Claim Missing Document
Check
Articles

Turning Turnitin Highlights into Structured Data with Report-Aware HSV Segmentation and GPU-Enabled OCR Mutiara yusuf; Rizki Yusliana Bakti; Titin Wahyuni
Journal of Green Complex Engineering Vol. 4 No. 1 (2026): August
Publisher : Gio Architect

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59810/greenplexresearch.v4i1.284

Abstract

Turnitin similarity reports contain rich spatial, color, and textual information, yet highlighted passages are usually inspected visually rather than converted into structured data. This study develops a report-aware pipeline that transforms color-coded Turnitin highlights into analyzable records. The method combines PDF rendering, page-type triage, hue–saturation–value (HSV) segmentation, morphological processing, connected-component analysis, geometric filtering, and GPU-enabled optical character recognition (OCR), with PDF text-layer inspection as supporting information. The evaluation corpus comprised 106 reports and 3,057 pages. Page triage identified 1,315 highlight-bearing pages and routed 56.98% of pages away from detailed processing. HSV segmentation produced eight color classes and 11,471 pre-filter components. After filtering and text extraction, 7,530 structured records were retained; 76.75% satisfied the predefined good-readability criterion, 20.04% were very short fragments, and 3.21% were noisy, garbled, or empty. Document workload was strongly right-skewed. The results establish systems-level feasibility for auditable extraction without treating textual similarity as automatic evidence of plagiarism or the readability indicator as OCR accuracy.
OPTIMASI KLASIFIKASI JENIS INDUSTRI KECIL MENENGAH (IKM) MENGGUNAKAN DEEP NEURAL NETWORK BERBASI SHAP ANALYSIS M. Fikri Haikal Ayatullah; Desi Anggreani; Rizki Yusliana Bakti; Muhammad Faisal; Muhammad Syafaat; M. Agusalim
PROGRESS Vol 18 No 2 (2026): September
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i2.463

Abstract

Small and Medium Industries (SMEs) in Makassar City face a significant gap between high labor absorption (66.25%) and low GDP contribution (20%), often due to conventional and experience-based determination of industry types. This study implements a Deep Neural Network (DNN) model to classify four categories of SMEs, Bread and Cake, Processed Food, Vehicle Repair, and Textiles and Clothing to facilitate data-driven decisions. Using a supervised learning approach on 31,824 data samples for the 2022-2024 period, this model was developed through feedforward and backpropagation mechanisms. The results showed superior performance with overall accuracy of (93.99%) and balanced accuracy (96.70%), which signified an increase of (15.88%) compared to the Naïve Bayes baseline model. All F1-scores above (90%) indicate strong performance stability in each class. Furthermore, SHAP's analysis revealed that textual features (87.1%) were the dominant factors, followed by the type of business entity and investment value. This study confirms that DNN is effective in modeling complex non-linear interactions, providing objective tools for classification and strategic economic planning in Makassar City.
ESTIMASI RENCANA ANGGARAN BIAYA PROYEK TELEKOMUNIKASI BERBASIS ALGORITMA CATBOOST DAN DATA BOQ Galbi Nadifah; Desi Anggreani; Rizki Yusliana Bakti; Muhammad Faisal; Lukman Anas
PROGRESS Vol 18 No 2 (2026): September
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i2.465

