Article Per Year (5 Year)
p-Index From 2020 - 2025
8.258
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) IJCCS (Indonesian Journal of Computing and Cybernetics Systems) Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Buana Informatika Dinamika Informatika Jurnal Teknologi MAGISTRA Sinergi Jurnal Teknologi Informasi dan Ilmu Komputer Telematika Proceedings Konferensi Nasional Sistem dan Informatika (KNS&I) Seminar Nasional Informatika (SEMNASIF) INFORMATIKA Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika Jurnal Ilmiah KOMPUTASI Sistemasi: Jurnal Sistem Informasi JOIV : International Journal on Informatics Visualization Sinkron : Jurnal dan Penelitian Teknik Informatika Creative Information Technology Journal Jurnal Sains dan Informatika MATRIK : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer Jurnal Penelitian dan Pengabdian Kepada Masyarakat UNSIQ CSRID (Computer Science Research and Its Development Journal) Informasi Interaktif JOISIE (Journal Of Information Systems And Informatics Engineering) EDUMATIC: Jurnal Pendidikan Informatika Jurnal Suara Keadilan Technologia: Jurnal Ilmiah KURVATEK Jurnal Tecnoscienza Respati Jurnal Sistem Komputer & Kecerdasan Buatan Journal of Computer System and Informatics (JoSYC) Jurnal Informa: Jurnal Penelitian dan Pengabdian Masyarakat Madani : Indonesian Journal of Civil Society JURNAL PENDIDIKAN, SAINS DAN TEKNOLOGI Jurnal TIKOMSIN (Teknologi Informasi dan Komunikasi Sinar Nusantara) Jurnal Teknimedia: Teknologi Informasi dan Multimedia Journal of Electrical Engineering and Computer (JEECOM) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal Senopati : Sustainability, Ergonomics, Optimization, and Application of Industrial Engineering Journal of Applied Sciences, Management and Engineering Technology (JASMET) Jurnal Ekonomi dan Teknik Informatika Transformasi Jurnal Ilmiah IT CIDA : Diseminasi Teknologi Informasi Jurnal Dinamika Informatika (JDI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) PELS (Procedia of Engineering and Life Science) JAIA - Journal of Artificial Intelligence and Applications Duta.com : Jurnal Ilmiah Teknologi Informasi dan Komunikasi EXPLORE Prosiding University Research Colloquium COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) Journal of Information Technology and society (JITS) Teknomatika: Jurnal Informatika dan Komputer Explore Jurnal Teknologi SWAGATI: Journal of Community Service
Andi Sunyoto
Universitas Amikom Yogyakarta
Humanities Chemical Engineering, Chemistry & Bioengineering 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 Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Social Sciences Transportation Other

Published : 104 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 104 Documents
Search

 6   7   8   9   10 
IDENTIFIKASI KALIMAT SITASI MENGGUNAKAN KOMBINASI METODE SUPPORT VECTOR MACHINE DAN FEATURE SELECTION Raynaldi Fatih Amanullah; Ema Utami; Andi Sunyoto
Jurnal Teknomatika Vol 11 No 2 (2019): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

