Article Per Year (5 Year)
p-Index From 2021 - 2026
9.645
P-Index
This Author published in this journals
All Journal EKONOMIA Jurnal Informatika dan Teknik Elektro Terapan Informatika Mulawarman: Jurnal Ilmiah Ilmu Komputer JIKO (Jurnal Informatika dan Komputer) JURNAL MEDIA INFORMATIKA BUDIDARMA Indonesian Journal of Artificial Intelligence and Data Mining Jurnal Ilmiah Matrik JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Teknologi Sistem Informasi dan Aplikasi JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Psychology, Evaluation, and Technology in Educational Research INFOMATEK: Jurnal Informatika, Manajemen dan Teknologi METIK JURNAL Building of Informatics, Technology and Science Progresif: Jurnal Ilmiah Komputer JISKa (Jurnal Informatika Sunan Kalijaga) Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Jurnal Mnemonic JATI (Jurnal Mahasiswa Teknik Informatika) JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Didaktik : Jurnal Ilmiah PGSD STKIP Subang Reswara: Jurnal Pengabdian Kepada Masyarakat Journal of Computer Networks, Architecture and High Performance Computing BAKTI BANUA : JURNAL PENGABDIAN KEPADA MASYARAKAT Teknika Jurnal Informatika Teknologi dan Sains (Jinteks) Jurnal Bangkit Indonesia CONSEN: Indonesian Journal of Community Services and Engagement Jurtik STMIK Bandung Jurnal Abdimas Lamin Journal of Innovative and Creativity Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Buffer Informatika INOVTEK Polbeng - Seri Informatika JSE Journal of Science and Engineering Journal of Information Technology KREATIF: Jurnal Pengabdian Masyarakat Nusantara Jurnal Abdimas Mahakam
Taghfirul Azhima Yoga Siswa
Universitas Muhammadiyah Kalimantan Timur
Religion Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Mechanical Engineering Physics Social Sciences Transportation Other

Published : 79 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 79 Documents
Search

 3   4   5   6   7 
Penerapan Metode GA-NM Pada Algoritma SVM Untuk Mengatasi Class Imbalance Data Beasiswa KIP-Kuliah Abror, Irfan Fiqry; Siswa, Taghfirul Yoga Azhima; Rudiman, Rudiman
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6756

Abstract

Class imbalance is a common challenge in data analysis, especially when the number of instances in the majority class significantly exceeds that in the minority class. This imbalance can cause classification models to favor the majority class, resulting in low accuracy in identifying the minority class. In this study, the Support Vector Machine (SVM) method combined with Near Miss and Genetic Algorithm (GA) is used to address the class imbalance problem in the scholarship recipient data of the Kartu Indonesia Pintar (KIP) program at Universitas Muhammadiyah Kalimantan Timur. The dataset consists of 1,075 records with 27 features representing the socio-economic factors of the scholarship recipients. Near Miss was applied to undersample the majority class, producing a more balanced data distribution. Subsequently, the SVM algorithm was utilized as the primary classification model, with feature selection and parameter optimization conducted using GA. The results indicate that the combination of SVM, Near Miss, and GA improved classification performance in identifying the minority class. The initial accuracy obtained without the method was 60.55% and after implementation it increased to 76.88%. This approach not only enhances the overall accuracy of the model but also ensures more stable performance, particularly for the minority class. Therefore, this study is expected to provide a significant contribution to the development of a more accurate and efficient scholarship selection system, as well as serve as a reference for future research in data mining and machine learning.
Penerapan Metode GA-RU Pada Algoritma Random Forest Untuk Mengatasi Class Imbalance Data Beasiswa KIP-Kuliah Rahman, Febrian Nor; Siswa, Taghfirul Azhima Yoga; Rudiman, Rudiman
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6757

