Article Per Year (5 Year)
p-Index From 2020 - 2025
11.847
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Pixel : Jurnal Ilmiah Komputer Grafis SITEKIN: Jurnal Sains, Teknologi dan Industri Jurnal Informatika dan Teknik Elektro Terapan CESS (Journal of Computer Engineering, System and Science) Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Komputer Terapan CogITo Smart Journal Indonesian Journal of Artificial Intelligence and Data Mining INOVTEK Polbeng - Seri Informatika JURNAL ILMIAH INFORMATIKA JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI JURNAL INSTEK (Informatika Sains dan Teknologi) ILKOM Jurnal Ilmiah INTECOMS: Journal of Information Technology and Computer Science MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Digital Zone: Jurnal Teknologi Informasi dan Komunikasi JURIKOM (Jurnal Riset Komputer) CSRID (Computer Science Research and Its Development Journal) JOISIE (Journal Of Information Systems And Informatics Engineering) EDUMATIC: Jurnal Pendidikan Informatika Jurnal Informatika dan Rekayasa Elektronik Zonasi: Jurnal Sistem Informasi JSR : Jaringan Sistem Informasi Robotik Jurnal Restikom : Riset Teknik Informatika dan Komputer Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Indonesia : Manajemen Informatika dan Komunikasi Jurnal J-PEMAS Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) sudo Jurnal Teknik Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence JAIA - Journal of Artificial Intelligence and Applications Jurnal Komtekinfo Malcom: Indonesian Journal of Machine Learning and Computer Science DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Innovative: Journal Of Social Science Research SATIN - Sains dan Teknologi Informasi VISA: Journal of Vision and Ideas Jurnal Indonesia : Manajemen Informatika dan Komunikasi Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer The Indonesian Journal of Computer Science INOVTEK Polbeng - Seri Informatika
Rahmaddeni Rahmaddeni
STMIK Amik Riau
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 Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Public Health Social Sciences Other

Published : 108 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 19 Documents
Search
Journal : Malcom: Indonesian Journal of Machine Learning and Computer Science

 1   2 
Analisis Sentimen Terhadap Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM) Menggunakan Support Vector Machine: Sentiment Analysis of Cash Direct Assistance Distribution for Fuel Oil Using Support Vector Machine Rizky Rahman Salam; Muhammad Fajri Jamil; Yusril Ibrahim; Rahmaddeni Rahmaddeni; Soni Soni; Herianto Herianto
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 3 No. 1 (2023): MALCOM April 2023
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v3i1.590

Abstract

Bahan bakar minyak (BBM) merupakan salah satu kebutuhan pokok masyarakat. Namun, harga BBM yang tinggi dapat menyebabkan beban ekonomi bagi masyarakat yang tidak mampu. Dalam rangka mengatasi masalah ini, pemerintah telah menerapkan program Bantuan Langsung Tunai (BLT) sebagai bentuk bantuan bagi masyarakat yang mengalami ketidakseimbangan ekonomi. Tujuan dari penelitian ini adalah untuk menganalisis sentimen masyarakat terhadap program Bantuan Langsung Tunai (BLT) Bahan Bakar Minyak (BBM). Penelitian ini menggunakan teknik pengumpulan data scraping, yaitu mengambil data dari media sosial Instagram. Jumlah yang digunakan sebanyak 356 data. Proses klasifikasi yang digunakan berdasarkan model pembelajaran dari Support Vector Machine (SVM) dan evaluasi dengan confusion matrix. Dari hasil perhitungan, terlihat bahwa proses klasifikasi sentimen menggunakan metode SVM didapatkan tingkat accuracy 85,98%, rata-rata nilai precision 82,25%, nilai rata-rata recall 66,35%, dan nilai rata-rata f-measure 73,44%. Hasil yang diperoleh menunjukkan bahwa sentimen negatif lebih banyak daripada sentimen positif, dengan masing-masing persentase 78.61% dan 21.34%. Dari analisis sentimen yang dilakukan, ditemukan bahwa sentimen negatif adalah yang paling banyak muncul, hal ini menunjukkan bahwa masyarakat tidak puas dengan bantuan langsung tunai BBM. Sebagai respon terhadap sentimen negatif yang dominan, perlu diterapkan strategi untuk melakukan pemerataan bantuan langsung tunai dan pendata’an yang terstruktur agar tingkat kekecewaan masyarakat dapat diminimalisir.
Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru: Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification Dhini Septhya; Kharisma Rahayu; Salsabila Rabbani; Vindi Fitria; Rahmaddeni Rahmaddeni; Yuda Irawan; Regiolina Hayami
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 3 No. 1 (2023): MALCOM April 2023
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v3i1.591