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

Abstract

Jurnal ilmiah merupakan suatu karya ilmiah yang diterbitkan secara berkala oleh suatu organisasi atau institusi, kecerobohan penulisan dalam karya ilmiah dapat dianggap sebagai bentuk plagiarisme. Sehingga penulisan sitasi dalam karya ilmiah penting untuk diperhatikan, karena sitasi mampu memberikan pengakuan sumber acuan. Metode yang digunakan ialah Support Vector Machine (SVM) dan juga TF-IDF. Adapun dataset yang digunakan ialah CL-SciSumm 2018, yang selanjutnya diseleksi menggunakan TF-IDF guna mengurangi jumlah dimensi suatu dokumen, sehinga data lebih mudah diolah menggunakan SVM. Dari hasil klasifikasi kemudian dianalisa tingkat akurasi atau ketepatan dalam melakukan identifikasi dengan menggunakan skema k-Fold Cross Validation. Hasil penelitian ini menunjukan bahwa penggunaan TF-IDF mampu mendukung metode SVM dalam melakukan identifikasi kalimat sitasi pada dokumen jurnal ilmiah dengan nilai akurasi dan f-measure sebesar 0,52 dan 0,66 dengan nilai k = 5, dari hasil tersebut terjadi kenaikan akurasi sebesar 0,04 dan f-measure sebesar 0,16.
PERENCANAAN STRATEGIS TEKNOLOGI INFORMASI DI LINGKUNGAN PEMERINTAH KABUPATEN GUNUNG MAS PROVINSI KALIMANTAN TENGAH Licantik; Abidarin Rosidi; Andi Sunyoto
Jurnal Teknomatika Vol 5 No 2 (2013): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

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

Abstract

Telah banyak adopsi Teknologi Informasi (TI) untuk membantu proses birokrasi pada instansi pemerintahan. Adopsi tersebut menghasilkan peningkatan signifikan dalam hal peningkatan citra, PAD dan kinerja. Penelitian ini dilakukan dengan menggunakan metode Ward & Peppard dan metode penelitian Action Research untuk merumuskan portofolio organisasi untuk kemudian dibuat sebuah rencana strategis masa depan TI jangka menengah dari portofolio tersebut.
Mereduksi Error Prediksi Pada Sistem Rekomendasi Menggunakan Pendekatan Collaborative Filtering Berbasis Model Matrix Factorization Annas Al Amin; Andi Sunyoto; Hanif Al Fatta
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.44

Abstract

Sistem pemberi rekomendasi banyak digunakan pada banyak website seperti marketplace, streaming film, e-commerce, dll untuk menghasilkan rekomendasi item yang sesuai dan disukai kepada setiap penggunanya. Pendekatan tradisional collaborative filtering berbasis memorysaat ini masih banyak digunakan dalam sistem rekomendasi. Pendekatan ini bertumpu pada ratingyang diberikan oleh pengguna terhadap suatu item sebagai pendekatan dasar untuk menghitung kesamaan respon pengguna terhadap produk untuk memberikan rekomendasi item, namunkelemahannya error prediksi yang dihasilkan saat memberikan rekomendasi item tinggi. Penelitian ini bertujuan untuk mereduksi error prediksi dari pendekatan collaborative filtering berbasis memory dengan menggunakan collaborative filtering berbasis model matrix factorization supaya dapat memperbaiki metode pada penelitian sebelumnya. Pendekatan collaborative filtering berbasis model matrix factorization merupakan salah satu pendekatan dalam sistem rekomendasi yang mampu mengurangi error prediksi untuk menghasilkan rekomendasi item yang akurat. Metode yang diusulkan telah dievaluasi sebanyak 5 kali iterasi menggunakan root mean squared error untuk mengukur error prediksi. Hasilnya, pendekatan collaborative filtering berbasis model matrix factorization yang kamiusulkan mampu menghasilkan error prediksi terkecil sebesar 0,6814 sedangkan collaborative filtering berbasis memory menghasilkan error prediksi lebih besar yaitu 2,984.
Analisis Fitur dan Convolutional Neural Network pada Pengenalan Aksen Ucapan Dwi Sari Widyowaty; Andi Sunyoto; Hanif Al Fatta
Explore Vol 11 No 2 (2021): Juli 2021
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v11i2.45

