Article Per Year (5 Year)
p-Index From 2021 - 2026
11.003
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) International Journal of Advances in Applied Sciences TEKNIK INFORMATIKA Bulletin of Electrical Engineering and Informatics Harmoni: Jurnal Pendidikan dan Penelitian Seni Budaya Journal of Geoscience, Engineering, Environment, and Technology SELAPARANG: Jurnal Pengabdian Masyarakat Berkemajuan Applied Information System and Management ILKOM Jurnal Ilmiah Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Ainet : Jurnal Informatika International Journal of Industrial Optimization (IJIO) Jurnal Teknik Informatika (JUTIF) Mattawang: Jurnal Pengabdian Masyarakat Jurnal Indonesia : Manajemen Informatika dan Komunikasi Nusantara Hasana Journal Indonesian Community Journal Aptekmas : Jurnal Pengabdian Kepada Masyarakat Buletin Sistem Informasi dan Teknologi Islam Joutica : Journal of Informatic Unisla Journal of Practical Computer Science (JPCS) Jurnal Informatika Progres Information Technology Education Journal ROUTERS: Jurnal Sistem dan Teknologi Informasi Journal of Embedded Systems, Security and Intelligent Systems Jurnal INFOTEL Jurnal Indonesia : Manajemen Informatika dan Komunikasi Journal of Computer Science and Information Technology ARUS JURNAL SAINS DAN TEKNOLOGI Journal of Muhammadiyah’s Application Technology
Muhammad Faisal
Universitas Muhammadiyah Makassar
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering 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 Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Transportation Veterinary Other

Published : 99 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search
Journal : journal of computer science and information technology

 1 
PENERAPAN ALGORITMA GAUSSIAN NAIVE BAYES UNTUK KLASIFIKASI TINGKAT RISIKO PELANGGAN POTENSIAL PENUNGGAK TAGIHAN LISTRIK PADA DATA PLN Ari Ahmad Dahril; 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.v3i4.4434

Abstract

Penunggakan pembayaran tagihan listrik pascabayar merupakan salah satu permasalahan yang berdampak pada arus kas PT Perusahaan Listrik Negara (Persero). Mekanisme penanganan tunggakan yang masih bersifat reaktif menyebabkan biaya operasional yang tinggi sehingga diperlukan pendekatan prediktif berbasis data untuk mengidentifikasi pelanggan berisiko sejak dini. Penelitian ini menerapkan algoritma Gaussian Naive Bayes untuk mengklasifikasikan tingkat risiko pelanggan listrik pascabayar PLN UP3 Makassar Selatan ke dalam tiga kategori, yaitu Rendah, Sedang, dan Tinggi, berdasarkan pola historis pembayaran. Data riwayat pembayaran diagregasi menjadi 670 data pelanggan dengan delapan atribut prediktor. Tahapan penelitian meliputi preprocessing data, standardisasi menggunakan StandardScaler, seleksi fitur dengan SelectKBest (ANOVA F-test), pembagian data 80:20 menggunakan Stratified Split, optimasi hyperparameter var_smoothing melalui Bayesian Optimization, serta evaluasi akhir menggunakan 5-Fold Stratified Cross Validation. Hasil pengujian menunjukkan model memperoleh akurasi sebesar 85,07%, dengan precision, recall, dan F1-score tertinggi pada kelas Rendah (0,90; 0,84; 0,87) dan performa lebih rendah pada kelas Tinggi (0,74; 0,57; 0,64) akibat jumlah data yang tidak seimbang. Atribut jumlah pembayaran tepat waktu, jumlah keterlambatan, dan status pembayaran bulan terakhir merupakan fitur yang paling berpengaruh dalam proses klasifikasi. Hasil ini menunjukkan bahwa Gaussian Naive Bayes efektif digunakan sebagai model pendukung Early Warning System bagi PLN dalam mengidentifikasi pelanggan yang berpotensi menunggak. Kata Kunci: Tunggakan Listrik, Gaussian Naive Bayes, Klasifikasi, Risiko Pelanggan, Data Mining.
SISTEM PREDIKSI MULTI-PENYAKIT BERBASIS GEJALA DENGAN KELUARAN PROBABILITAS TIGA TERATAS MENGGUNAKAN ALGORITMA RANDOM FOREST Hardita Subanda; Fahrim Irhamna Rachman; 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.v3i4.4478