Abstract

Kanker paru merupakan satu dari banyaknya penyebab kematian di dunia dengan persentase 11.6%, dengan tingkat kematian hingga 18,4%. Kanker paru merupakan salah satu penyakit yang mematikan karena kanker ini sulit dideteksi sebelum berubah menjadi penyakit yang serius dan saat ini belum ada metode skrining yang efektif untuk deteksi dini kanker paru. Pada penelitian ini dilakukan teknik klasifikasi yang merupakan suatu metode pengelompokkan data yang memiliki karakter yang sama ke dalam beberapa kelompok. Teknik klasifikasi yang diteliti membandingkan 2 algoritma yaitu, algoritma Decision Tree dan Support Vector Machine (SVM) untuk mengetahui algoritma yang memberikan hasil terbaik. Dalam penelitian ini akan dilakukan seleksi fitur menggunakan forward selection yang bertujuan untuk menaikkan nilai akurasi. Berdasarkan penelitian yang telah dilakukan dapatkan hasil dari algoritma SVM menggunakan feature selection mempunyai nilai akurasi yang lebih unggul yaitu 62,3% menggunakan splitting data 80:20.
Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir: Comparison of K-NN, Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction Aulia Putri; Cindy Syaficha Hardiana; Elma Novfuja; Farida Try Puspa Siregar; Rahmaddeni Rahmaddeni; Yulia Fatma; Refni Wahyuni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 3 No. 1 (2023): MALCOM April 2023
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v3i1.610

Abstract

Mahasiswa tingkat akhir adalah seorang pelajar yang sedang berjuang demi mendapat gelar sarjana dan memilih tujuan hidup dengan tugas yang baru seperti pekerjaan yang sesuai dengan minat dan bakatnya. Untuk mendapatkan tingkat kelulusan dengan baik dan tepat waktu. Mahasiswa sangat bergantung pada pengaruh dari faktor dalam dan luar kampus. Pemilihan dan penentuan data yang digunakan, diambil dari data publik. Dengan 379 orang mahasiswa tahap akhir sebagai responden. Pengujian ini membandingkan algoritma K-NN, NBC, dan SVM yang lebih baik menyelesaikan masalah terkait prediksi tingkat kelulusan mahasiswa pascasarjana. Berdasarkan perbandingan algoritma tersebut dengan teknik splitting data, didapatkan bahwa Algoritma K-NN (K-Nearest Neighbor) memiliki rata-rata lebih tinggi dibandingkan (NBC) Naïve Bayes Classifier dan SVM (Support Vector Machine) untuk prediksi kelulusan mahasiswa tingkat akhir dengan akurasi 87,8%, presisi 87,8%, dan recall 84%.
Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning: Text Classification for Detecting Depression and Anxiety among Twitter Users based on Machine Learning Kharisma Rahayu; Vindi Fitria; Dhini Septhya; Rahmaddeni Rahmaddeni; Lusiana Efrizoni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 3 No. 2 (2023): MALCOM October 2023
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v3i2.780

Abstract

Depresi adalah gangguan mental yang mempengaruhi kesejahteraan dan kualitas hidup seseorang.Pengaruh sosial menyebabkan penderita depresi dan gangguan kecemasan mengabaikan orang-orang di sekitarnya. Jadi mereka beralih ke media sosial seperti Twitter untuk mendapatkan dukungan. Penderita depresi pengguna Twitter sulit untuk diidentifikasi berdasarkan tweet. Oleh karena itu pemodelan klasifikasi teks untuk penderita depresi sangat diperlukan agar mengetahui seberapa banyak pengguna twitter yang mengalami depresi dan kecemasan. Klasifikasi teks  merupakan metode untuk mengelompokkan data yang sejenis ke dalam kelompok yang sesuai. Algoritma yang digunakan dalam membuat pola penderita depresi adalah algoritma Decision Tree, Random Forest, Naive Bayes, dan K-Nearest Neighbor (KNN). Penggunaan keempat algoritma bertujuan untuk melihat kinerja algoritma terbaik. Hasil percobaan yang dilakukan diperoleh bahwa algoritma  Random Forest pada splitting data 80:20 memiliki kinerja yang lebih baik, dengan nilai akurasi sebesar 0.957 atau 96%. Hasil penelitian ini dapat digunakan oleh pengguna untuk mengetahui penderita depresi dan kecemasan.
Analisis Sentimen Opini Publik pada Twitter Terhadap Bank BSI Menggunakan Algoritma Machine Learning: Sentiment Analysis of Public Opinion on Twitter Toward BSI Bank Using Machine Learning Algorithms Ratna Andini Husen; Rizki Astuti; Lili Marlia; Rahmaddeni Rahmaddeni; Lusiana Efrizoni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 3 No. 2 (2023): MALCOM October 2023
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v3i2.901