Abstract

Setiap negara memiliki ciri khas dan budaya masing-masing, salah satu ciri khas tersebut yaitu aksen ucapan, dengan mendengarkan aksen ucapan seseorang, maka dapat dikenali asal negara dari pembicara tersebut. Penelitian mengenai pengenalan aksen termasuk pada Teknologi Automatic Speech Recognition (ASR) yang sekarang ini sedang berkembang, contoh dari pemanfaatan teknologi ASR yaitu Asisten Virtual, pengembangan penelitian ini dapat menuju Asisten Virtual yang lebih cerdas karena dapat mengenali aksen dari seorang pembicara. Pada penelitian ini, penulis mencoba mengklasifikasikan aksen dari berbagai Negara (5 kelas) yaitu English, Spanish, Mandarin, French dan Arabic. Dataset yang digunakan pada Penelitian ini berjumlah 1231 rekaman suara yang terdiri dari English 627 audio, Spanish 220 audio, Mandarin 132 audio, French 80 audio, dan Arabic 172 audio, dimana seluruh pembicara mengucapkan kalimat yang sama dalam bahasa Inggris. Pada penelitian ini fitur audio yang digunakan yaitu Mel – Frequency Cepstral Coefficients (MFCC), Zero Crossing Rate (ZCR), dan Energy (pada librosa disebut RMS). Ekstraksi Fitur audio menghasilkan array dari setiap audio, hasil ekstraksi fitur audio akan menjadi masukan Metode Convolutional Neural Network (CNN) untuk mengklasifikasikan aksen tersebut. Penelitian ini menghasilkan akurasi 51.30 % pada fitur MFCC, 48.05 % pada fitur ZCR, dan 51,95 % pada fitur Energy. Fitur Energy mendapatkan akurasi yang baik, kemudian diikuti dengan fitur MFCC dan ZCR.
Metode Naïve Bayes dan Particle Swarm Optimization untuk Klasifikasi Penyakit Jantung Hani Setiani; Andi Sunyoto; Asro Nasiri
Explore Vol 12 No 2 (2022): Juli 2022
Publisher : Universitas Teknologi Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35200/ex.v12i2.63

Abstract

Penyakit jantung merupakan penyakit yang sangat berbahaya dan menjadi penyebab utama kematian di dunia. Pada tahun 2013, penderita penyakit jantung di Indonesia sendiri mencapai hingga 61.682 jiwa dan provinsi dengan diagnosa terbanyak yaitu Jawa Tengah dengan jumlah penderita sebanyak 11.511 jiwa. Pentingnya diagnosa secara tepat yang dilakukan oleh dokter akan membantu penangan pasien secara tepat sehingga memungkinkan untuk disembuhkan, tetapi kurangnya seorang pakar mengakibatkan diagnosa yang dilakukan secara intuisi dan pengalaman. Hal ini dapat mengakibatkan kesalahan fatal dalam penanganan pasien. Oleh karena itu, diperlukan suatu sistem pakar yang dapat digunakan sebagai alternatif untuk mendiagnosa penyakit jantung. Sistem pakar yang dipilih peneliti untuk mengatasi permasalahan tersebut adalah menggunakan metode Naive Bayes dan Particle Swarm Optimization untuk mengklasifikasikan penyakit jantung. Metode Naïve Bayes dipilih karena menggunakan sedikit data latih (Training Data) untuk menentukan estimasi parameter yang diperlukan pada proses klasifikasi, sedangkan Particle Swarm Optimization dipilih untuk meningkatkan akurasi dan nilai Area Under the Curve (AUC) dengan menetapkan bobot pada setiap atribut. Pengujian yang telah dilakukan menggunakan metode Naive Bayes sebelum penerapan PSO diperoleh akurasi sebesar 83,52% dengan nilai AUC 86,80% sesudah diterapkan PSO memperoleh akurasi 91,21% dengan nilai AUC 93.90%, terdapat peningkatan akurasi pada Naive Bayes sebesar 7,69% dan AUC 7,1%.
PEMANFAATAN SISTEM INFORMASI GEOGRAFI UNTUK PENENTUAN KEBIJAKAN DINAS PERTANIAN DAERAH ISTIMEWA YOGYAKARTA (Studi Kasus Kabupaten Bantul) Windha Mega Pradnya Dhuhita; Abidarin Rosidi; Andi Sunyoto
Jurnal Teknologi Vol 4 No 1 (2011): Jurnal Teknologi
Publisher : Jurnal Teknologi, Fakultas Teknologi Industri, Universitas AKPRIND Indonesia

