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 108 Documents
Search

 4   5   6   7   8 
Perbandingan Algoritma KNN (K-Nearest Neighbors), Naïve Bayes, Dan SVM (Support Vector Machine) Untuk Klasifikasi Pemberian Pinjaman Nasabah zairi saputra; H A Supahri; R Ismanizan; Rahmaddeni Rahmaddeni
Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI) Vol 7 No 1 (2024): Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat Universitas Lamappapoleonro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57093/jisti.v7i1.182

Abstract

AbstractThis journal examines the use of classification algorithms such as K-Nearest Neighbors (KNN), NaiveBayes, and Support Vector Machines (SVM) in providing loans to customers. This method is used toincrease the reliability and accuracy of the credit risk evaluation system. The experimentalmethodology involves a dataset containing variables related to credit history, income, and other riskfactors. The research results show that the KNN algorithm achieves a significant level of accuracy inidentifying customer risk profiles. On the other hand, Naive Bayes successfully handles data withdependencies between variables, and SVM provides consistent results in handling complex datasets.This research explores the benefits and drawbacks of each algorithm to help build a better decisionmaking system for customer lending.Keywords: KNN, Naïve Bayes, SVM, Customer Loans.
Komparasi Algoritma Machine Learning dalam Klasifikasi Kanker Payudara Afiatuddin, Nurfadlan; Wicaksono, M Teguh; Akbar, Vitto Rezky; Rahmaddeni, Rahmaddeni; Wulandari, Denok
JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 8, No 2 (2024): April 2024
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/mib.v8i2.7457

Abstract

Every year, millions of women are faced with a serious global health issue: breast cancer. This research aims to improve the efficiency of breast cancer classification using machine learning. One of the main challenges encountered is the imbalance between the number of malignant and benign cases in the dataset. Therefore, this study aims to compare the performance of several machine learning algorithms in classifying breast cancer, such as Decision Tree, Naive Bayes, K-Nearest Neighbors, Logistic Regression, and Random Forest. Preprocessing data, dividing data with various ratios, and testing various classification algorithms are the techniques used in this research. The dataset used originates from the Wisconsin Breast Cancer Diagnosis dataset from the Kaggle platform. The Synthetic Minority Over-Sampling Technique (SMOTE) is used to achieve balance in the proportions of imbalanced classes. After hyperparameter tuning, Logistic Regression showed the best performance with accuracy reaching 100% in several situations. This study concludes that the use of machine learning, especially with techniques for handling class imbalance, can improve the ability to detect breast cancer early. Additionally, this research also helps understand the best algorithms to improve accuracy in classifying breast cancer, providing support for healthcare professionals in early diagnosis, and enhancing the quality of patient care.
KOMPARASI ALGORITMA K-NEAREST NEIGHBOR (K-NN), SUPPORT VECTOR MACHINE (SVM), DAN DECISION TREE DALAM KLASIFIKASI PENYAKIT STROKE Andri Setiawan; Febrio Waleska, Rangga; Muhammad Adji Purnama; Rahmaddeni; Lusiana Efrizoni
Jurnal Informatika dan Rekayasa Elektronik Vol. 7 No. 1 (2024): JIRE APRIL 2024
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v7i1.1161

Abstract

Penyakit stroke adalah penyebab kematian dan kecacatan pada manusia. Stroke dapat menyebabkan aliran darah otak terganggu. Ini menghambat semua fungsi organ, menyebabkan organ-organ tertentu kehilangan elastisitas, oksigen, atau nutrisi, dan akhirnya menyebabkan mereka mati dengan cepat. Tujuan dari penelitian ini adalah untuk mengklasifikasi  seseorang yang mengalami stroke. Dalam penelitian ini, metode K-NN mempunyai kemampuan untuk menangani masalah yang kompleks tanpa terpengaruh oleh berbagai faktor dan sifatnya yang kuat, intensif, dan tidak asumsif, metode SVM memiliki kemampuan untuk menangani masalah yang kompleks tanpa terpengaruh oleh berbagai factor dan melakukan pelatihan secara efektif, sedangkan Decision Tree mengembangkan pengetahuan berdasarkan data pelatihan dan labelnya, melakukan prediksi terkait kategori atau label kelas. Dari metode-metode tersebut akan melakukan klasifikasi pada data penyakit stroke dari 4981 record. Hasil pengujian metode dengan spliting data 80:20 menunjukkan bahwa metode K-NN mendapatkan hasil akurasi 94%, dan SVM mendapatkan hasil akurasi 95%, sedangkan Decision Tree mendapatkan hasil 92%. Dari hasil tersebut metode SVM lebih baik dibandingkan dua metode K-NN dan Decision Tree. Studi ini menggunakan Streamlite untuk membuat visualisasi data menjadi lebih menarik.
PERBANDINGAN KINERJA NAÏVE BAYES DAN SVM PADA ANALISIS SENTIMEN TWITTER IBUKOTA NUSANTARA Supian, Acuan; Tri Revaldo, Bagus; Marhadi, Nanda; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
JURNAL ILMIAH INFORMATIKA Vol 12 No 01 (2024): Jurnal Ilmiah Informatika (JIF)
Publisher : LPPM Universitas Putera Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33884/jif.v12i01.8721