Abstract

Opini publik yang terekspresikan melalui media sosial, khususnya Twitter, telah menjadi sumber informasi yang penting bagi perusahaan dan lembaga keuangan, termasuk Bank BSI. Analisis sentimen opini publik dapat membantu Bank BSI dalam memahami pandangan dan persepsi masyarakat terhadap layanan mereka. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan algoritma machine learning yaitu algoritma SVM, naïve bayes dan logistic regression untuk menganalisis sentimen opini publik terhadap Bank BSI yang terdapat dalam tweet di Twitter. Data tweet yang digunakan dalam penelitian ini diambil situs dari kaggle dengan jumlah data 24.401, berisi tentang ulasan komentar pengguna terkait ransomware pada Bank BSI. Hasil dari percobaan yang telah dilakukan diperoleh bahwa SVM menghasilkan akurasi 0,88%, naive bayes menghasilkan akurasi 0,76%, dan logistic regression menghasilkan akurasi 0,86%. Berdasarkan dari hasil percobaan bahwa SVM mendapatkan performa kinerja yang lebih unggul dari pada algoritma naive bayes dan logistic regression . Dalam konteks ini, SVM dapat menjadi pilihan yang baik untuk analisis sentimen secara umum. Penelitian ini mengungkapkan bahwa persentase sentimen negatif terhadap Bank BSI lebih tinggi daripada sentimen positif. Temuan ini menunjukkan adanya keprihatinan dan ketidakpuasan yang signifikan di antara masyarakat terhadap layanan perusahaan. Meskipun ada beberapa sentimen positif yang teridentifikasi.
Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke: Implementation of Decision Tree Algorithm C4.5 and Support Vector Regression for Stroke Disease Prediction Firman Akbar; Hanif Wira Saputra; Adhitya Karel Maulaya; Muhammad Fikri Hidayat; Rahmaddeni Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 2 No. 2 (2022): MALCOM October 2022
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (321.237 KB) | DOI: 10.57152/malcom.v2i2.426

Abstract

Data mining adalah proses pengumpulan informasi dan data penting dari sejumlah besar data yang perlu diekstraksi untuk mengubahnya menjadi informasi baru yang berguna untuk  pengambilan keputusan. Data yang digunakan dalam penulisan ini berasal dari data pengidap neurologi (saraf) tepatnya stroke, diolah menggunakan algoritma Support Vector Regression dan Decision Tree C4.5. Stroke disebabkan oleh pecahnya pembuluh darah dan tersumbatnya pembuluh darah arteri di otak, sehingga mengakibatkan kematian sel atau jaringan karena tidak mensuplai darah yang dibutuhkan untuk membawa oksigen ke bagian otak. Suatu cara untuk meninjau stroke adalah data mining, yang memakai algoritma Support Vector Regression dan Decision Tree C4.5. Hasil laporan ini mengidentifikasi pengidap penyakit stroke pada variabel yang didapati dan menganalisisnya memakai algoritma data mining Decision Tree C4.5 dan Support Vector Regression. Dapat dilihat jika error yang dihasilkan oleh algoritma Decision Tree C4.5 terhadap rasio 70 : 30 bernilai 0.235, Selanjutnya untuk algoritma Support Vector Regression terhadap rasio 70 : 30 bernilai 0.399, Dalam menggunakan algoritma  Decision Tree C4.5, maka akan menghasilkan output tambahan berupa sebuah grafik pohon keputusan dimana terdapat alur dalam memprediksi.
Penerapan Algoritma Decesion Tree C4.5 untuk Memprediksi Tingkat Kelangsungan Hidup Pasien Kanker Tiroid: The Application of C4.5 Decision Tree Algorithm for Predicting the Survival Rate of Thyroid Cancer Patients Putri, Adinda Dwi; Sholekhah, Fitriana; Dadynata, Eric; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni; Sapina, Nur
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1532

