon keputusan Random Forest dengan skema pembagian data latih dan data uji melalui proporsi percentage split 70:30. Hasil eksperimen riil menunjukkan bahwa integrasi SMOTE berhasil meningkatkan performa model secara drastis dengan menekan angka False Negative menjadi hanya 1 data. Model Hybrid usulan berhasil mencapai metrik performa optimal pada data uji dengan nilai Akurasi global sebesar 95,00%, nilai Presisi sebesar 0,909, nilai Recall (sensitivitas) mencapai 0,952, serta skor harmonik F1-Score sebesar 0,930. Hasil ini membuktikan keandalan pendekatan hybrid sebagai sistem penilaian kredit cerdas yang presisif dan objektif untuk menekan laju kredit macet.
Deteksi Kesegaran Makanan Berbasis IoT dengan Parameter Gas, Suhu dan Kelembapan Reynaldi Kurniawan; Herliyani Hasanah; Afu Ichsan Pradana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Permasalahan penurunan kesegaran makanan akibat kondisi penyimpanan yang tidak terpantau berdampak pada kerugian ekonomi dan kesehatan masyarakat. Metode konvensional yang bersifat manual kurang efektif karena bergantung pada pengamatan visual dan penciuman subjektif. Penelitian ini bertujuan merancang dan membangun sistem deteksi kesegaran makanan berbasis Internet of Things (IoT) menggunakan parameter gas volatil (etanol dan VOC), suhu, dan kelembapan dengan antarmuka web sebagai media monitoring jarak jauh. Sistem dikembangkan menggunakan mikrokontroler ESP32 yang terintegrasi dengan sensor MQ-3 (etanol), MQ-135 (VOC), dan DHT11 (suhu/kelembapan). Data sensor ditransmisikan ke Firebase Realtime Database dan ditampilkan pada dashboard web secara real-time menggunakan metode prototyping empat tahap. Hasil pengujian menunjukkan sistem mampu mengklasifikasikan tiga status kesegaran (Normal, Peringatan, Kritis) dengan akurasi 100% pada 10 pengujian, latensi transmisi rata-rata 972,1 ms, dan rata-rata error sensor DHT11 sebesar 0,56%.
Perhitungan Kendaraan Menggunakan Yolo Dari Ultralytics Untuk Sistem Pemantauan Lalu Lintas Rona Mahendra; Nibras Faiq Muhammad; Afu Ichsan Pradana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Pertumbuhan volume kendaraan di perkotaan memerlukan sistem pemantauan otomatis seperti Intelligent Transportation System (ITS). Namun, model deep learning sering menghadapi kendala ketidakseimbangan kelas (class imbalance) ekstrem yang menurunkan akurasi objek minoritas. Penelitian ini menerapkan arsitektur ringan YOLO26s dengan strategi random oversampling untuk mendeteksi empat kelas kendaraan: Bus, Mobil, Sepeda Motor, dan Truk. Dataset gabungan sejumlah 19.389 citra bersumber dari UA-DETRAC dan Roboflow, lalu dilatih memakai konfigurasi Distributed Data Parallel (DDP) pada dua GPU NVIDIA Tesla T4. Hasil pengujian membuktikan teknik oversampling meningkatkan performa model secara signifikan tanpa memicu overfitting. Nilai mAP@0.5 global meningkat dari 0,982 menjadi 0,993, dan mAP@0.5:0.95 naik dari 0,842 menjadi 0,911. Peningkatan krusial terjadi pada Recall kelas Truk yang melonjak dari 0,93 menjadi 0,98. Model juga mempertahankan efisiensi tinggi dengan kecepatan inferensi mencapai 85,51 FPS (11,69 ms), sehingga sangat ideal untuk implementasi pemantauan lalu lintas secara real-time.
Analisis Metode Content Based Filtering Untuk Sistem Rekomendasi Kandidat Karyawan Pada Nextylabs Tigar Riski Septiono; Joni Maulindar; Afu Ichsan Pradana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