Abstract

Beberapa penyakit umum seperti malaria, demam berdarah dengue (DBD), tifoid, infeksi saluran pernapasan akut (ISPA), dan Gastroenteritis memiliki gejala awal yang saling tumpang tindih sehingga sering menyulitkan identifikasi dini pada fasilitas kesehatan tingkat pertama, salah satunya Klinik Banda Neira yang saat ini masih melakukan identifikasi gejala secara manual. Penelitian ini bertujuan membangun sistem pendukung keputusan (decision support system) berbasis web menggunakan algoritma Random Forest sebagai alat bantu skrining awal bagi tenaga kesehatan, bukan sebagai penentu diagnosis mutlak, yang menampilkan tiga kemungkinan penyakit dengan probabilitas tertinggi (top-3 probability) berdasarkan gejala yang diinput pengguna. Dataset penelitian merupakan integrasi 4.027 data yang terdiri atas 886 data (22%) rekam medis Klinik Banda Neira dan 3.141 data (78%) dataset publik; sebelum digabungkan, kedua sumber data diselaraskan (harmonisasi) terlebih dahulu ke dalam struktur atribut yang identik, yaitu sepuluh variabel gejala biner (demam, batuk, mual, muntah, diare, sakit kepala, nyeri otot, menggigil, sesak napas, dan ruam merah) serta lima label penyakit yang sama. Tahapan penelitian meliputi preprocessing data, pembagian data latih-uji secara stratified (80:20), pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan 5-fold cross-validation. Pengujian black box terhadap sembilan skenario menunjukkan seluruh fitur sistem berjalan sesuai rancangan. Hasil evaluasi menunjukkan algoritma Random Forest menghasilkan akurasi 87,59%, precision (weighted) 89,09%, recall (weighted) 87,59%, F1-score (weighted) 87,78%, serta rata-rata akurasi cross-validation 87,24% (standar deviasi 1,28%). Confusion matrix menunjukkan kesalahan klasifikasi terbesar antara kelas DBD dan Tifoid akibat kemiripan gejala awal, sedangkan feature importance menunjukkan gejala batuk sebagai fitur dengan kontribusi tertinggi. Dengan demikian, algoritma Random Forest terbukti mampu memberikan kinerja klasifikasi yang baik dan stabil sebagai sistem pendukung keputusan awal bagi tenaga medis, dengan keterbatasan utama berupa representasi gejala yang masih bersifat biner tanpa mempertimbangkan derajat keparahan
ANALISIS KLASIFIKASI TINGKAT KEKERUHAN AIR BERBASIS CITRA MENGGUNAKAN HYBRID RESNET50 DAN SUPPORT VECTOR MACHINE Tegar Surya Prayoga; emil agusalim habitalib; 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.v3i4.4365