Abstract

Salah satu penyakit yang memiliki tingkat kelangsungan hidup yang bervariasi di antara pasien adalah kanker tiroid. Untuk memprediksi tingkat kelangsungan hidup pasien berdasarkan karakteristik klinis, penelitian ini menggunakan algoritma Decision Tree C4.5. Metode ini memanfaatkan pengolahan bahasa alami (NLP) dengan Count Vectorizer untuk mengubah teks menjadi data numerik. Dalam penilaian keakuratan prediksi, evaluasi dilakukan dengan matriks kebingungan (confusion matrix) untuk mengukur kinerja model dalam klasifikasi. Selain itu, Area Under Curve (AUC) juga dihitung untuk mengevaluasi performa model. Hasil eksperimen menunjukkan bahwa metode ini memberikan prediksi yang akurat tentang tingkat kelangsungan hidup pasien dengan kanker tiroid, mencapai akurasi sebesar 97% dan AUC sebesar 0.95, menunjukkan kinerja yang sangat baik. Penelitian ini penting untuk memperdalam pemahaman tentang penerapan Decision Tree dalam konteks medis dan potensi algoritma ini dalam mendukung pengambilan keputusan klinis di masa depan.
Perbandingan Kinerja Algoritma Clustering K-Means dan K-Medoids dalam Pengelompokan Sekolah di Provinsi Riau Berdasarkan Ketersediaan Sarana dan Prasarana: Comparison of K-Means and K-Medoids Clustering Algorithm Performance in Grouping Schools in Riau Province Based on Availability of Facilities and Infrastructure Salman, Muhammad Dzaki; Rahmaddeni, Rahmaddeni; Pratama , Nanda Rizki; A, M. Nakhlah Farid; Setiawan, Ahmad Agung; Zalianti, Fenisya; Huda, Isra Bil
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1950

Abstract

Pendidikan yang berkualitas sangat dipengaruhi oleh ketersediaan sarana dan prasarana yang memadai. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma clustering, yaitu K-Means dan K-Medoids, dalam mengelompokkan 497 sekolah negeri di Provinsi Riau yang terdiri dari jenjang SD, SMP, SMA, dan SMK. Data yang dianalisis meliputi jumlah guru, siswa, ruang kelas, laboratorium, akses internet, sanitasi, dan status akreditasi. Data diperoleh dari Dinas Pendidikan dan Badan Pusat Statistik (BPS) Provinsi Riau, kemudian dianalisis melalui Exploratory Data Analysis (EDA), preprocessing, dan reduksi dimensi dengan Principal Component Analysis (PCA). Hasil evaluasi menggunakan Davies-Bouldin Index (DBI) dengan k=3 menunjukkan bahwa K-Medoids menghasilkan cluster yang lebih terpisah dan lebih baik (0,61) dibandingkan K-Means (0,80). Keunggulan K-Medoids terletak pada ketahanannya terhadap outlier dan distribusi data yang tidak merata. Hasil penelitian ini dapat digunakan sebagai acuan dalam perencanaan kebijakan pendidikan yang lebih merata dan tepat sasaran di Provinsi Riau.
Perbandingan Algoritma K-Nearest Neighbors dan Random Forest untuk Rekomendasi Gaya Hidup Sehat dalam Mencegah Penyakit Jantung: Comparison of K-Nearest Neighbors and Random Forest Algorithms for Recommendations for a Healthy Lifestyle in Prevent Heart Disease Sahelvi, Elza; Cikita, Putri; Sapitri, Riska Mela; Rahmaddeni, Rahmaddeni; Efrizoni, Lusiana
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1972

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian yang disebabkan oleh faktor gaya hidup tidak sehat. Untuk mengatasi permasalahan ini, penelitian ini membandingkan algoritma K-Nearest Neighbors (KNN) dan Random Forest (RF) dalam memberikan rekomendasi gaya hidup sehat guna mencegah penyakit jantung. Dataset yang digunakan terdiri dari 1.025 entri dengan 14 fitur, yang telah melalui tahap preprocessing, termasuk normalisasi, seleksi fitur, dan pembagian data 80:20 serta 70:30. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (99% pada skenario 80:20 dan 98% pada skenario 70:30) dibandingkan KNN (83% dan 86%), serta lebih stabil dalam mengklasifikasikan risiko penyakit jantung. Analisis fitur menunjukkan bahwa Chest Pain Type (CP) atau nyeri dada merupakan faktor paling berpengaruh. Berdasarkan hasil ini, direkomendasikan pola makan sehat, aktivitas fisik teratur, manajemen stres, serta pemeriksaan kesehatan rutin. Kesimpulannya, Random Forest lebih efektif dalam sistem rekomendasi gaya hidup sehat, dan penelitian selanjutnya dapat menggunakan dataset lebih besar dengan variabel tambahan guna meningkatkan akurasi prediksi.
Model Prediksi Dampak Perubahan Iklim pada Ketahanan Pangan Menggunakan Algoritma Support Vector Machine and K-Nearest Neighbors: Prediction Model for the Impact of Climate Change on Food Security Using the Support Vector Machine and K-Nearest Neighbors Algorithms Sari, Devi Puspita; Risman, Risman; Maulana, Fitra; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 5 No. 3 (2025): MALCOM July 2025
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v5i3.1975

