Article Per Year (5 Year)
p-Index From 2020 - 2025
3.548
P-Index
This Author published in this journals
All Journal KREDO : Jurnal Ilmiah Bahasa dan Sastra KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Jurnal ICT : Information Communication & Technology JALL (Journal of Applied Linguistics and Literacy) Jurnal Informatika dan Rekayasa Perangkat Lunak Jurnal Edukasi (Ekonomi, Pendidikan dan Akuntansi) JATI (Jurnal Mahasiswa Teknik Informatika) SOSIOLOGI: Jurnal Ilmiah Kajian Ilmu Sosial dan Budaya Instal : Jurnal Komputer BULLET : Jurnal Multidisiplin Ilmu AMMA : Jurnal Pengabdian Masyarakat
Narasati, Riri Narasati
STMIK IKMI Cirebon
Arts Humanities Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Nursing Social Sciences Other

Published : 27 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 27 Documents
Search

 1   2   3 
IMPLEMENTASI ALGORITMA NAIVE BAYES UNTUK ANALISIS SENTIMEN ULASAN PRODUK MAKANAN DAN MINUMAN DI TOKOPEDIA Hajaroh, Hajaroh; Suprapti, Tati; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8237

Abstract

Analisis sentimen adalah proses evaluasi dan pemahaman terhadap pendapat, perasaan,atau sentiment yang terkandung dalam teks,ulasan,atau komunikasi yang diungkapkan oleh individu atau kelompok. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam analisis sentimen terhadap ulasan produk makanan dan minuman di platform e-commerce Tokopedia. Melalui metode Knowledge Discovery in Databases (KDD), langkah pertama penelitian adalah memahami dan memproses data yang diperoleh dari sumber data terbuka yaitu Kaggle Data ulasan pelanggan dikumpulkan dan dieksplorasi untuk memahami distribusi sentimen serta dilakukan preprocessing data untuk mempersiapkan dataset pelatihan. Algoritma Naive Bayes diterapkan untuk mengklasifikasikan ulasan produk ke dalam tiga kategori sentimen: positif, negatif, dan netral. Hasil evaluasi kinerja model menunjukkan tingkat Accuracy sebesar 75.90%. Sementara itu, Presisi sebesar 66.45% dan recall sebesar 97.42% turut menjadi sorotan penting. Penelitian ini memberikan pemahaman yang lebih mendalam terkait distribusi sentimen dalam ulasan makanan dan minuman di Tokopedia, menunjukkan mayoritas sentimen yang positif. Hasil ini mengindikasikan bahwa algoritma Naive Bayes dapat menjadi instrumen efektif untuk menganalisis sentimen produk di platform e-commerce, memberikan landasan bagi pengembangan strategi bisnis yang lebih cermat dan responsif terhadap preferensi pelanggan.
ANALISIS SENTIMEN DATA ULASAN PENGGUNA APLIKASI GOOGLE KELAS PADA GOOGLE PLAY STORE MENGGUNAKAN ALGORITMA NAÏVE BAYES Nurwahidah, Dalilah; Dwilestari, Gifthera; Dienwati Nuris, Nisa; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8245

Abstract

Dalam era digital yang semakin berkembang, aplikasi Google Kelas telah menjadi salah satu platform utama untuk pembelajaran jarak jauh di Indonesia. Namun, pemahaman tentang sentimen pengguna terhadap aplikasi ini menjadi krusial dalam meningkatkan kualitas layanan Pendidikan online. Oleh karena itu, tujuan dari penelitian ini adalah untuk menganalisis sentimen dari data ulasan pengguna Aplikasi Google Kelas di Indonesia yang tersedia di Google Play Store.Data yang digunakan dalam penelitian ini akan diperoleh dari ulasan pengguna Aplikasi Google Kelas yang telah dipublikasikan di Google Play Store. Data tersebut mencakup beragam aspek, seperti penilaian pengguna, komentar dan saran yang akan digunakan untuk analisis sentimen.Penelitian ini akan mengikuti beberapa tahapan. Tahap awal adalah pengumpulan data dari ulasan pengguna. Selanjutnya, data akan dibersihkan dan diproses untuk analisis sentiment. Metode Naïve Bayes digunakan untuk mengklasifikasikan sentimen ulasan menjadi positif, negatif atau netral. Analisis sentimen melibatkan pemahaman lebih mendalam tentang persepsi pengguna terhadap aplikasi Google Kelas. Proses penelitian ini melibatkan pengolahan data, pelatihan model Naïve Bayes, evaluasi model dan analisis hasil. Data ulasan diproses untuk menghasilkan fitur- fitur yang relevan, dan kemudian model Naïve Bayes dilatih menggunakan data tersebut. Evaluasi model memastikan keakuratan analisis sentiment.Dengan menyelesaikan penelitian ini, diharapkan dapat memahami lebih baik bagaimana penguna di Indonesia merasakan aplikasi Google Kelas. Berdasarkan hasil penelitian yang telah dilakukan, hasil analisis sentimen pengguna aplikasi google kelas menghasilkan akurasi 82%, presisi 82%, recall 82% dan F-1 Score 81%. Dapat disimpulkan bahwa klasifikasi algoritma naïve bayes bisa digunakan untuk analisis sentimen aplikasi Google Kelas.
ANALISIS SENTIMEN KOMENTAR POLITIK DI MEDIA SOSIAL X DENGAN PENDEKATAAN DEEP LEARNING Liawati, Ayu; Narasati, Riri; Solihudin, Dodi; Lukman Rohmat, Cep; Eka Permana, Sandy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8248