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

Abstract

Sebagai negara agraris yang penyebaran lahan pertaniannya heterogen, membawa implikasi kepada salah satu problematika dalam sarana produksi pertanian, yaitu mengenai tata kelola pupuk. Penggunaan teknologi berbasis komputer untuk mendukung perencanaan sangat diperlukan untuk menganalisis, memanipulasi dan menyajikan informasi dalam bentuk tabel dan keruangan. Salah satu teknologi tersebut adalah Sistem Informasi Geografis (SIG) yang memiliki kemampuan membuat model yang memberikan gambaran, penjelasan dan perkiraan dari suatu kondisi factual sehingga diharapkan akan lebih mudah bagi para pengambil keputusan untuk mengetahui pemetaan daerah pengalokasian pupuk bersubsidi sehingga basis data pertaniannya dapat di update secara berkala dan lebih efektif, yang dilakukan oleh departemen pertanian di wilayah Daerah Istimewa Yogyakarta, serta diharapkan dapat membantu untuk meramalkan kebutuhan pupuk di setiap daerah pada periode mendatang. Menggunakan metode peramalan dengan mempertimbangkan variabel waktu (time series) dengan mengumpulkan data-data kebutuhan pupuk pada periode sebelumnya. Proses peramalan dapat juga dilakukan dengan memanfaatkan data-data yang telah ada.
Implementation of the CNN Deep Learning Method in Tajong (Sarung) Samarinda Classification Muhartini, Sitti; Sunyoto, Andi; Muhammad, Alva Hendi
Journal of Applied Sciences, Management and Engineering Technology Vol 5, No 2 (2024)
Publisher : Institut Teknologi Adhi Tama Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31284/j.jasmet.2024.v5i2.6406

Abstract

Samarinda sarongs are one of Indonesia's traditional fabrics that are famous for their beautiful motifs and textures. This fabric is made using traditional weaving techniques using non-machine looms (ATBMs), resulting in a unique and distinctive diversity of textures. The difference between the loom, namely the machine and the non-machine, resulting in a difference in the texture of the Samarinda sarong. This difference can be seen from the thread density, texture smoothness, and sharpness of the motif. On certain Samarinda sarong motifs that do not require special details. This study aims to develop a classification model of Samarinda sarong texture based on the loom (machine and non-machine) using the Deep Learning method. This model is expected to help, increase the selling value of Samarinda sarongs, preserve and promote traditional fabrics In this context, the choice between DenseNet121 and VGG16 can depend on user preferences or specific needs, such as computing speed or model size.
Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier Hidayat, Hidayat; Sunyoto, Andi; Al Fatta, Hanif
Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan) Vol. 7 No. 1 (2023): Volume VII - Nomor 1 - September 2023
Publisher : Teknik Informatika, Sistem Informasi dan Teknik Elektro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47970/siskom-kb.v7i1.464

