Article Per Year (5 Year)
p-Index From 2021 - 2026
4.449
P-Index
This Author published in this journals
All Journal JURNAL ELEKTRO Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Charity : Jurnal Pengabdian Masyarakat Jurnal Indonesia Sosial Teknologi eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika
Deni Saepudin
Universitas Telkom Bandung, Indonesia
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 111 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 84 Documents
Search
Journal : eProceedings of Engineering

 5   6   7   8   9 
Prediksi Return Saham Berbasis Clustering Menggunakan K-Means Clustering dan Convolutional Neural Network Maulid Fathurachman, Rizaldi; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Prediksi harga saham di masa depan merupakan sebuah masalah yang menantang. Dalam penelitian ini telah diterapkan pendekatan clustering untuk mengelompokkan saham-saham yang menunjukkan kesamaan dalam prediksi harga. Proses ini membantu dalam mempermudah prediksi harga, karena saham yang ada dalam 1 cluster yang sama diharapkan mempunyai pola yang lebih mirip. Melalui clustering, saham-saham yang memiliki prediksi harga yang sama dikelompokkan berdasarkan cluster yang telah terbentuk. Kemudian, dilakukan training model menggunakan data rata-rata dari harga saham dalam setiap cluster untuk menghasilkan prediksi harga yang lebih tepat. Dalam penelitian ini metode K-Means digunakan untuk mengelompokkan saham berdasarkan rata-rata return dan standar deviasi, sedangkan CNN digunakan untuk memprediksi harga saham harian. Selanjutnya prediksi return dapat dihitung berdasarkan prediksi harga yang telah diperoleh. Dataset harga saham LQ45 dibagi menjadi dua bagian, yaitu training data dan test data. Data training digunakan untuk melatih model CNN untuk menganalisis data harga saham historis yang dapat membantu memprediksi return saham di masa depan, sedangkan data test digunakan untuk mengevaluasi kinerja model yang telah dilatih. Hasil penelitian ini menunjukkan bahwa, dengan melihat kriteria elbow maka clustering dengan metode K-Means akan diambil dengan jumlah clusternya adalah sebanyak 4 cluster. Dan setelah itu di lakukan prediksi melalui CNN dan hasilnya mampu menghasilkan prediksi harga saham harian dengan baik, dibuktikan dengan nilai RMSE prediksi untuk 1 hari ke depan pada cluster 1 adalah 0,09, Untuk cluster 2, RMSE yang diperoleh adalah 0,05, Sementara itu, cluster 3 memiliki RMSE sebesar 0,07, dan untuk cluster 4 memiliki RMSE yang diperoleh yaitu 0,57. Setelah itu, dihasilkan dari prediksi saham-saham di setiap cluster yang menghasilkan prediksi return tertinggi di setiap harinya. Kemudian dibuat prediksi kinerja portofolio menggunakan equal weight dengan hasil ratarata return sebesar 0,0009 dan standar deviasi sebesar 0,0209 yang lebih baik dibandingkan dengan indeks LQ45. Kata kunci - Prediksi return saham, clustering, K-means, Convolutional Neural Network (CNN), portofolio investasi.
Sistem Pendukung Keputusan Pemilihan Saham Untuk Portofolio Dengan Menggunakan Metode Support Vector Regression (SVR) Dan Analisis Fundamental (FA) Lesmana, Rangga; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Pemilihan saham yang tepat sangat penting dalam membangun portofolio investasi yang optimal karena dapat memaksimalkan keuntungan dan mengurangi risiko, yang merupakan fokus utama investor dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan menggunakan Support Vector Regression (SVR) dan analisis fundamental (FA) untuk memprediksi return saham serta memilih saham terbaik untuk portofolio. SVR diterapkan dengan kernel Radial Basis Function (RBF) untuk memprediksi return saham berdasarkan data historis, sementara FA menganalisis indikator keuangan seperti Return On Asset (ROA), Return On Equity (ROE), Debt to Equity Ratio (DER), dan Price to Book Value (PBV). Portofolio kemudian dibentuk menggunakan model