Abstract

Class imbalance is a common challenge in data analysis, where the majority class significantly outnumbers the minority class. This condition causes classification models to lean toward predicting the majority class, resulting in low accuracy in identifying the minority class. This study proposes the application of Genetic Algorithm (GA) combined with Random Undersampling (RU) on the Random Forest algorithm to address class imbalance issues in the dataset of Indonesia Smart Card (KIP) scholarship recipients at Universitas Muhammadiyah Kalimantan Timur. The dataset comprises 1,080 records with 37 features related to the socio-economic factors of the scholarship recipients. After data cleaning, 1,075 records were retained. The results indicate that the Random Undersampling method improved the accuracy of the Random Forest model from 84.27% to 85.06%. Although this improvement appears modest, it is significant as it demonstrates increased model stability in classifying the minority class, which previously had low accuracy. The combination of GA and RU proved effective in enhancing model performance, resulting in more stable classification for the minority class. This study is expected to contribute to the development of more accurate and efficient scholarship selection systems and serve as a reference for research in data mining and machine learning.
KLASIFIKASI KECELAKAAN LALU LINTAS DI KOTA SAMARINDA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR Anitasari, Dini; Yulianto, Fendy; Azhima Yoga Siswa, Taghfirul
Jurnal Mnemonic Vol 8 No 1 (2025): Mnemonic Vol. 8 No. 1
Publisher : Teknik Informatika, Institut Teknologi Nasional malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/mnemonic.v8i1.12747

Abstract

Kecelakaan lalu lintas di Kota Samarinda terus meningkat seiring dengan tingginya volume kendaraan dan berbagai faktor risiko, seperti kondisi jalan, cuaca, serta kelalaian pengemudi. Peningkatan angka kecelakaan ini berdampak pada kerugian material dan korban jiwa, sehingga diperlukan metode prediksi yang efektif untuk mengklasifikasikan tingkat keparahan kecelakaan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kecelakaan lalu lintas di Kota Samarinda menggunakan algoritme K-Nearest Neighbor (KNN), yang dikenal sebagai metode berbasis jarak yang efektif dalam klasifikasi data. Data yang digunakan diperoleh dari Kepolisian Sektor Samarinda Kota dan mencakup faktor-faktor seperti kondisi cahaya, kelas jalan, tipe jalan, dan batas kecepatan. Model KNN diimplementasikan dengan pembagian data latih dan uji menggunakan validasi silang K-Fold untuk memastikan keakuratan prediksi. Hasil pengujian menunjukkan bahwa dengan pemilihan parameter yang optimal, model KNN mampu mencapai akurasi sebesar 92,54%. Kesimpulan dari penelitian ini adalah bahwa metode KNN dapat digunakan secara efektif untuk mengklasifikasikan tingkat kecelakaan lalu lintas, sehingga hasilnya dapat menjadi referensi bagi otoritas terkait dalam meningkatkan keselamatan jalan raya di Kota Samarinda
Penerapan PSO–RU Dalam Algoritma Naive Bayes Untuk Mengatasi Class Imbalance Data Bencana Tanah Longsor Akbar, Zakaria Ihza; Siswa, Taghfirul Azhima Yoga
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6888

Abstract

Abstract−Landslides are one of the most significant natural disasters in Indonesia, often causing substantial economic losses and threats to human safety. A key challenge in processing landslide data is the issue of class imbalance, where the number of disaster occurrence data is significantly smaller compared to non-disaster data. This study aims to improve landslide prediction accuracy by integrating the Naive Bayes algorithm and Particle Swarm Optimization (PSO) while employing the Random Undersampling (RU) technique to address data imbalance. The dataset used in this study includes landslide data from Samarinda City for the period 2022-2023, obtained from the Regional Disaster Management Agency (BPBD) and the Meteorology, Climatology, and Geophysics Agency (BMKG). The research process involved data preprocessing, balancing data using RU, implementing the Naive Bayes algorithm, and optimizing it with PSO. Model performance was evaluated using the 10-Fold Cross Validation technique and a confusion matrix. The results show that applying the Naive Bayes algorithm with PSO optimization without RU achieved the highest average accuracy of 89.49%, compared to Naive Bayes without optimization, which only reached 87.59%. Meanwhile, the application of RU showed varied effects, with the combination of Naive Bayes + PSO with RU achieving an average accuracy of 50%, slightly better than Naive Bayes with RU, which only reached 45%. This study demonstrates that PSO optimization can improve the performance of the Naive Bayes model in handling complex landslide datasets, although balancing techniques such as RU must be applied cautiously to avoid the loss of important information. The results of this study are expected to support disaster mitigation efforts through more accurate predictions, aiding stakeholders in decision-making, such as early evacuation planning and infrastructure development in landslide-prone areas.
IDENTIFIKASI JENIS KECELAKAAN LALU LINTAS DI KOTA SAMARINDA MENGGUNAKAN METODE RANDOM FOREST Betris Dea Maretta, Nanda; Yulianto, Fendy; Azhima Yoga Siswa, Taghfirul
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 2 (2025): JATI Vol. 9 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i2.13289