Abstract

Abstract— Penelitian ini bertujuan untuk meningkatkan peforma model saat melakukan klasifikasi peyakit jantung. Algoritma random fores digunakan untuk melakukan klasifikasi peyakit jantung berdasarkan fitur-fitur yang ada pada dataset. Klasifikasi ini dilakukan dengan menggunakan Heart Disease Dataset dari kaggle yang mempunyai 2 class diantaranya 0 (tidak terindikasi penyakit), dan 1 (terindikasi penyakit). Selanjutnya dataset tersebut dilakukan teknik pre-prosessing data, normalisasi data, split data, klasifikasi dan yang terakhir evaluasi metode. Penelitian ini mengungkapkan bahwa metode random forest berhasil menghasilkan tingkat akurasi yang lebih tinggi dalam proses klasifikasi penyakit jantung, dibandingkan dengan hasil penelitian sebelumnya yaitu mencapai akurasi sebesar 94%. Hal ini menunjukkan bahwa penggunaan Random forest dibantu dengan teknik pre-prosessing, dan normalisasi data dapat menjadi alternatif yang baik dalam melakukan klasifikasi. Penelitian ini memberikan manfaat saat klasifikasi penyakit jantung secara cepat dan akurat. Keywords —Penyakit Jantung, Random Forest
Classification of Tea Leaf Diseases Based on ResNet-50 and Inception V3 Trihardianingsih, Liana; Sunyoto, Andi; Tonny Hidayat
Sinkron : jurnal dan penelitian teknik informatika Vol. 7 No. 3 (2023): Article Research Volume 7 Issue 3, July 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v8i3.12604

Abstract

Technological advances have made a major contribution to controlling plant diseases. One method for resolving issues with plant disease identification is the use of deep learning for digital image processing. Tea leaf disease is a plant disease that requires fast and effective control. So, in this study, we adopted the Convolutional Neural Network (CNN) architectures, namely ResNet-50 and Inception V3, to classify six types of diseases that attack leaves. The amount of data used was 5867, which were divided into six classes, namely healthy leaf, algal spot, brown blight, gray blight, helopeltis, and red spot. The process of distributing the data involves randomly splitting it into three portions, with an allocation of 80% for training, 10% for validation, and 10% for testing. The process of classification is carried out by adjusting the use of batch sizes in the training process to maximizehyperparameters. The batch sizes used are 16, 32, and 64. Using three different batch size scenarios for each model, it shows that ResNet-50 has better performance on batch size 32 with an accuracy value of 97.44%, while Inception V3 has the best performance on batch size 64 with an accuracy of 97.62%..
Image Augmentation for BreaKHis Medical Data using Convolutional Neural Networks Isthigosah, Maie; Sunyoto, Andi; Hidayat, Tonny
Sinkron : jurnal dan penelitian teknik informatika Vol. 7 No. 4 (2023): Article Research Volume 7 Issue 4, October 2023
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/sinkron.v8i4.12878