Equal-Weighted (EW). Hasil penelitian menunjukkan bahwa kombinasi SVR dan FA menghasilkan rata-rata return portofolio sebesar 0,0099 dengan standar deviasi 0,0726, lebih tinggi dibandingkan dengan SVR saja yang memiliki rata-rata return sebesar 0,0047 dan standar deviasi 0,0668. Temuan ini menegaskan bahwa pendekatan kombinasi SVR dan FA mampu meningkatkan kinerja portofolio dan mengurangi risiko secara signifikan, sehingga menawarkan strategi investasi yang lebih optimal. Penelitian ini juga merekomendasikan eksplorasi lebih lanjut dengan memperluas data yang digunakan serta mempertajam penerapan SVR dan analisis fundamental untuk meningkatkan akurasi prediksi dan optimasi portofolio. Kata kunci - Prediksi Harga Saham, Support Vector Regression (SVR), Analisis Fundamental (FA), Portofolio Equal-Weighted (EW), Pertumbuhan Portofolio
Mendeteksi Indikasi Peristiwa Besar Berdasarkan Fluktuasi IHSG Caramoy, Senza; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini berfokus pada deteksi indikasi peristiwa besaryang mempengaruhi fluktuasi Indeks Harga SahamGabungan (IHSG) di Bursa Efek Indonesia menggunakanmodel power law. Metode ini digunakan untuk menganalisispola ekstrem dalam data time-series IHSG danmengidentifikasi hubungan antara peristiwa besar denganperubahan harga saham. Data yang digunakan dalampenelitian ini merupakan harga penutupan harian IHSGdari tahun 1993 hingga 2022. Setelah dilakukan pengolahandan analisis menggunakan model power law, ditemukanbahwa beberapa peristiwa besar di Indonesia, sepertireformasi ekonomi tahun 1999 dan pandemi COVID-19tahun 2020, memiliki korelasi dengan perubahan signifikandalam IHSG. Hasil analisis menunjukkan bahwa metodepower law lebih akurat dalam mendeteksi kejadian ekstremdibandingkan dengan pendekatan statistik konvensionalseperti standar deviasi, dengan nilai koefisien determinasi(R-squared) mencapai 0,98. Kesimpulan dari penelitian inimenunjukkan bahwa model power law dapat digunakansebagai pendekatan alternatif dalam analisis fluktuasi pasarsaham. Pengembangan lebih lanjut dapat dilakukan denganintegrasi teknologi machine learning serta peningkatankualitas data untuk hasil yang lebih akurat. Kata Kunci: IHSG, peristiwa besar, fluktuasi harga saham,power law, analisis data time-serie.
Prediksi Dividen Payout dengan menggunakan Metode Regresi Linear Berganda Widyasari, Felicia Dina; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Dividen merupakan distribusi laba perusahaankepada investor dan mengukur kinerja keuangan perusahaan.Penelitian ini bertujuan memprediksi dividen payoutmenggunakan metode Regresi Linear Berganda denganvariabel fundamental keuangan, yaitu Earning per Share(EPS), Debt to Equity Ratio (DER), Return on Assets (ROA),Return on Equity (ROE), Current Ratio (CR), dan Firm Size.Evaluasi dilakukan dengan membandingkan performa modelRegresi Linear Sederhana, yang hanya menggunakan waktu(tahun) sebagai variabel independen, dengan model RegresiLinear Berganda menambahkan variabel fundamentalkeuangan. Hasil penelitian menunjukkan bahwa model RegresiLinear Sederhana memperoleh nilai rata-rata R-squaredsebesar 0.296. Penambahan EPS sebagai variabel independenmeningkatkan nilai rata-rata R-squared secara signifikanmenjadi 0.722. Dengan menambahkan variabel fundamentallainnya, seperti DER, ROA, ROE, CR, dan Firm Size nilai ratarata R-squared meningkat menjadi 0.797. Berdasarkanpengujian statistik, nilai rata-rata R-squared untuk RegresiLinear Berganda meningkat dengan penambahan variabelfundamental lainnya. Namun, peningkatan variansi modeltersebut tidak signifikan dan lebih kecil. Kesimpulannya, modelRegresi Linear Berganda meningkatkan akurasi prediksidividen payout dibandingkan model Regresi Linear Sederhana.Penggunaan data fundamental keuangan terbukti memberikanhasil prediksi yang lebih akurat dan dapat menjadi alat yangbermanfaat bagi investor dalam pengambilan keputusan Kata kunci— Regresi Linear Berganda, Prediksi Dividen Payout, Saham