Abstract

Kecelakaan lalu lintas di Kota Samarinda merupakan permasalahan yang berdampak signifikan, baik dari segi kerugian material, cedera, maupun korban jiwa. Oleh karena itu, mengklasifikasikan tingkat kecelakaan menjadi langkah penting dalam mengidentifikasi pola kejadian serta mendukung upaya pencegahan dan penanganan yang lebih optimal. Penelitian ini bertujuan untuk mengelompokkan tingkat kecelakaan di Kota Samarinda dengan menerapkan metode Random Forest. Data yang digunakan terdiri dari 1.004 kasus kecelakaan yang diperoleh dari Kepolisian Sektor Samarinda Kota dalam rentang waktu 2021 hingga 2024. Data tersebut diproses melalui tahap Pre-Processing dan dianalisis menggunakan K-Fold Cross-Validation guna memastikan kualitas serta akurasi model. Metode Random Forest bekerja dengan membangun sejumlah pohon keputusan dan menentukan hasil akhir berdasarkan voting mayoritas, sehingga efektif dalam mengklasifikasikan data yang kompleks seperti tingkat kecelakaan. Hasil penelitian menunjukkan bahwa metode ini mampu mengelompokkan kecelakaan ke dalam tiga kategori, yaitu ringan, sedang, dan berat, dengan nilai F1-Score mencapai 95%. Dengan demikian, penelitian ini dapat menjadi landasan dalam merumuskan kebijakan keselamatan lalu lintas yang lebih berbasis data serta membantu pihak berwenang dalam mengurangi angka kecelakaan dan meningkatkan kesadaran masyarakat terhadap keselamatan berkendara.
ANALISIS PENGGUNAAN METODE UNDERSAMPLING CLUSTER CENTROIDS UNTUK MODEL KLASIFIKASI SVM DAN EKSTRAKSI FITUR BOW PADA ULASAN APLIKASI SIREKAP 2024 Hidayati Ramadhani, Novia; Azmi Verdikha, Naufal; Azhima Yoga Siswa, Taghfirul
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 3 (2025): JATI Vol. 9 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i3.13536

Abstract

Sistem Informasi Rekapitulasi (SIREKAP) digunakan sebagai aplikasi perhitungan suara pemilu. Namun, pada awal bulan februari 2024 aplikasi ini mendapat banyak ulasan negatif di platform google play store, dengan rata-rata peringkat 2,7 dari 5. Hal ini menunjukkan adanya ketidakseimbangan pada peringkat ulasan pengguna. Ketidakseimbangan ini dapat mempengaruhi hasil analisis dan evaluasi aplikasi secara keseluruhan. Untuk mengatasi ketidakseimbangan data pada ulasan penelitian in menggunakan algoritma machine learning. Penelitian ini bertujuan untuk mengklasifikasikan teks ulasan aplikasi SIREKAP 2024 menggunakan algoritma SVM dengan ekstraksi fitur BoW serta metode undersampling Cluster Centroids (CC) untuk menangani ketidakseimbangan data. Dataset yang digunakan berjumlah 8235 ulasan. Proses validasi dilakukan menggunakan teknik k-fold cross-validation dengan k=10 untuk memastikan performa secara konsisten pada berbagai subset data. Hasil penelitian menunjukkan bahwa undersampling CC efektif dalam menyeimbangkan distribusi kelas, dengan Imbalanced Ratio (IR) awal sebesar 21,02 berhasil menjadi 1. Selain itu nilai entropi meningkat dari 1,079 menjadi 1,609 yang menunjukkan peningkatan keragaman ketidakpastian data. Namun, meskipun distribusi kelas menjadi seimbang, rata rata nilai IBA mengalami penurunan dari 0,274 pada Skenario I menjadi 0,271 pada Skenario II. Penurunan ini mengindikasikan bahwa teknik CC dapat menyebabkan hilangnya informasi penting pada kelas mayoritas selama proses undersampling.
APPLICATION OF K-NEAREST NEIGHBOUR, RECURSIVE ELIMINATION AND ADASYN ALGORITHMS ON DERMATITIS DISEASE CLASSIFICATION DATA Ramadhani, Daib Jidan; Siswa, Taghfirul Azhima Yoga; Pranoto, Wawan Joko
Journal of Computer Networks, Architecture and High Performance Computing Vol. 7 No. 3 (2025): Articles Research July 2025
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v7i3.6656