Abstract

The national capital is the center of government of a country and is often a symbol of sovereignty and national identity. The function and role of the capital city is very important in coordinating government activities, public policies and community services. This research aims to compare the effectiveness of two approaches for classification: Support Vector Machine and Naïve Bayes (SVM), in analyzing opinion sentiment towards the Indonesian capital based on Twitter data. Opinion sentiment analysis is crucial for understanding public views regarding various aspects of the Indonesian capital. The Twitter data used will involve opinions developing on social media regarding the Indonesian capital. The research methodology involves data collection, preprocessing, data sharing, Naïve Bayes and SVM model training, evaluation, and statistical analysis to compare the performance of the two models. Naïve Bayes and Support Vector Machine are the approaches employed in this study. The research results from the Naïve Bayes method present a sentiment analysis accuracy rate of 91%. The SVM method also provides a sentiment analysis accuracy rate of 94%. In light of the analysis's findings, the procedure utilizing the Support Vector Machine (SVM) method shows better results than the Naïve Bayes method in measuring sentiment towards the Indonesian capital.
ANALISA PERFORMA ALGORITMA MACHINE LEARNING DALAM PREDIKSI PENYAKIT LIVER Nurkholifah, Mahdiawan; Jasmarizal; Umar, Yusran; Rahmaddeni
Jurnal Indonesia : Manajemen Informatika dan Komunikasi Vol. 4 No. 1 (2023): Januari
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Indonesia Banda Aceh

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35870/jimik.v4i1.149

Abstract

Currently in the world of medicine, determining liver inflammation is something that is not easy to do. But there are medical records that have kept the patient's symptoms and diagnosis of liver inflammation. The weaknesses of the manual method encourage researchers to develop a method that does not depend 100% on humans. The developed method utilizes a computer as a tool to analyze data. This kind of thing is certainly very useful for health experts. They can use existing medical records as an aid in making decisions about the diagnosis of a patient's disease. In this study, we analyzed the performance of machine learning algorithms by comparing the support vector machine, naïve Bayes and k-nearest neighbor algorithms. This study aims to determine the performance of which algorithm has the highest accuracy in liver disease data. From the research results using splinting data 80:20 it can be concluded that the Naïve Bayes algorithm model has better performance than other algorithm models when using the SMOTE technique with an accuracy value of 65.51%, whereas when not using the SMOTE technique the Support Vector Machine algorithm has the highest performance. better than other algorithm models with an accuracy value on the data not 72.41%.
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 Performa Algoritma Random Forest dan Gradient Boosting dalam Mengklasifikasi Churn Telco Purnama, Muhammad Adji; Ramadhani, Jilang; Anugraha, Yoga Safitra; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
Techno.Com Vol. 23 No. 3 (2024): Agustus 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i3.11278

Abstract

Customer churn adalah kecenderungan pelanggan berhenti dan berpindah layanan dalam periode tertentu. Ini merupakan masalah utama dalam industri telekomunikasi karena mempengaruhi keuntungan perusahaan. Mempertahankan pelanggan lebih mudah dibandingkan mendapatkan pelanggan baru. Memprediksi churn membantu sektor CRM dalam merancang strategi retensi. Tingkat churn yang tinggi dapat menurunkan pendapatan dan mengganggu stabilitas bisnis. Berdasarkan studi, tingkat churn tahunan di industri telekomunikasi berkisar antara 15% hingga 30%. Data mining, yang memanfaatkan teknik pembelajaran mesin, digunakan untuk menganalisis dan mengekstraksi pengetahuan dari data. Penelitian ini bertujuan untuk membandingkan performa dua algoritma yaitu Random Forest dan Gradient Boosting. Hasil yang didapatkan menggunakan splitting data 80:20 menunjukkan bahwa klasifikasi lebih unggul menggunakan metode Gradient Boosting dibandingkan metode Random Forest dilihat dari tingkat akurasi dan nilai ROC AUC. Metode Gradient Boosting mendapatkan nilai akurasi dan ROC AUC sebesar 83% dan 0.89, Sedangkan metode Random Forest mampu menghasilkan nilai akurasi dan ROC AUC sebesar 81% dan 0.87.   Kata kunci: Churn, Gradient Boosting, Klasifikasi, Random Forest, Telco    
Evaluasi Performa Aplikasi Gojek Melalui Klasifikasi Kata Ulasan Pengguna Dengan Metode SVM Putra, Febrianda; Ihsan, Raja Muhammad; Tahiyat, Hafsah Fulaila; Efrizoni, Lusiana; Rahmaddeni, Rahmaddeni
Techno.Com Vol. 23 No. 3 (2024): Agustus 2024
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62411/tc.v23i3.11379