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

Abstract

Perkembangan teknologi digital menuntut efisiensi tinggi pada sistem seleksi talenta di industri perangkat lunak. Namun, proses penyeleksian berkas administrasi pada software house Nextylabs saat ini masih dilakukan secara manual terhadap dokumen Curriculum Vitae (CV) pelamar yang bersifat tidak terstruktur. Kondisi tersebut menimbulkan risiko tingginya tingkat subjektivitas, potensi terjadinya human error, serta inefisiensi waktu pemrosesan seleksi awal kandidat. Penelitian ini bertujuan merancang dan mengimplementasikan pendekatan berbasis Large Language Model (LLM) Gemini AI dan metode Content-Based Filtering (CBF) untuk mengotomatisasi sistem rekomendasi seleksi awal kandidat karyawan di Nextylabs. Penelitian ini menggunakan pendekatan eksperimental dengan tahapan yang meliputi pengumpulan data sampel berupa 15 dokumen CV, ekstraksi fitur keterampilan (skills) menggunakan model Gemini AI, pembersihan teks (preprocessing), representasi pembobotan fitur menggunakan TF-IDF, serta kalkulasi nilai perankingan berbasis Cosine Similarity. Hasil penelitian menunjukkan bahwa integrasi metode yang diusulkan mampu menyederhanakan informasi kompetensi pelamar dari berkas tidak terstruktur menjadi daftar urutan rekomendasi yang objektif. Sistem ini berhasil menghasilkan nilai kemiripan tertinggi sebesar 94,21% pada kandidat utama dan mencapai tingkat akurasi klasifikasi relevansi (Precision) sebesar 100%.
Klasifikasi Penyakit Daun Jagung Menggunakan MobileNet V3 Berbasis Transfer Learning Dengan Visualisasi Grad-CAM Rendhita Dennis Saputra; Afu Ichsan Pradana; Sopingi
Journal of Information Technology Vol. 6 No. 2 (2026): Journal of Information Technology
Publisher : Institut Shanti Bhuana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46229/jifotech.v6i2.1140

Abstract

Tanaman jagung merupakan komoditas pertanian strategis di Indonesia yang rentan terhadap serangan penyakit daun seperti Gray Leaf Spot, Northern Leaf Blight, dan Common Rust yang dapat menurunkan hasil panen secara signifikan apabila tidak ditangani sejak dini. Proses identifikasi yang masih dilakukan secara konvensional sangat bergantung pada pengalaman individu dan rentan terhadap kesalahan diagnosis, sementara model deep learning yang telah dikembangkan umumnya bersifat black-box sehingga sulit dipahami oleh pengguna akhir seperti petani dan penyuluh pertanian. Penelitian ini bertujuan mengembangkan model klasifikasi penyakit daun jagung yang akurat sekaligus interpretatif menggunakan arsitektur MobileNetV3-Small berbasis transfer learning dengan integrasi visualisasi Grad-CAM untuk meningkatkan transparansi hasil prediksi. Dataset yang digunakan terdiri atas 4.000 citra daun jagung dari platform Kaggle yang terbagi ke dalam empat kelas yaitu Bercak Daun, Hawar Daun, Karat Daun, dan Daun Sehat dengan rasio pembagian 80:20, dilatih selama 10 epoch menggunakan optimizer Adam dengan learning rate 0,001 dan batch size 32, serta diimplementasikan dalam prototipe aplikasi berbasis web menggunakan framework Flask. Hasil evaluasi menunjukkan model mencapai akurasi 97,75%, precision 97,76%, recall 97,75%, dan F1-score 97,75%, sementara evaluasi kuantitatif Grad-CAM pada 4.000 citra menghasilkan performa keseluruhan sebesar 98,55%, membuktikan relevansi visualisasi terhadap area gejala penyakit yang sebenarnya.
Sistem Monitoring Kualitas Air Pada Kolam Ikan Hias Berbasis Internet of Things (IoT) Dayinta Fajrin Fadhilah; Afu Ichsan Pradana; Fajar Suryani
Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 5 No. 1 (2026): Adopsi Teknologi dan Sistem Informasi (ATASI)
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/1jx3rw24