Abstract

Estimasi Rencana Anggaran Biaya (RAB) yang akurat merupakan elemen krusial dalam keberhasilan proyek infrastruktur telekomunikasi. Penentuan harga satuan pada dokumen Bill of Quantities (BOQ) secara konvensional sering kali tidak efisien dan subjektif. Tantangan utama otomatisasi estimasi ini adalah tingginya kardinalitas fitur kategorikal berupa teks deskriptif. Penelitian ini mengusulkan penerapan algoritma CatBoost untuk memprediksi harga satuan pekerjaan berbasis data BOQ. Tahapan penelitian meliputi pembersihan data historis sebanyak 20.611 item, transformasi logaritma natural pada variabel target, serta pelatihan model dengan pembagian data 80% latih dan 20% uji. Hasil eksperimen menunjukkan CatBoost mampu menghasilkan Coefficient of Determination (R2) sebesar 97,66% dan Mean Absolute Error (MAE) sebesar Rp 13.289. Kinerja ini unggul dibandingkan algoritma pembanding XGBoost (R2 85,93% dan MAE Rp 23.614). Validasi manual mengonfirmasi rasio kesalahan prediksi hanya 0,05 dari total nilai proyek, yang membuktikan kelayakan model untuk otomatisasi RAB secara presisi.
OPTIMASI PENJADWALAN KULIAH FAKULTAS TEKNIK MENGGUNAKAN PENDEKATAN HIBRIDA GREEDY DAN CONSTRAINT SATISFACTION PROBLEM Rezki Asriani; Rizki Yusliana Bakti; Titin Wahyuni
PROGRESS Vol 18 No 2 (2026): September
Publisher : P3M STMIK Profesional Makassar

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56708/progres.v18i2.473

Abstract

Course scheduling is a complex academic process that must consider the availability of lecturers, classrooms, time slots, student groups, and specific regulations of each study program. This study aims to implement the Greedy Algorithm combined with a Constraint Satisfaction Problem (CSP) approach to optimize course scheduling in the Faculty of Engineering. The system was developed using Python and tested using scheduling data from the Even Semester of the 2025/2026 Academic Year at the Faculty of Engineering, Universitas Muhammadiyah Makassar. The dataset consisted of 432 courses from six study programs, 136 lecturers, 16 classrooms, seven operational days, and five class sessions per day. The Greedy Algorithm was employed to generate an initial schedule using a first-fit strategy based on priority and slot availability. Subsequently, CSP was applied to model and resolve constraints, including lecturer conflicts, room conflicts, student conflicts, Zoom-class regulations, MKDU scheduling rules, non-regular class schedules, and fixed PWK schedules. The experimental results indicate that the proposed system successfully generated a conflict-free schedule with a Constraint Satisfaction Rate of 100%. All seven hard constraints were satisfied without any lecturer, room, or student conflicts. The core scheduling process required only 0.679 seconds and successfully resolved nine room conflicts within two iterations. These findings demonstrate that the integration of the Greedy Algorithm and CSP is effective in producing valid, efficient, and adaptive course schedules that meet the academic requirements of the Faculty of Engineering.
KLASIFIKASI PAYLOAD MALWARE TERSEMBUNYI PADA CITRA DIGITAL (STEGANALISIS) MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Muh.Dirham Rahim; Muhyiddin A.M Hayat; Rizki Yusliana Bakti; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4400