Abstract

Dermatitis is a common type of non-infectious skin disease frequently found in Indonesia. Its prevalence is influenced by several factors such as poor hygiene, environmental conditions, and climate change. Data from RSUD Jagakarsa recorded that from 1,066 skin disease cases between February 2023 and January 2024, approximately 62.2% were non-infectious, and 34.4% of those were classified as dermatitis. The diagnostic process for dermatitis is often challenging due to its symptom similarity with other skin conditions, leading to potential misclassification. Therefore, a more accurate and efficient classification approach is required to support medical professionals in identifying dermatitis cases effectively. This study proposes the use of a combination of machine learning methods: K-Nearest Neighbor (KNN) as the core classification algorithm, Recursive Feature Elimination (RFE) for feature selection, and Adaptive Synthetic Sampling (ADASYN) to handle class imbalance within the dataset. The data was sourced from UPTD Puskesmas Bontang Barat in 2024, consisting of 392 samples and 10 main features. Evaluation was conducted using a 10-fold cross-validation scheme. Results showed that the baseline KNN model achieved an average accuracy of 62.23%. With ADASYN applied, the accuracy improved to 63.56%, and further increased to 92.71% when combined with feature selection using RFE.
Penerapan Metode Forward Selection dan ADASYN Pada Algoritma SVM Untuk Klasifikasi Data Kecelakaan Lalu Lintas Muhammad Fadly Ramadhani; Taghfirul Azhima Yoga Siswa; Joko Pranoto, Wawan
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Di Indonesia, khususnya kota Samarinda, angka kecelakaan lalu lintas menunjukkan tren peningkatan yang mengkhawatirkan. Jumlah kecelakaan meningkat dari 97 kasus pada tahun 2021 menjadi 102 kasus pada tahun 2022, dan mencapai 173 kasus pada tahun 2023. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi tingkat kecelakaan lalu lintas dengan mengimplementasikan algoritma Support Vector Machine (SVM) yang dikombinasikan dengan metode seleksi fitur Forward Selection dan teknik oversampling ADASYN. Dataset yang digunakan merupakan data kecelakaan dari Polresta Samarinda periode 2020–2024 dengan 35 atribut, yang diseleksi menjadi 13 atribut relevan. Penelitian dilakukan melalui tahapan data pre-processing, balancing, pemodelan SVM, serta evaluasi menggunakan 10-fold cross-validation. Hasil pengujian menunjukkan bahwa penerapan ADASYN mampu meningkatkan akurasi model dari 70,75% menjadi 96,38%. Peningkatan lebih lanjut dicapai dengan Forward Selection, menghasilkan akurasi hingga 98,00%. Temuan ini membuktikan bahwa seleksi fitur dan penyeimbangan kelas memiliki kontribusi signifikan dalam memperkuat performa model klasifikasi SVM untuk analisis kecelakaan lalu lintas.
Klasifikasi Kecelakaan Lalu Lintas Menggunakan Kombinasi Forward Selection, ADASYN, dan Random Forest Aspianur; Taghfirul Azhima Yoga Siswa; Naufal Azmi Verdikha
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Kecelakaan lalu lintas menjadi penyebab utama kematian bagi kelompok usia 15-29 tahun, dengan lebih dari 1,3 juta kematian setiap tahunnya. di Indonesia, data dari korps lalu lintas polri menunjukkan bahwa pada tahun 2023 terjadi lebih dari 100 ribu kasus kecelakaan, dengan korban jiwa mencapai 25 ribu orang. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat keparahan kecelakaan lalu lintas dengan mengintegrasikan metode Adaptive Synthetic Sampling (ADASYN) dan Forward Selection ke dalam algoritma Random Forest. Data yang digunakan merupakan data kecelakaan dari Polresta Samarinda periode 2020–2024 yang terdiri dari 35 fitur. Proses penelitian mencakup tahapan data preprocessing, feature selection dengan Forward Selection, dan pembagian data testing dan training dengan 10k-fold validation. Permodelan menggunakan algoritma Random Forest, dan evaluasi model menggunakan confusion matrix untuk mencari akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan fitur yang paling signifikan terhadap klasifikasi kecelakaan lalu lintas adalah cuaca, jumlah luka ringan, jumlah luka berat, dan jumlah meninggal dunia. Penerapan Random Forest tanpa penanganan ketidakseimbangan dan tanpa seleksi fitur hanya menghasilkan akurasi 79,26%, precision 29,03%, recall 34,62%, dan f1-score 31,58%. Setelah diterapkan ADASYN, metrik evaluasi meningkat signifikan menjadi akurasi 84,26%, precision 81,82%, recall 84,62%, dan f1-score 83,20%. Peningkatan lebih besar tercapai setelah seleksi fitur Forward Selection, menghasilkan akurasi akhir 95,28%, precision 94,23%, recall 96,15%, dan f1-score 95,18%.
Analisis Kecelakaan Lalu Lintas Berbasis Decision Tree Terintegrasi Forward Selection dan Metode ADASYN Muhammad Wildan Hadinata; Taghfirul Azhima Yoga Siswa; Joko Pranoto, Wawan
Buffer Informatika Vol. 11 No. 2 (2025): Buffer Informatika
Publisher : Department of Informatics Engineering, Faculty of Computer Science, University of Kuningan, Indonesia