Prediksi Pergerakan Harga Saham Berbasis Rasio Keuangan Menggunakan Metode Artificial Neural Network (ANN) Azizah , Nakhwa; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Prediksi pergerakan harga saham merupakantantangan di dunia investasi karena sifatnya fluktuatif dandipengaruhi berbagai faktor. Penelitian ini menggunakan ArtificialNeural Network (ANN) untuk memprediksi pergerakan harga sahammingguan pada 19 perusahaan indeks LQ45. Data mencakup hargapenutupan mingguan (Close) dan enam indikator rasio keuangan:EPS, ROA, ROE, P/B Value, P/E Ratio, dan DER. Pergerakan hargasaham diklasifikasikan menjadi 1 (naik), 0 (stagnan), dan -1 (turun),berdasarkan tiga threshold perubahan harga (1%, 2%, 3%).Penelitian ini menerapkan Principal Component Analysis (PCA)untuk mengurangi noise dan meningkatkan performa model. Hasilmenunjukkan threshold optimal adalah 2%, dengan akurasi dan F1-Score yang lebih baik. Model berbasis data historis menunjukkanperforma terbaik dalam memprediksi pergerakan harga saham,dengan rata-rata akurasi mencapai 0,92. Sebaliknya, model yangmengintegrasikan rasio keuangan tanpa PCA memiliki akurasi lebihrendah sebesar 0,5 hingga 0,7. Hal ini menunjukkan rasio keuanganmemiliki korelasi rendah terhadap pergerakan harga saham dalamjangka pendek. Penerapan PCA pada data historis dan rasiokeuangan meningkatkan akurasi hingga setara dengan modelberbasis data historis saja. Uji statistik menunjukkan bahwa tidakterdapat perbedaan signifikan dalam akurasi dan varians antaramodel berbasis data historis dan model kombinasi dengan PCA. Kata kunci— prediksi pergerakan harga saham, artificial neuralnetwork, data historis, rasio keuangan, threshold, PCA.
Prediksi Return Saham menggunakan Bidirectional LSTM dengan Optimisasi Cuckoo Search Ghufron, Sayid; Saepudin, Deni
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Membeli saham bisa dijadikan salah satu pertimbangan berinvestasi selain membeli emas, tanah, dan lainnya. Apalagi ketika terdapat saham yang memiliki risiko yang kecil namun memiliki return yang tinggi. Sudah banyak sekali penelitian mengenai saham menggunakan berbagai metode. Dimulai dari metode yang paling konvensional, hingga menggunakan Deep Learning. Deep Learning merupakan salah satu metode yang ramai dibicarakan, karena metode ini rata-rata menghasilkan model prediksi yang memiliki keakuratan tinggi. Oleh karena itu, dalam tugas akhir dilakukan prediksi return saham pada indeks IDX 30 dengan membangun model prediksi return saham menggunakan kombinasi metode Bidirectional LSTM dan Cuckoo Search Optimization. Terdapat total 20 data saham yang diuji pada tugas akhir ini. Pada pengujian pertama prediksi return saham didapatkan dari prediksi harga saham yang diproses menjadi prediksi return saham. Sedangkan pada pengujian kedua, prediksi return saham didapatkan dari data return saham. Pada pengujian pertama 15 dari 20 data saham memiliki nilai Root Mean Square Error dan Mean Average Error yang lebih kecil ketika hasil prediksi Bidirectional LSTM dikombinasikan dengan Cuckoo Search Optimization. Sedangkan pada pengujian kedua 8 dari 20 data saham memiliki nilai Root Mean Square Error dan Mean Average Error yang lebih kecil ketika hasil prediksi Bidirectional LSTM dioptimasi dengan Cuckoo Search Optimization.Kata kunci - saham, deep learning, IDX 30, bidirectional LSTM, cuckoo search optimization
Analisis dan Implementasi Strategi Online Moving Average Reversion untuk Pembobotan Portfolio Razaq, Kukuh Sanddi; Saepudin, Deni