Abstract

Evolusi ancaman keamanan siber saat ini semakin mengarah pada teknik penetrasi senyap, salah satunya pemanfaatan steganografi menggunakan aplikasi Steghide pada citra JPEG. Sistem steganalisis konvensional saat ini masih bertumpu pada klasifikasi biner, sehingga menimbulkan titik buta forensik yang gagal membedakan tingkat keparahan anomali, seperti antara sisipan teks biasa dan skrip malware destruktif. Penelitian ini mengusulkan model 1-Dimensional Convolutional Neural Network (CNN 1D) untuk mengklasifikasikan tingkat ancaman steganografi ke dalam tiga kelas: Normal, Anomali Ringan (teks 20 KB sebagai representasi eksfiltrasi data minor), dan Anomali Berat (malware berekstensi .bat 40 KB sebagai representasi ancaman skrip destruktif). Ambang batas payload spesifik ini dipilih secara empiris karena mampu merepresentasikan margin perubahan densitas koefisien DCT yang signifikan untuk menguji sensitivitas model. Untuk mengatasi overfitting dan kebutaan fitur spasial, ekstraksi fitur dilakukan pada domain frekuensi menggunakan koefisien Discrete Cosine Transform (DCT) yang menghasilkan 2.466 fitur statistik. Pengujian dilakukan menggunakan skenario Paired Dataset dan Grouped Split pada 1.500 citra beresolusi 1024x1024 piksel untuk mencegah bias visual. Hasil penelitian menunjukkan bahwa model CNN 1D yang diusulkan sukses mencatatkan tingkat akurasi pengujian sebesar 83,11% dengan rata-rata F1-Score 82,98%. Dari aspek keamanan siber preventif, model menunjukkan keandalan yang tinggi. Meskipun terdapat tumpang tindih (overlap) prediksi antara kelas Malware dan kelas Teks yang menyebabkan nilai Recall kelas Anomali Berat berada di angka 76,00%, sistem mencatatkan ketiadaan False Negative (0 kejadian) pada persilangan menuju kelas Normal. Hal ini mengindikasikan bahwa pada pengujian ini, tidak ada satupun sampel citra bermuatan skrip destruktif yang lolos dan terklasifikasi sebagai citra aman.
IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI NILAI TUKAR EURO DAN DOLLAR SECARA REAL-TIME Sa'ban Sa'ban; Muhammad Faisal; Rizki Yusliana Bakti
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4408

Abstract

Penelitian ini membahas pengembangan sistem prediksi pergerakan nilai tukar pasangan mata uang EUR/USD berbasis situs web dengan menerapkan algoritma Random Forest. Aliran data awal yang digunakan merupakan riwayat harga Open, High, Low, Close, Volume (OHLCV) yang ditarik secara realtime sejak tahun 2021 melalui API MetaTrader 5. Permasalahan utama penelitian adalah tingkat volatilitas pasar valuta asing yang ekstrem sehingga menyebabkan kerugian bagi pelaku pasar ritel akibat pengambilan keputusan yang subyektif. Penelitian ini bertujuan membangun sistem komputasi cerdas dua tahap (Two-Stage Machine Learning) yang mampu mengklasifikasikan arah tren (Naik, Turun, Stabil) dan mengestimasi target jarak pergerakan dalam satuan pips. Variabel yang digunakan mencakup 14 fitur teknikal dari tiga kerangka waktu (M15, H1, H4). Tahapan penelitian meliputi pengumpulan data, rekayasa fitur (feature engineering), penyelarasan waktu (backward merging), pelatihan model Random Forest Classifier dan Regressor, implementasi dashboard website, serta pengujian fungsionalitas waktu nyata (real-time). Pengujian model klasifikasi dievaluasi melalui dua skenario batas toleransi (threshold), yakni 3 pips dan 17 pips. Hasil evaluasi menunjukkan bahwa skenario 17 pips menghasilkan akurasi sebesar 85,28% untuk 1 jam ke depan, namun rentan terhadap class imbalance karena didominasi oleh tebakan kelas stabil. Sebaliknya, penerapan batas 3 pips dipilih untuk menjaga keseimbangan deteksi (balanced detection) pada pergerakan tren yang aktif, meskipun akurasi keseluruhannya berada pada 47,80%. Pemilihan batas 3 pips ini juga ditujukan sebagai baseline pengujian, dengan menyadari perlunya penyesuaian lebih lanjut terhadap spread dan slippage pada transaksi perdagangan riil. Sistem regresi mencapai Mean Absolute Error (MAE) sebesar 4,33 pips. Sistem yang dibangun mampu membantu pelaku pasar mendapatkan rekomendasi prediksi target secara terstruktur dan objektif
Analisis ANALISIS KEPUASAN PELANGGAN PADA ULASAN PRODUK E-COMMERCE TOKOPEDIA MENGGUNAKAN BIDIRECTIONAL LONG SHORT-TERM MEMORY Muhammad Faturrachman Iswan; Muhammad Faisal; Rizki Yusliana Bakti
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4413