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

Abstract

Di Indonesia, Angka kecelakaan lalu lintas juga menunjukkan situasi yang mengkhawatirkan. Pada tahun 2023, terjadi sebanyak 665 kasus kecelakaan lalu lintas di provinsi Kalimantan Timur menurut data BPS Provinsi Kaltim. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat keparahan kecelakaan lalu lintas dengan mengintegrasikan metode Adaptive Synthetic Sampling (ADASYN) dan Forward Selection ke dalam algoritma Decision Tree. Data yang digunakan merupakan data kecelakaan dari Polresta Kota Samarinda periode 2020-2024 yang terdiri dari 35 fitur. Proses penelitian mencakup tahapan data preprocessing, feature selection dengan Forward Selection, dan pembagian data testing dan training dengan 10k-fold validation. Permodelan menggunakan algoritma Decision Tree dan evaluasi model menggunakan confusion matrix untuk mencari akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan fitur yang paling signifikan terhadap klasifikasi kecelakaan lalu lintas adalah cuaca, jumlah meninggal dunia, jumlah luka ringan dan jumlah luka berat. Penerapan ADASYN berhasil meningkatkan akurasi dari 69,44% menjadi 76,83%. Sedangkan penambahan seleksi fitur Forward Selection lebih lanjut meningkatkan akurasi hingga 99,06%.
Co-Authors Abdul Rahim Abdul Rahim Abror, Irfan Fiqry Agustya Nanda Pratiwi Akbar, Zakaria Ihza Albab, Muhammad Ulil Alfi Arif Anis Siti Nurrohkayati Anitasari, Dini Anton Prafanto Anton Saputra Arbansyah Arbansyah Ari Ahmad Dhani Ariyadi, Dedy Asnur Karima Aspianur Bahrudin, Faizal Bayu Wijayantini, Bayu Betris Dea Maretta, Nanda Damari, Azwar Darmawan Setiya Budi Daryanto Daryanto Dewi, Catur Kumala Dzul Rachman, Dzul Ekawati Ekawati Enriko Chiesa Sipahutar Fattah, Mi'raj FAUZI Fendy Yulianto Fendy Yulianto Gubtha Mahendra Putra Haryadi, Rina Mashitoh Haryadi, Rina Masithoh Hasudungan, Rofilde Heri Abijono Hery Kurniawan Hidayati Ramadhani, Novia Hidayatullah, Muhammad Wahyu Istimaroh Istimaroh Joko Pranoto, Wawan Jubaidi Khanisa Octavia Khatimah, Khusnul lia, Alvina Lidya Sari Mardiana Mardiana Muhammad Aditya Rahman Muhammad Fadly Ramadhani Muhammad Najeri Al Syahrin Muhammad Norhalimi Muhammad Rhosyid Akhmad Muhammad Wildan Hadinata Naufal Azmi Verdikha Pambudi, Faldy Alfareza Paula Mariana Kustiawan Pitoyo Pitoyo Pitoyo, Pitoyo Poernamawan, Ahmad Nugraha Prihandoko . Putri, Azzahra Namira Raenald Syaputra Rahmad Fahrozi, Mu. Aldi Rahman, Febrian Nor Ramadhani, Daib Jidan Renaldi Panji Wibowo Restu, Anggiq Karisma Aji Rivaldo, Vito Junivan Rizky Aspiah Rochman, Bagus Fathur Rofilde Hasudungan Rudiman, R Rudiman, Rudiman Salsabila, Cindy Azra Santi Yatnikasari Sarina Safitri Satria, Bima Sidiq, Reza June Siti Muawwanah Sobri, Taufik Taufiq, Ilham Taufiqurrahman Taufiqurrahman Triawan Adi Cahyanto Wahyu Hidayat Wawan Joko Pranoto Wawan Joko Pranoto Wawan Joko Pranoto Widyastuti, Dessy Yoga Priantama