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Hal terpenting yang dilakukan oleh investor untuk mengurangi resiko dan menghitung hasil investasi salah satunya seleksi saham untuk pembuatan portofolio. Seleksi portofolio merupakan permasalahan yang kerap dijumpai dalam investasi saham. Hal ini menarik perhatian para komunitas machine learning untuk mengembangkan sistem yang bisa menyeleksi data saham dan menghasilkan return yang maksimal. Oleh karena, itu kami memilih algoritma “Online Portofolio Selection” untuk seleksi portofolio. Namun untuk seleksi portfolio membutuhkan analisis pasar saham yang bisa mendeteksi tren saham dengan aman. Secara empiris, moving average merupakan salah satu cara dalam menentukan tren saham dengan performa yang baik untuk dataset besar. Dari sekian banyak moving average kami menggunakan Moving Average Reversion (MAR) karena dapat memprediksi harga saham selanjutnya. Gabungan dari algoritma seleksi portofolio menggunakan Online Portofolio Selection yang dapat memaksimalkan return dan Moving Average Reversion yang dapat memprediksi harga saham selanjutnya, kami sebut dengan Online Moving Average Reversion (OLMAR). Dari hasil penelitian kami, OLMAR memberikan performa yang sangat baik. Selain menghasilkan return yang tinggi, OLMAR juga bekerja sangat cepat.Kata kunci-seleksi portofolio, moving average, OLMAR, MAR
Optimasi Portofolio Berbasis Prediksi Return Saham Menggunakan Hybrid XGBoost dan Improved Firefly Algorithm untuk Saham – Saham dalam Indeks LQ45 Saputra, Muhammad Ridho; Saepudin, Deni
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Portofolio merupakan kumpulan aset investasi yang dimiliki oleh suatu perusahaan atau perorangan. Return yang maksimal dengan risk yang minimum adalah harapan bagi setiap investor. Namun dalam memprediksi pergerakan harga saham, kenaikan dan penurunan harga saham dari waktu ke waktu sulit ditebak. Oleh karena itu, machine learning digunakan untuk menjadi jalan keluar dalam mempelajari dan memprediksi data saham tersebut. Pada tugas akhir ini, model prediksi return saham menggunakan metode XGBoost dan Improved Firefly Algorithm. Hasil prediksi tersebut selanjutnya digunakan untuk pertimbangan membangun portofolio. Prediksi return saham yang lebih tinggi dari threshold akan masuk ke dalam portofolio. Dari saham yang sudah terseleksi, portofolio dibangun dengan menggunakan Equal Weight (EW). Portofolio dengan dan tanpa optimasi kemudian dibandingkan untuk mengetahui mean return, standar deviasi, dan Sharpe Ratio tertinggi. Hasil eksperimen menunjukkan bahwa kinerja portofolio 7 saham dengan mempertimbangkan prediksi memiliki hasil terbaik apabila dibandingkan dengan portofolio dengan tanpa mempertimbangkan prediksi dengan mean return 0.0029, standar deviasi 0.0158, dan Sharpe Ratio 0.1837.Kata kunci-portofolio, prediksi return saham, xgboost, firefly algorithm, LQ45 
Penggunaan Model Black-Littermann dalam Optimasi Portfolio untuk Investor Aktif pada Saham dalam Indeks LQ45 Herlansyah, Ridhwan Rifky; Saepudin, Deni
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Di era yang sudah modern ini, sangat mudah untuk membuat sebuah portofolio investasi, portofolio investasi bisa dibentuk dengan cara membeli saham. Dengan menciptakan portofolio investasi, kita bisa mengharapkan nilai pengembalian yang menjadikan sebuah keuntungan. Akan tetapi ada juga nilai resiko yang akan didapatkan ketika kita membeli saham. Dalam tugas akhir ini akan dibahas mengenai penggunaan Model Black-Litterman dalam pengoptimasian portofolio untuk investor aktif. Model Black-Litterman merupakan salah satu model yang bisa digunakan untuk melakukan optimasi portofolio investasi, Model Black-Litterman memberikan informasi tambahan untuk nilai pengembalian dan nilai resiko berdasarkan pandangan para ahli. Berdasarkan beberapa pengujian yang telah dilakukan selama penelitian dengan hari yang berbeda, nilai pandangan investor akan selalu berbeda di tiap hari harinya, nilai pandangan yang optimis akan memberikan dampak yang baik pada saham tersebut, meskipun harga saham sedang turun, jika pandangan investor menyatakan optimis, bobot saham tersebut akan tetap tinggi. Berdasarkan pengujian skenario 1, kombinasi terbaik adalah ketika menggunakan risk aversion 0.1 dan nilai investor 0.3 dengan nilai rata rata return yang didapat adalah 0.00657 dan standar deviasinya 0.02754, pada pengujian skenario 2 dengan menggunakan kombinasi terbaik mendapatkan nilai rata rata return sebesar 0.0150 dan standar deviasi 0.0556, dan saat pengujian skenario 3 mendapatkan nilai rata rata return sebesar 0.0225 dan standar deviasi 0.1889.Kata kunci-portofolio investasi, optimasi portofolio, model black-litterman