Abstract

Ulasan pelanggan pada platform e-commerce kerap menunjukkan ketidaksesuaian antara isi teks dan rating numerik yang diberikan, sehingga menyulitkan pelaku usaha dalam menilai kepuasan pelanggan secara objektif, terutama pada volume data yang besar. Penelitian ini bertujuan mengembangkan dan mengevaluasi model Bidirectional Long Short-Term Memory (BiLSTM) untuk mengklasifikasikan sentimen ulasan produk pada platform Tokopedia ke dalam kategori positif, netral, dan negatif sebagai representasi tingkat kepuasan pelanggan. Penelitian menggunakan pendekatan kuantitatif-eksperimental terhadap 4.060 data ulasan berbahasa Indonesia yang diperoleh melalui scraping. Data diproses melalui tahapan case folding, cleaning, tokenisasi, stopword removal, dan stemming, kemudian ditransformasikan menjadi representasi numerik melalui embedding layer berdimensi 128 sebelum dilatih menggunakan arsitektur BiLSTM dengan 64 unit dan optimizer Adam selama 10 epoch. Eksperimen dilakukan menggunakan dataset dengan distribusi kelas yang tidak seimbang (imbalanced dataset) tanpa penerapan teknik manipulasi data seperti SMOTE atau oversampling, maupun penyesuaian algoritma menggunakan class weight. Hasil pengujian pada 812 data uji dengan rasio 80:20 menunjukkan model mencapai akurasi 77,83%, dengan performa terbaik pada kelas positif (precision 0,84; recall 0,87; F1-score 0,86) dan performa terendah pada kelas netral dengan F1-score 0,44. Temuan ini menunjukkan bahwa BiLSTM mampu menangkap konteks dua arah dalam teks untuk klasifikasi sentimen berbahasa Indonesia, tetapi ketidakseimbangan distribusi kelas dan karakteristik kelas netral yang ambigu masih memengaruhi performa klasifikasi. Penelitian ini memberikan dasar bagi penerapan analisis sentimen untuk membantu pemantauan kepuasan pelanggan pada platform e-commerce secara otomatis
IMPLEMENTASI MEKANISME QUEUE DAN WORKER UNTUK OPTIMASI UTILISASI GPU DALAM PEMROSESAN LAYANAN AI PADA BACKEND Syahrul Ramadhan; Muhyiddin AM Hayat; Rizki Yusliana Bakti; Titin Wahyuni; Fahrim Irhamna Rachman; Darniati
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4439

Abstract

Pengembangan layanan Kecerdasan Buatan (AI) berbasis Large Language Models (LLM) telah meningkatkan kebutuhan akan sistem backend yang mampu menangani proses inferensi secara efisien. Proses inferensi yang berjalan pada Graphics Processing Units (GPU) membutuhkan komputasi yang intensif, yang berpotensi menyebabkan hambatan (bottleneck) dan penggunaan GPU yang tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan mekanisme queue dan worker pada backend layanan AI berbasis GPU, menganalisis dampak variasi jumlah worker terhadap kinerja sistem dan penggunaan GPU, serta menentukan konfigurasi worker yang paling optimal. Sistem ini dikembangkan menggunakan bahasa pemrograman Go dengan arsitektur berlapis, Redis sebagai message queue, Asynq sebagai pengelola queue dan worker, serta vLLM sebagai layanan inferensi AI berbasis GPU. Pengujian dilakukan menggunakan K6 dengan beban 50 virtual users selama 60 detik pada konfigurasi dengan 1, 2, 4, 8, dan 16 worker. Parameter yang dianalisis meliputi waktu respons (response time), throughput, tingkat kesalahan (error rate), penggunaan GPU (GPU utilization), dan waktu GPU menganggur (GPU idle time). Hasil penelitian menunjukkan bahwa peningkatan jumlah worker meningkatkan throughput dari 26,60 menjadi 142,91 requests/s, mengurangi waktu respons dari 1.904 menjadi 343,54 ms, dan meningkatkan penggunaan GPU dari 80,21% menjadi 100%. Semua konfigurasi menghasilkan error rate sebesar 0%, sementara waktu GPU menganggur menurun dari 18,3% menjadi 0%. Berdasarkan seluruh parameter pengujian, konfigurasi 8 worker memberikan keseimbangan terbaik antara kecepatan respons, kapasitas pemrosesan, dan efisiensi penggunaan GPU, sehingga menjadikannya konfigurasi paling optimal dalam lingkungan pengujian penelitian ini.
KLASIFIKASI KELAYAKAN SAHAM JANGKA PANJANG MENGGUNAKAN RANDOM FOREST BERBASIS RASIO FUNDAMENTAL EMITEN BEI Afil Anugrah; Rizki Yusliana Bakti; Muhammad Faisal
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4453