Abstract

The quality of water plays a vital role in maintaining the health and sustainability of ornamental fish in aquaculture systems. Key parameters such as temperature and dissolve solids must be continuously monitored to avoid conditions that may adversely affect fish welfare. This study presents the design and implementation of an Internet of Things (IoT)-based water quality monitoring system capable of real-time observation. The system integrates a DS18B20 temperature sensor and a TDS (Total Dissolved Solids) sensor with a NodeMCU ESP8266 microcontroller to measure water temperature and turbidity levels. Sensor data is transmitted automatically to the Blynk IoT platform, enabling remote monitoring through smartphones or computers. Experimental results indicate that the system reliably acquires and transmits data in real time with stable performance. The proposed system provides a practical and efficient solution for fish pond owners to monitor water quality, thereby enhancing preventive maintenance and ensuring optimal living conditions for ornamental fish.
Pengembangan Chatbot WhatsApp Berbasis Retrieval-Augmented Generation (RAG) dan OpenAI untuk Penyediaan Jawaban Akurat dari Dokumen Aturan Organisasi Mohamad Imaduddin; Rudi Susanto; Afu Ichsan Pradana
Adopsi Teknologi dan Sistem Informasi (ATASI) Vol. 5 No. 1 (2026): Adopsi Teknologi dan Sistem Informasi (ATASI)
Publisher : Mulawarman University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/atasi.v5i1.3472

Abstract

Akses terhadap dokumen aturan organisasi yang tersebar dan tidak terstruktur masih menjadi kendala bagi Aparatur Sipil Negara (ASN) dalam memperoleh informasi secara cepat dan akurat. Penelitian ini bertujuan mengembangkan chatbot WhatsApp berbasis Retrieval-Augmented Generation (RAG) dan model bahasa OpenAI untuk memberikan jawaban otomatis yang relevan berdasarkan dokumen aturan organisasi. Sistem dikembangkan dalam dua modul utama, yaitu gateway WhatsApp dan sistem RAG, masing-masing terdiri atas backend dan frontend. Backend WhatsApp menangani autentikasi sesi serta pengiriman dan penerimaan pesan, sedangkan frontend berfungsi memantau status koneksi dan aktivitas pesan secara real-time. Backend RAG memproses pertanyaan pengguna dengan melakukan pencarian semantik terhadap dokumen yang telah dikonversi menjadi representasi vektor, sementara frontend memungkinkan admin mengelola dokumen secara otomatis. Integrasi kedua sistem dilakukan melalui tagar khusus dengan komunikasi antarmodul menggunakan API dan Socket.IO. Evaluasi kuantitatif dilakukan menggunakan metrik F1 Score, BLEU Score, dan ROUGE-L. Hasil menunjukkan performa sistem yang baik, dengan rata-rata F1 Score sebesar 0,80, BLEU Score 0,54, ROUGE-L Precision 0,76, Recall 0,88, dan F1 Score 0,81. Nilai-nilai tersebut menunjukkan kesesuaian tinggi antara jawaban chatbot dan referensi dokumen, baik dari segi akurasi maupun struktur kalimat. Dengan demikian, integrasi teknologi RAG dan OpenAI dalam chatbot WhatsApp terbukti efektif sebagai solusi akses informasi kepegawaian secara otomatis dan efisien.
Diagnosis and Mitigation of INT8 Quantization Failure in MobileNetV3 for Plant Leaf Disease Classification Sopingi; Afu Ichsan Pradana; Kevien Ollyvie Jolanda; Nauval Nabil Iman
Proceeding of the International Conference Health, Science And Technology (ICOHETECH) 2026: Proceeding of the 7th International Conference Health, Science And Technology (ICOHETECH)
Publisher : LPPM Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47701/qs6esj44