Abstract

Kualitas air merupakan aspek krusial yang memerlukan pemantauan berkelanjutan, salah satunya melalui tingkat kekeruhan secara visual. Meskipun arsitektur deep learning telah banyak digunakan, lapisan klasifikasi bawaannya sering kali kurang optimal dalam menangani batas keputusan yang kompleks (ambigu) pada citra dengan variasi visual tinggi, sehingga diperlukan integrasi dengan pengklasifikasi margin maksimal. Penelitian ini bertujuan mengembangkan model klasifikasi kekeruhan air berbasis citra menggunakan pendekatan Hybrid ResNet50 dan Support Vector Machine (SVM). Dataset terdiri dari 450 citra yang terbagi secara seimbang ke dalam tiga kelas: Air Jernih, Air Keruh, dan Air Kotor. Tahapan eksperimen meliputi preprocessing (normalisasi dan resize 224×224 piksel), ekstraksi fitur menggunakan ResNet50 (Transfer Learning ImageNet), dan klasifikasi menggunakan SVM Linear (C=0,1). Hasil pengujian menunjukkan bahwa model Hybrid ResNet50-SVM memperoleh Accuracy sebesar 86,67%, Precision 88,03%, Recall 86,67%, dan F1-Score 86,77%. Kinerja model hibrida ini terbukti lebih superior dalam membedakan kelas transisi dibandingkan arsitektur ResNet50-Softmax mandiri (83,33%) dan SVM fitur histogram (74,44%). Penggunaan hybrid ekstraktor fitur mendalam dan pengklasifikasi margin terbukti secara signifikan meningkatkan ketepatan deteksi. Secara praktis, akurasi tinggi dan arsitektur model yang robust ini memberikan fondasi yang kuat untuk implementasi sistem pemantauan kualitas air real-time berbasis Internet of Things (IoT) di lapangan, yang berpotensi memangkas waktu dan biaya operasional instrumen fisik konvensional.
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
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.
PENDEKATAN DEEP NEURAL NETWORK UNTUK KLASIFIKASI KELAYAKAN PENERIMA BANTUAN SOSIAL: STUDI KASUS PENARGETAN SOSIAL PADA TINGKAT DESA Selfira Ayu Safitri; Muhammad Faisal; Desi Anggreani
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.v3i4.4623