Abstract

Aplikasi Gojek, sebagai salah satu aplikasi ride-hailing terkemuka di Indonesia, menghadapi tantangan berkelanjutan dalam mempertahankan dan meningkatkan kualitas layanan serta kepuasan pengguna. Penelitian ini bertujuan mengevaluasi performa aplikasi Gojek melalui analisis sentimen dari 200.000 ulasan pengguna yang dikumpulkan dari platform aplikasi selama periode 2021-2024, menggunakan metode Support Vector Machine (SVM). Fokus penelitian meliputi aspek layanan, keamanan, promosi, dan masalah teknis. Metode SVM dipilih karena kemampuannya dalam menangani klasifikasi dengan dataset kompleks. Data ulasan pengguna, yang ditulis dalam bahasa Indonesia, diolah dengan teknik pemrosesan teks dan fitur ekstraksi FastText, yang dikenal cepat dan akurat. Praproses data melibatkan tokenisasi, penghapusan stopword, dan teknik preprocessing lainnya. Kinerja model diukur dengan akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa FastText menawarkan waktu pelatihan cepat dengan akurasi kompetitif, sementara SVM unggul dalam presisi dan recall. Penerapan SVM dengan pembagian data 80:20 mencapai akurasi 91% dalam mengklasifikasikan sentimen pengguna. Temuan ini memberikan wawasan penting untuk pengembangan dan evaluasi aplikasi berbasis ulasan pengguna.
Analisis Sentimen Terhadap Resesi Ekonomi Global Di Indonesia Menggunakan Hybrid Linear Regression – Naive Bayes Herisnan, Diva Nabila; Elwinda, Masyitah; Rashid, Rashid; Rahmaddeni, Rahmaddeni
INTECOMS: Journal of Information Technology and Computer Science Vol 7 No 5 (2024): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/intecoms.v7i5.11889

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia terhadap resesi ekonomi global menggunakan pendekatan hybrid yang menggabungkan algoritma Linear Regression dan Naive Bayes. Data yang digunakan diambil dari dataset Kaggle yang berisi 2.138 tweet terkait resesi ekonomi. Tahapan penelitian meliputi identifikasi masalah, pengumpulan dataset, preprocessing, pembobotan kata menggunakan TF-IDF, klasifikasi data, distribusi sentimen, dan evaluasi model. Hasil analisis menunjukkan bahwa sentimen publik terhadap resesi ekonomi global di Indonesia didominasi oleh reaksi netral. Metode hybrid Linear Regression dan Naïve Bayes dengan pembobotan kata TF-IDF pada splitting data 60:40 memberikan hasil akurasi tertinggi sebesar 97,66%.Secara keseluruhan, akurasi tertinggi dengan menggunakan Linear Regression yaitu sebesar 98,01%. Penelitian ini memberikan wawasan yang lebih mendalam tentang persepsi masyarakat terhadap resesi ekonomi, yang dapat membantu pembuat kebijakan dan industri dalam merancang strategi yang lebih efektif untuk menghadapi dampak dari krisis ekonomi global.
Evaluation of Data Mining in Heart Failure Disease Classfication: Afiatuddin, Nurfadlan; Rahmaddeni, Rahmaddeni; Pratiwi, Fitri; Septia, Rapindra; Hendrawan, Heri
CogITo Smart Journal Vol. 10 No. 2 (2024): Cogito Smart Journal
Publisher : Fakultas Ilmu Komputer, Universitas Klabat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31154/cogito.v10i2.726.460-473

Abstract

This study evaluates the effectiveness of data mining algorithms in heart failure disease classification. Various algorithms, including Random Forest, Decision Tree C4.5, Gradient Boosted Machine (GBM), and XGBoost, were applied to a heart failure dataset. The dataset was collected from multiple sources and preprocessed to address imbalances using the SMOTE (Synthetic Minority Over-sampling Technique) technique. The results indicate that employing SMOTE and parameter optimization through grid search significantly enhances the performance of these algorithms. XGBoost and GBM demonstrated superior accuracy, precision, and recall in both balanced and imbalanced data scenarios. In balanced data scenarios, XGBoost achieved an accuracy of 98.75% with an error rate of 1.25%, while GBM achieved an accuracy of 98.60% with an error rate of 1.40%. The study confirms that appropriate data preprocessing and parameter optimization are crucial for improving the accuracy of medical data analysis. These findings suggest that XGBoost and GBM are highly effective for heart disease prediction, supporting early diagnosis and timely medical intervention. Future research should explore alternative preprocessing techniques and additional algorithms to further improve prediction outcomes.
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