Abstract

Investasi saham jangka panjang memerlukan penyaringan yang mempertimbangkan kondisi fundamental perusahaan secara sistematis. Penelitian ini bertujuan membangun model klasifikasi kelayakan saham menggunakan Random Forest berbasis Price Earnings Ratio (PER), Price to Book Value (PBV), Return on Equity (ROE), Debt to Equity Ratio (DER), dan Earnings per Share (EPS) pada emiten Bursa Efek Indonesia. Dataset terdiri atas 375 perusahaan dengan data fundamental periode 2025 yang diperoleh menggunakan yfinance. Label dibentuk melalui rule-based scoring dengan kriteria PER < 25, PBV < 3, ROE > 15, DER < 1, dan EPS > 0; skor ≥ 3 dikategorikan Layak dan skor < 3 Tidak Layak. Data dibagi 80:20 menjadi 300 data training dan 75 data testing. Random Forest menggunakan 100 Decision Tree dan dievaluasi dengan Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil pengujian menunjukkan Accuracy 97,33%, Precision 97,92%, Recall 97,92%, dan F1-Score 97,92%, dengan 73 dari 75 data uji diklasifikasikan benar. Feature Importance menunjukkan PER 0,47, PBV 0,24, EPS 0,13, ROE 0,11, dan DER 0,05. Hasil tersebut menunjukkan konsistensi model dalam mereplikasi label berbasis aturan, bukan bukti kemampuan memprediksi return saham masa depan karena label dan fitur berasal dari indikator yang sama.
DETEKSI TEKS BERITA HASIL GENERATED KECERDASAN BUATAN BERDASARKAN FITUR STILOMETRI MENGGUNAKAN ALGORITMA TABPFN DAN SHAP Syamsul Alam; Muhammad Faisal; Rizki Yusliana Bakti
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4557