Abstract

Perubahan iklim memberikan dampak signifikan terhadap ketahanan pangan global, terutama di wilayah yang sangat bergantung pada sektor agrikultur. Fenomena seperti curah hujan ekstrem, kenaikan suhu, dan perubahan pola angin telah memengaruhi produktivitas pertanian secara signifikan. Urgensi penelitian ini terletak pada pentingnya pengembangan model prediktif berbasis data untuk mengantisipasi dampak perubahan iklim terhadap ketahanan pangan, sehingga strategi adaptasi dapat dirancang secara tepat oleh pembuat kebijakan. Penelitian ini bertujuan mengembangkan model prediksi dampak perubahan iklim terhadap ketahanan pangan dengan memanfaatkan algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Dataset yang digunakan meliputi data meteorologi harian, seperti curah hujan (precipitation), suhu maksimum (temp_max), suhu minimum (temp_min), dan kecepatan angin (wind), yang diperoleh dari Kaggle (Seattle weather). Model SVM diterapkan untuk menangkap hubungan non-linear antara parameter iklim dengan indikator ketahanan pangan, sedangkan KNN digunakan untuk menganalisis pola serupa pada data historis. Hasil penelitian menunjukkan bahwa SVM memiliki akurasi prediksi sebesar 78%, lebih unggul dibandingkan KNN yang mencapai akurasi 74%. Temuan ini membuktikan bahwa SVM lebih efektif dalam memodelkan keterkaitan antara variabel iklim dan ketahanan pangan. Dengan demikian, penelitian ini berhasil mencapai tujuannya dan memberikan kontribusi penting dalam pengembangan sistem prediksi berbasis machine learning untuk mendukung kebijakan pangan yang adaptif terhadap perubahan iklim.
Co-Authors -, Dedek Ispandi A, M. Nakhlah Farid Adhitya Karel Maulaya Afiatuddin, Nurfadlan Agung Pratama Agung Pratama Agustin Agustin Agustin -, Agustin Agustin Agustin Agustin, Endy Wulan Agustriono Agustriono, Agustriono Ahmad Rivaldi Aisy, Alaysha Rihadatul Aisyah Nurul Putri Akbar, Vitto Rezky Alaysha Rihadatul Aisy Aldino Evel Alfianda, Baginda Anam, M Khairul Ananta, Nita Anderson, Ranap Andi Kurnianto Andri Setiawan Anugraha, Yoga Safitra Aprilia, Fanesa Aprillian Kartino Arifin, Muhammad Amirul Asrofiq, Ahmad Aulia Putri Azdar, Qowiyyu Azfar Huzaifah Siregar B, Ilham Br.Situmorang, Elisabet Sinta Romaito Bunga Nanti Pikir Cahyo, M Rizky Dwi Chandra, Deni Cikita, Putri Cindy Syaficha Hardiana Dadynata, Eric Daulay, Suandi De Pani, Raihan Dedek Ispandi - Delfi Delfi, Delfi Deni Chandra Devi Efriadi Devi Puspita Sari, Devi Puspita Dhini Septhya Didik Sazali Diki Daryanto Dini, Ema Djamalilleil, Said Azka Fauzan Edwar Ali Efrizoni, Luasiana Efrizoni, Lusiana Eka, Wisnu Elma Novfuja Elwinda, Masyitah Erlin Ermy Pily, Annisa Khoirala Fadila, Rahmasari Fahreza, Rino Fakhrizal, M. Aggie Farhan Pratama Farida Try Puspa Siregar Fathoni, Muhammad Hafidhatul Fauzan, Aulia Fazri Fazri Febrio Waleska, Rangga Firman Akbar Firman, Muhammad Aditya fitri pratiwi, fitri Fransiskus Zoromi Fransiskus Zoromi Ginting, Alex Elanta Ginting, Lusiana Ginting, Steven