Prediksi Return Saham Pada Saham Indeks LQ45 Menggunakan Regresi Linear Univariat Arfananda, Muhammad Ghifari; Saepudin, Deni
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Saham adalah salah satu instrumen pasar keuangan yang paling dikenal oleh masyarakat dengan sifatnya yang memiliki kemungkinan untuk mendapatkan keuntungan atau kerugian dalam jumlah yang besar dari menginvestasikan uang ke dalam suatu saham, atau bisa juga disebut dengan high risk dan high reward. Hal tersebut dikarenakan adanya fluktuasi harga saham yang sulit untuk diprediksi, di dalam saham, pastinya terdapat return pada saham, maksudnya yaitu imbalan hasil atas investasi saham yang dilakukan. Maka dari itu perlu diadakan prediksi pada return saham, hal ini dapat diyakini bahwa dalam memprediksi return saham kita dapat mengetahui bagaimana prediksi kedepannya berdasarkan dari hari sebelumnya.Kata kunci-return saham, indeks LQ45, univariate predictive regression model, forecast evaluation
Co-Authors Abdurrahman Muttaqiin Achmad Fadholy Achmad Rizal Aditya Firman Ihsan Adiwijaya Aisyah Aisyah Alberila Fraida Loceseima Putri Almaya Sofariah Andhika Rama Putra Anggia Parsaoran Exaudi Aniq Antiqi Rohmawati Aniq Atiqi Rohmawati Aniq Rohmawati Anjar Pratiwi Annas Wahyu Ramadhan Annisa Aditsania Annisa Resnianty Anton Sri Haryanto Arfananda, Muhammad Ghifari Arifin Dwi Kandar Saputro Ayunda Firsty Trisnowati Azizah , Nakhwa Benedikto Krisnandy Wijaya Caramoy, Senza Danar Satrio Aji Dara Ayu Lestari Defy Ayu Dewa Made Rai Widyadarma Diah Fitri Wulandari Diani Sarah Kamilial Diani Sarah Kamilial Didit Adytia Dimas Rizqi Guintana Dini Apriliani Lestari Dio Navialdy Egi Shidqi Rabbani Elvina Oktavia Erlina Febriani Esther Laura Christy Fadhlika Hadi Fahmi Muhamad Fauzi Farah Diba Faturachman Nugraha Sasmita Fazlur Rahman Amri Febry Triyadi Fhira Nhita Fikri Nur Hadiansyah Fitriaini Amalia Freyssenita Kanditami P Furqon Hidayat Gharyni Nurkhair Mulyono Ghufron, Sayid Giali Ghazali Gilang Rachman Perdana Gilang Rachman Perdana Hadyatma Dahna Marta Hario Adi Ghufron Herlansyah, Ridhwan Rifky Himatul Zulfa Husain Athfal Hidayat Ihsan Hasanudin Irfan Fauzan Prasetyo Irma Palupi Isman Kurniawan Izzata Izzata Jondri Jondri Kaisa Sekaring Pertiwi Kautsar Abdillah Kemas Muslim Lhaksmana Khoirunnisa Ulayya Kuntjoro Adji Sidarto Lani Rohaeni Laode Muhammad Ali Al-Qomar Lesmana, Rangga Made Larita Ditakristy Mailia Putri Utamil Maulid Fathurachman, Rizaldi Mayriskha Isna Indriyani Mega Silvia Desvi Muhamad Aziz, Reihan Muhammad Fadhil Maulana Muhammad Iqbal Cholil Muhammad Rifqi Arrahim Natadikarta Muhammad Taufiq Raihan Nanda Putri Mintari Narestha Adi Pratama, Putu Agus Naufal Abdurrahman Burhani Nisrina Nur Faizah Novelya Nababan Novi Syafira, Muthia Nur Roza Fitriyana Putri Nuvaisiyah Putu Harry Gunawan Rahmi Putri Amalia Raisa Betha Meiliza Ratih Puspita Furi Rauf, Khalifatur Razaq, Kukuh Sanddi Reima Agustina Kusumawardani Reiza Krisnaviardi Resi Annisa Nur Reza Pratama Rian Febrian Umbara Ridhwan Rifky Herlansyah Rizaldi Maulid Fathurachman Rizq Athariq, Muhammad Sabilla Fitriyantini Saputra, Muhammad Ridho Semeidi Husrin Shabrina Nanggala Sheila Nur Fadhila Sofyan, Denny Sri Rezeki Hardiyanti Susy Sundari Syaifrijal Zirkon Radion Tasya Salsabila Tifani Intan Solihati Triandini Nurislamiaty Triyana Kadarisman Uggi Stivani Savitri Vina Putri Damartya Widyasari, Felicia Dina Yanuar Ishaq Zhafran, I Kamil Elian Zhafran, Kamil Elian