Abstract

Kemajuan pesat Large Language Models (LLM) seperti Llama 3.1 memicu eskalasi disinformasi digital akibat kemampuannya memproduksi teks berita sintetis yang menyerupai gaya penulisan jurnalis manusia. Penelitian ini mengusulkan kerangka deteksi forensik digital teks berbasis fitur stilometri tingkat permukaan yang dipadukan dengan algoritma klasifikasi Prior-Data Fitted Networks (TabPFN) serta transparansi model berbasis Shapley Additive Explanations (SHAP). Eksperimen dilakukan menggunakan korpus seimbang 500 dokumen berita berbahasa Indonesia (250 artikel orisinal Kompas.com dan 250 teks sintesis Llama 3.1) yang dipartisi secara terstratifikasi dengan rasio 80:20, yaitu 400 data latih dan 100 data uji. Enam atribut stilometri diekstraksi tanpa melalui tahap pembuangan kata henti maupun perataan morfologi guna mempertahankan keaslian sidik jari gaya kepenulisan. Pemanfaatan TabPFN memungkinkan inferensi data tabular dieksekusi secara instan melalui mekanisme in-context learning tanpa membutuhkan penalaan hiperparameter yang intensif. Hasil evaluasi empiris membuktikan keandalan tinggi dan konsistensi klasifikasi model dalam membedakan naskah berita manusia dari teks buatan mesin secara objektif dan independen terhadap topik wacana. Analisis keterbukaan model menggunakan SHAP mengungkap bahwa Type-Token Ratio (TTR) merupakan determinan stilometri paling krusial, di mana tingginya diversitas kosakata jurnalis manusia menjadi faktor pembeda esensial terhadap kecenderungan repetisi leksikal mesin. Secara keilmuan, integrasi ini membuktikan efektivitas pendekatan stilometri terukur sebagai instrumen forensik digital teks yang tangguh, efisien secara komputasi, dan akuntabel dalam mendukung verifikasi keaslian naskah pada ekosistem jurnalisme media daring.
Co-Authors . Darniati A M Hayat, Muhyddin Abd Rakhim Nanda Abdul Rakhim Nanda Adrianingsih, Rizka Afil Anugrah Ahmad Nur Rahman Ahmad Risal ANDI AGUNG DWI ARYA BULU Andi Makbul Syamsuri ANDI MAWADDA TAIBA MAWADDA TAIBA Andi Yusri Ari Ahmad Dahril Azzah Aulia Syarif Burhanuddin, Fathurrahman Chatarina Umbul Wahyuni Danuputri, Chyquitha Darniati Desi Anggreani Dewi MJ, Wanda Tyrana Dewi, Syamrilla Emil Agus Salim Habi Talib Emil Agusalim Habi Talib Erika Yanti Fachrim Irhamna Rachman Fahrim I. Rahman Fahrim Irhamna Rachman Fahrim Irhamna Rachman Fahrim Irhmna Rachman Faturohman, Agung Fauzan Azhari Rahman Firdaus Fidaus Galbi Nadifah Hadawina Hadawina Haruna, Hanjas Hayat, Muhyddin A.M Ibnul Imamul Muttaqin Ida Ida Indriani, Lis Indriyanti Azis Iskandar, Aryansyah Ismail, La Ode Taufik Jihan Izzathul Mujidah Kamsurya, Rianita Kazman Riyadi La Ode Taufik Ismail La Ode Taufik Ismail Lukman Lukman LUKMAN ANAS Lukman Anas Lukman Lukman Lukman Lukman Lukman Lukman LUKMAN, LUKMAN M Agusalim M. Fikri Haikal Ayatullah Maharani, Afifah Makmur Jaya Nur Mar&#039;atul Azizah Muh Nur Aqsal Aminullah Muh. Farrel Apta Indratama Muh.Dirham Rahim Muhammad Aditya Yudhistira Muhammad Asygar Faeruddin Muhammad Faisal Muhammad Faturrachman Iswan Muhammad Hasraddin Hasnan Muhammad Syafaat S. Kuba Muhyiddin A.M Hayat Muliana Muslimah, Nurul Aulia Muthalib, Ade Nirwani Abdurahman Mutiara yusuf Nabila Ismail Matta Nandy Rizaldy Najib Nini Apriani Rumata Nizirwan Anwar Nur Alam Nur Rahman, Ahmad Nurfadillah Nurfadillah Nurnawaty Prima Abdiguna, Aidhil Rahmania RAHMANIA Rahmania Rasyidi, Muhammad Fachri Reski Abbas Reski Awalia Rezki Asriani Ridwang Ridwang Ridwang Ridwang Ridwang, Ridwang Sa'ban Sa'ban Salam, Abd Sarina Sri Hastati Suandi Aritmawijaya Sulaeman Suriani Suriani Syahril Akbar Syahrul Ramadhan Syamsul Alam TANTRI INDRABULAN Thariq, Ahmad Titik Khawa Abd Rahman Titik Khawa Abdul Rahman Titin Wahyuni Ulil Amri Usman, Ansharullah Patiroi Utama, Prengki Putra Virgiawan, David Arian Wa Nanda Sulystrian Wibawa. Ar, Arya Yanti, Wilda Yumi