Abstract

In applying Convolutional Neural Network (CNN) to computer vision tasks in the medical domain, it is necessary to have sufficient datasets to train models with high accuracy and good general ability in identifying important patterns in medical data. This overfitting is exacerbated by data imbalances, where some classes may have a smaller sample size than others, leading to biased predictive results. The purpose of this augmentation is to create variation in the training data, which in turn can help reduce overfitting and increase the ability of the model to generalize. Therefore, comparing augmentation techniques becomes essential to assess and understand the relative effectiveness of each method in addressing the challenges of overfitting and data imbalance in the medical domain. In the context of the research described, namely a comparative analysis of augmentation performance on CNN models using the ResNet101 architecture, a comparison of augmentation techniques such as Image Generator, SMOTE, and ADASYN provides insight into which technique is most suitable for improving model performance on limited medical data. By comparing these techniques' accuracy, recall, and overall performance results, research can identify the most effective and relevant techniques in addressing the challenges of complex medical datasets. This provides a valuable guide for developing better CNN models in the future and may encourage further research in developing more innovative augmentation methods suitable for the medical domain.
Co-Authors *, Pramono A.A. Ketut Agung Cahyawan W Aam Shodiqul Munir Abdul Jalil Rozaqi Abdul Jalil Rozaqi Abdul Mizwar A. Rahim Abidarin Rosidi Abidarin Rosidi Ade Kurniawan kurniawan Ade Pujianto Afis Julianto Afis Julianto Agus Harjoko Agus Harjoko AGUS PURWANTO Ahmad Sanusi Mashuri Aidina Ristyawan, Aidina Alva Hendi Muhammad Alva Hendi Muhammad Alva Hendi Muhammad Muhammad Ana Wati Ndarbeni Anna Baita Annas Al Amin Arif Sutikno Asro Nasiri Asro Nasiri Asro Nasiri Astria, Kadek Kiki B, Arijal Bambang Soedijono Bambang Soedijono WA Banu Dwi Putranto Bayu Anugerah Putra Bayu Setiaji Bonifacius Vicky Indriyono Bonifacius Vicky Indriyono, Bonifacius Vicky Cahyo, D. Diffran Nur Dhanar Intan Surya Saputra Diansyah, Ahmad Febri Dwi Sari Widyowaty Dwi Yuli Prasetyo Eka Yulia Sari Eko Pramono Eko Pramono Ema Utami Emha Taufiq Luthfi Emha Taufiq Luthfi Ferry Wahyu Wibowo Ferry Wahyu Wibowo Firdiyan Syah Fitri Handayani Gagah Gumelar Gori, Takhamo Hani Atun Mumtahana Hani Atun Mumtahana Hani Setiani Hanif Al Fatta Hanif Al Fatta Hanif Al Fatta Hanif Al Fatta Harianto, Harianto Hidayat Hidayat Ibnu Hadi Purwanto Ikhwan Baidlowi Sumafta Ikmah Ikmah Indah Nofikasari Indra Irawanto Ismail, Muhamad Yusuf Isthigosah, Maie K Kusrini Kapti . kurniawan, Ade Kurniawan Kurniawan, Mei P Kusnawi Kusnawi Kusnawi Kusnawi Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Kusrini Liana Trihardianingsih Licantik M rudyanto Arief M. Afriansyah M. Hanafi M. Rudyanto Arief M. Suyanto M. Suyanto, M. M. Syukri Mustafa Maie Istighosah Mei P. Kurniawan Mohammad Suyanto Mudawil Qulub Muhammad Rudyanto Arief Muhammad Setiyawan Muhammad, Anva Hendi Muhartini, Sitti Mumtahana, Hani Atun Mursyid Ardiansyah Nalendra, Adimas Ketut Nasiri, Asro Nizar Haris Masruri Ni’matur Rohim Noordin Asnawi Norlaila2 Nugraha, Anggit Ferdita Nulngafan, Nulngafan Nur Arifin Akbar Parsiyono Parsiyono Patmawati Patmawati, Patmawati Pramono * Putranto, Dinar Wakhid Quratul Ain Rafli Junaidi Kasim Rahim Jamal Rahmat Hidayat Raynaldi Fatih Amanullah Ria Andriani Rifda Faticha Alfa Aziza Rifqi Mulyawan Riyanto, Thomas Pramuji Singgih Riza Marsuciati Rizfi Syarif Rizky Arya Kurniawan Rudi Prietno Sahirul Muklis Saiful Bahri Salmuasih - Samsul Bahri Sari, Rita Novita Setiawan Budiman Sholihin, Iasya Silvi Agustanti Bambang Singgih Arif Widodo Slamet Triyanto Soedijono W A, Bambang Sudarmawan Sudarmawan Sudarmawan, Sudarmawan Sudiana Sudiana Sukresno Sukresno Sulistyowati Sulistyowati Suliswaningsih Suliswaningsih Supomo, Eko Sutejo, Danang Syah, Firdiyan Syah, Firdiyan Syukirman Amir TONNY HIDAYAT Tribiakto, Herlandro Ulinuha, Hinova Rezha W., Bambang Soedijono WA, Bambang Soedijono Wahyu Caesarendra Wahyu Hidayat Wihayati, Wihayati Windarni, Vikky Aprelia Windha Mega Pradnya Dhuhita Wing Wahyu Winarno Yoga Dwi Pambudi Yoga Pristyanto Yohanes Setyo Prabowo, Yohanes Setyo Yusuf Sutanto Zaipin, Zaipin