Abstract

Edge deployment of deep learning models for plant disease classification requires model compression to fit resource-constrained hardware, yet post-training quantization (PTQ) may introduce accuracy loss that is not always well characterized for compact architectures. This progress report presents interim results from a wider study optimizing a fine-tuned MobileNetV3-Small model for tomato leaf disease classification. After training reached 99.71% validation accuracy on a 10-class PlantVillage subset, standard INT8 static PTQ using ONNX Runtime and TensorFlow Lite produced a severe accuracy collapse (10.4-27.4%) despite systematically testing eleven quantization configurations, including per-channel/per-tensor granularity, calibration methods, operator exclusion, and export settings. Diagnostic analysis revealed a persistent class-wise failure pattern rather than random noise, and an explicit shape-mismatch error confirmed a quantizer defect in per-channel bias requantization for grouped convolutions. As a mitigation, dynamic weight-only and dynamic-range quantization schemes were adopted, restoring laboratory accuracy to 99.4% with 29.3-72.0% size reduction, although field-condition accuracy on secondary open field data dropped to 43.1-43.9%, indicating a substantial domain generalization gap that motivates the next research phase.
Co-Authors Abdul Rozzaq, Abdul Aboobaider, Burhanuddin bin Mohd Aditya Bagaskara Agung Priyatmoko, Yoga Aines Nafis Husna Aji, Sindhu Purnomo Akbar Syarif Pratama Putra Akmal, Baasith Khoiruddin Andang Syafrudin Andriani Kusumaningrum Anindhiasti Ayu Kusuma Asri Anisatul Farida Apriliana, Anggie Areta Reza Pradana Arif Eko Fitrianto Arif Wicaksono Septyanto arsanto, arsanto Ashidiqi, Andhyka Yoga Awaludin, Toni Azizah, Shelvi Bachtiar Estu Saputro Bagus Adi Nugroho Bagus Erwanto Bambang Soedijono WA Bondan Wahyu Pamekas Dayinta Fajrin Fadhilah Dessy Ambarsari Divangga Revansa Arya Pradhana Dwi Hartanti Dwi Hartanti Dwi Hartanti Dwi Hartanti Eko Pranoto Saputro Eko Purwanto Elia Hari Prasetya Ema Utami Erna Chotidjah Suhatmi Fadhil Ibnu Is’ad Fajar Suryani Farahwahida Mohd Farrois Qithfirul Aziz Frisca Tri Arumsari Ghani Ardiesta, Alif Hafid Affan Wahid Harjanto, Prabandaru Pramu Harsanto Harsanto harsanto harsanto harsanto harsanto Harsanto, Harsanto Harsanto, Malika Hasanah, Herliyani Ika Suryani Ila Aulia Rahmah Ilham Tristadika Saputra Indah Nofikasari Indriyani, Tiara Insaan, Nashiirotul Jihan Amirah Munif Joko Endriyanto Jordan, Alles Tio Junantoro, Hagai Kevien Ollyvie Jolanda Khumaira Anin Aliya Pahlevi Kumaratih Sandradewi Kusuma, Adri Surya M. Qurdi Ari Setiawan M. Syafri Lamato Malika Harsanto Maulana Saputra, Ridlo Maulindar, Joni Moh Muhtarom Moh. Muhtarom Mohamad Imaduddin Muhamad Alwi Kurniawan Muhamad Ilhamsyah Amara Ramadana Muhammad Ridho Assyifa Muhammad Yasir Bintang Nugraha Nanang Setiawan Nastiti Winahyu Nauval Nabil Iman Nibras Faiq Muhammad Nugroho, Nasrun Nurchim Nurmalitasari Nurmalitasari Permana, Aditya Candra Permatasari, Hanifah Pipin Widyaningsih Pratama, Fandi Aziz Pria Nur Islam Primadeni, Febriaji Pujiati Edy Santoso, Elysa Mei Punjung Kurniawan, Alfisal Putra, Enggar Wijaya Putra, Wihan Perkasa Nugraha Raditya Koesyan Dipo Pramukti Radya Prameswari Putri Rafel Fernando Rahman, Agung Dwi Rakadipa, Dhimas Arya Renata Gilang Saputra Rendhita Dennis Saputra Rengga, Nikodemos Retna Dewi Lestari Reynaldi Kurniawan Reza Mar Hendra Putra Ricky Ardiansah Rifky, Raja Rifqi Mizan Aulawi Rina Arum Prastyanti Rizky Vera Oktarina Rona Mahendra Rudi Susanto Saputra, Abetranda Saputra Defa Setiawan, Gilang Shoffia Fajrin Sigit Prabawa Sopingi Sopingi Sopingi, Sopingi Sri Lestari SRI SUMARLINDA Subastian Wibowo Sudarmawan Sudarmawan Supardi Tejo Arum, Dinenda Tigar Riski Septiono Tiur Bunga Gadissa Tory, Alfa Rado Andre Yusa Saka Toto Indriyatmoko Tri Endah Purnamawati Vihi Atina Wahyudi Wahyudi Wijanarko, Restu Gilang Wiji Lestari Wiji Lestari Wijiyanto Wijiyanto Wijiyanto, Wijiyanto Yusuf Maulana, Yusuf