Abstract

Bantuan sosial merupakan program pemerintah yang ditujukan untuk mendukung masyarakat yang memenuhi kriteria sosial ekonomi tertentu. Identifikasi penerima yang tepat sangat penting untuk meminimalkan kesalahan penargetan dan memastikan bantuan diberikan kepada rumah tangga yang benar-benar membutuhkan. Pendekatan klasifikasi konvensional memiliki keterbatasan dalam menangkap hubungan yang kompleks dan nonlinier antar karakteristik sosial ekonomi rumah tangga. Oleh karena itu, penelitian ini menerapkan *Deep Neural Network* (DNN) untuk mengklasifikasikan kelayakan penerima bantuan sosial berdasarkan karakteristik sosial ekonomi rumah tangga di Desa Parigi serta mengevaluasi kinerja klasifikasinya. Data diperoleh dari Pemerintah Desa Parigi dan diproses melalui tahapan pembersihan data, pemeriksaan nilai yang hilang, pelabelan, normalisasi, pembagian data, pelatihan model, dan pengujian. Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. DNN dipilih karena arsitektur berlapisnya mampu mempelajari hubungan nonlinier antarvariabel masukan sehingga sesuai untuk memodelkan pola kompleks pada data sosial ekonomi rumah tangga. Hasil evaluasi berdasarkan confusion matrix menunjukkan nilai akurasi sebesar 95,24%, presisi sebesar 92%, recall sebesar 100%, dan F1-score sebesar 95,83%. Hasil tersebut menunjukkan bahwa model DNN memiliki kinerja klasifikasi yang baik dalam mengidentifikasi penerima bantuan sosial yang layak dan tidak layak. Temuan penelitian menunjukkan bahwa DNN dapat digunakan sebagai pendekatan pendukung keputusan berbasis data untuk membantu
Co-Authors . Darniati Abd Rahman Wahid Abd Rahman, Aedah Abdul Rakhim Nanda Adnan Ahsan Aedah Abd Rahman Afil Anugrah Agung, Andi Ahmad Nur Rahman Akbar DB, Andi Muhammad Alizha Nur Arspandy ALRASYID.S, NUR FUAD Alvian Syah Burhani Alvina Felicia Watratan Alvina Felicia Watratan Andi Agung Andi Citra Ayu Lestari Andi Harmin Andi Makbul Syamsuri ANDI MAWADDA TAIBA MAWADDA TAIBA Andi Muhammad Akbar DB Andi Muhammad Nur Hidayat Andi Nailah Mashfufah Sulfa Ari Ahmad Dahril Ashabul Kahfi Azzah Aulia Syarif Baharuddin, Suardi Hi Bakti, Rizki Yusliana Billy Eden William Asrul Burhanuddin, Fathurrahman Chyquitha Danuputri Chyquitha Danuputri Chyquitha Danuputri Danuputri, Chyquitha Darniati Dayang Aisyah Desi Anggreani Djalil, Sony Achmad Emil Agus Salim Habi Talib emil agusalim habitalib Erick Yusuf Kotte Erika Yanti Fachrim Irhamna Rachman Fahrim I. Rahman Fahrim Irhamna Rachman Fahrim Irhamna Rachman Fahrim Irhamna Rachman Farida Gaffar Feng, Zhipeng Ferdiansyah Firdaus Fidaus Firrofiqil A&#039;la Kadram FUAD, NUR FUAD ALRASYID.S Galbi Nadifah Hamdan Gani Hamzah Al Imran Hardita Subanda Herlinah Herlinah Hi Baharuddin, Suardi HS, Hafsah Ida Ida Ida Mulyadi, Ida Indra Aditya Indriyanti Indriyanti Azis Irmawati Irmawati Irnawaty Idrus IRSAN KADIR Jihan Izzathul Mujidah Jufri Kusumawardani, Nurul Lisa Fitriani Ishak Lukman Lukman Anas Lukman Anas LUKMAN ANAS Lukman Lukman M Agusalim M Agusalim M. Fikri Haikal Ayatullah Made Widia, I Dewa Majeri Majeri Mardiah Mardiah Mardiah Mardiah Medy Wisnu Prihatmono Medy Wisnu Prihatmono Muh Akram Riyadi Ramadhan Muh Al Haikal Muh Dzikri Alfauzan Nuzul Muh Ilham Akbar Muh Ilham Akbar Muh Khayyir Muh. Amir Zainuddin Muh. Fikri Haekal Muh. Riswan Muhammad Aditya Yudhistira Muhammad Agusalim Muhammad Asygar Faeruddin Muhammad Faturrachman Iswan Muhammad Hasraddin Hasnan Muhammad Khadafi Muhammad Khaiyyir Muhammad Syafaat S. Kuba Muhammad Syafa’at S. Kuba Muhsin, Muh Arief Muhyiddin A.M Hayat Muhyiddin A.M Hayat Muhyiddin A.M. Hayat Musdalifa Thamrin Musdalifa Thamrin Muthalib, Ade Nirwani Abdurahman Nasir Usman Nasir Usman Neneng Anjarwati Nini Apriani Rumata Nur Alam Nur Annisa Syarifuddin Nur Milani Hidayah Nur Rahman, Ahmad Nur Ramadhan Nur Ramadhan, Nur Nurahmad Nurahmad Nurdiansyah Nurdiansyah Nurfadillah Nurfadillah Nurnawaty Nurul Kusumawardani Nurul Qalbi Parwati Parwati Praja, Soemitro Emin Rahmania Rahmat Anbiyah Rasyidi, Muhammad Fachri Rio Prasetyo Lukodono Riswan, Muh. Rizky Yusliana Bakti Rosnani Rosnani Rosnani Rosnani Runal Rezkiawan Sa'ban Sa'ban Saharuddin Saharuddin Samsuria, Samsuria Sarina Selfira Ayu Safitri Siti Marwa Sri Wahyuni Suardi Hi Baharuddin Suharmin Djumali Sumardi Suriani Suriani Swa Lee Lee Swa Lee Lee Syadiah Nor Wan Shamsuddin SYAFAR, A. MUHAMMAD Syahril Akbar Syahrul Hasbir Syahrul Suhardi Syamsul Alam Syatriana, Eny Tegar Surya Prayoga Titik Khawa Abd Rahman Titik Khawa Abd Rahman Titik Khawa Abd Rahman Titik Khawa Abdul Rahman Titin Wahyuni Titin Wahyuni Tri Wahyuni Try Gustaf Said Wa Nanda Sulystrian Wahid, Abd Rahman Wiwin Fuad Sanjaya