Gusmansyah, Rafly H A Supahri Habibah Br. Lumbantobing Hadi Asnal, Hadi Hafid Azis Supahri Hafidh, M. Hafidhatul Fathoni Hamdani Hamdani - Handoko Hanif Wira Saputra Hasnor Khotimah Hayami, Regiolina Hendra Saputra Hendrawan, Heri Herianto - Herianto Herianto Herisnan, Diva Nabila Huda, Isra Bil Ibrahim, Sang Adji Iftar Ramadhan Ihsan, Raja Muhammad Irawan , Sandra Septi Irawan, Sandra Septi Irsandi, Safril Jabbar, Fiqri Abdul Jamaris, Muhamad Jasmarizal Jasmarizal Junadhi Junadhi Jundi, Muhamad Jundi, Muhammad Kharisma Rahayu Khusaeri Andesa Koko Harianto Koko Harianto Koko Harianto, Koko Kurniawan, Bambang Kurniawan, Fadly Kurniawan, Zuprizal Lili Marlia Lusiana Efrizoni M Fadhil Arfa M. Arifin M. Azzuhri Dinata M. Irpan Mahdiawan Nurkholifah Mardainis Mardainis Mardainis Marhadi, Nanda Maryani, Lily Maulana, Fitra Michal Dennis Muhaimin, Abdi Muhamad Rizky Dwi Cahyo Muhammad Adji Purnama Muhammad afrizal Muhammad Bambang Firdaus Muhammad Fajri Jamil Muhammad Fikri Hidayat Muhammad Ihza Mahendra Muhammad Ridho Al Fathan Mukhsinin, Dimas Aditya Najario, Dimas nanda, afri Nanda, Annisa Nasution , Zikri Hardyan Nita Ananta Nova Indriyani Nurjayadi Nurjayadi Nurkholifah, Mahdiawan Oktavianda Perdana Arifin, Satria Pratama , Nanda Rizki Pratama, Farhan Pratiwi, Elsa Eka Prianto, Robi Purnama, Muhammad Adji Putra, Aldino Putra, Andika Mahesa Putra, Febrianda Putri Utami, Putri Putri, Adinda Dwi Putri, Daffina Zahro R Ismanizan Rabbani, Salsabila Rafliansyah, M Rahmat Hidayatullah Rahmi Rahmi Ramadhani, Jilang Ramadhansyah, Donny Rashid, Rashid Ratna Andini Husen Refni Wahyuni Renaldi, Reno Rinaldi Rinaldi Rini Yanti Rino Fahreza Risky Harahap Risman Risman Rizki Astuti Rizky Rahman Salam Rohana Yola Parastika Hutasoit Rohid Rometdo Muzawi, Rometdo Ryan Ismanizan Safitri, Dea Sahelvi, Elza Salman, Muhammad Dzaki Salsabila Rabbani Sapina, Nur Sapitri, Riska Mela Saputra, Candra Saputra, Haris Tri Saputra, Ilham Saputra, Juliandri Saputra, Pingki Ans Satria, Riyan Sazali, Didik Septhya, Dhini Septia, Rapindra Setiawan , Andri Setiawan, Ahmad Agung Sholekhah, Fitriana Sigit, Rapel Aprilius Sinaga, Leonardo Singgih - Widiantoro Siregar, Azfar Huzaifah Soni Suandi Daulay Suhada, Khairus Sukri Adrianto Sukri Adrianto Supian, Acuan Susandri, Susandri SUSANTI Susanti, Susanti Sutisna Sutisna Syahrul Imardi Syarfi Aziz Syarifuddin Elmi T. Sy. Eiva Fatdha Tahiyat, Hafsah Fulaila Taupik Hidayat, Taupik Tri Revaldo, Bagus Triyani Arita Fitri Try Puspa Siregar, Farida Ulfa, Arvan Izzatul Ulfah, Aniq Noviciate Umar, Yusran Unang Rio Uthami, Kurnia Vindi Fitria wahyu, haditya Wahyudi, Gustri Romi Wicaksono, M Teguh Wicaksono, M. Teguh Widia Ningsih, Widia Wirta Agustin Wirta Agustin Wulandari, Denok Yansyah Saputra Wijaya Yesaya Twin Situmorang Yogi Yunefri, Yogi Yoyon Efendi Yuda Irawan Yulia Fatma Yusran Umar Yusril Ibrahim zairi saputra Zairi Saputra Zalianti, Fenisya Zega, Wilman Zikri Hadryan nst Zuriatul Khairi Zuriatul Khairi