Abstract

Media sosial, sebagai platform utama interaksi dan berbagi informasi, memberikan peluang bagi Masyarakat untuk mengungkapkan sudut pandang mereka. Salah satu contoh yang popular adalah media sosial X, suatu jejaring sosial yang memungkinkan penggunanya berbagi pesan singkat yang mencakup teks, gambar, video, dan tautan. Dampak media sosial sangat terasa, khususnya dalam konteks politik di mana penyebaran informasi dan alur komunikasi semakin mudah. Meskipun demikian, adanya peristiwa negatif seperti penyebaran informasi palsu dan ujaran kebencian memberikan tantangan yang perlu diatasi melalui analisis sentimen. Media sosial memainkan peran penting dalam membentuk opini publik. Proses penggalngan dukungan melalui media sosial X telah mempercepat penyebaran pesan politik. Oleh karena itu, analisis sentimen menjadi penting untuk memahami pandangan dan sikap masyarakat di media sosial terkait isu-isu tertentu. Maka berfokus pada analisis sentimen terhadap komentar politik di media sosial X dengan menggunakan metode Convolutional Neural Network (CNN) pemanfaatan model pelatihan Word2Vec. Analisis ini menunjukan bahwa model yang digunakan mampu memberikan hasil analisis sentimen dengan kinerja yang memuaskan, memberikan pemahaman yang lebih mendalam mengenai pandangan masyarakat terhadap permasalahan politik. Implikasi hasil ini dapat memberikan arahan bagi pengambil keputusan politik dan praktis yang tertarik memanfaatkan teknik deep learning dalam menganalisis sentimen, bukan hanya dalam konteks politik, melainkan juga dalam berbagai disiplin lainnya. Hasil yang telah dilakukan dengan menggunakan algoritma Convulation Neural Network menunjukan nilai akurasi tebaik yaitu 81%.
PENERAPAN ALGORITMA DECISION TREE BERBASIS POHON KEPUTUSAN DALAM KLASIFIKASI PENYAKIT JANTUNG Antika, Rindi; Rifa’I, Ahmad; Dikananda, Fatihanursari; Indriya Efendi, Dendy; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8264

Abstract

Deteksi dini penyakit jantung merupakan tantangan besar dalam dunia medis karena seringkali terkait dengan rendahnya akurasi dalam mengklasifikasikan kondisi jantung. Banyak orang baru menyadari bahwa mereka menderita penyakit jantung ketika telah mencapai tahap yang sangat parah. Kondisi ini mengakibatkan penanganan medis terlambat dan berpotensi membahayakan nyawa. Rendahnya akurasi dalam mengklasifikasikan penyakit jantung menciptakan kesulitan, dimana model atau algoritma klasifikasi mungkin kesulitan membedakan dengan tepat antara jenis-jenis penyakit jantung yang berbeda. Pengembangan teknologi diagnostik merupakan faktor penting dalam meningkatkan kemampuan untuk mendeteksi kondisi jantung lebih awal. Oleh karena itu, upaya untuk meningkatkan akurasi dalam mengklasifikasikan penyakit jantung memegang peranan besar dalam penanganan yang lebih efektif. Studi ini akan menerapkan pendekatan Knowledge Discovery in Databases (KDD) yang melibatkan serangkaian langkah sistematis dalam melakukan analisis data. Dari hasil penerapan algoritma Decision Tree dalam klasifikasi penyakit jantung diperoleh Accuracy sebesar 93.44%, Recall sebesar 75%, Precision sebesar 90% dan F1-Score sebesar 81.81%. Dalam penelitian selanjutnya diharapkan untuk mencoba eksplorasi metode tuning hyperparameter pada algoritma decision tree untuk melihat apakah peningkatan performa lebih lanjut dapat dicapai. Dalam penelitian selanjutnya diharapkan mencoba eksplorasi penggunaan algoritma lain seperti Random Forest, Support Vector Machines (SVM), atau Neural Networks untuk melihat apakah terdapat peningkatan performa dalam klasifikasi penyakit jantung.
KOMPARASI ALGORITMA DECISION TREE DAN NAIVE BAYES DALAM KLASIFIKASI PENYAKIT DIABETES Maulana, Rizky; Narasati, Riri; Herdiana, Ruli; Hamonangan, Ryan; Anwar, Saeful
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8265

Abstract

Rata-rata nilai akurasi klasifikasi penyakit diabetes adalah sebesar 82%. Meskipun demikian, nilai tersebut masih kurang baik. Karena nilai akurasi tersebut masih dibawah rata-rata yaitu 85%. Masalah utama muncul karena tingkat akurasi yang kurang baik dapat menimbulkan risiko kesalahan yang signifikan dalam mengidentifikasi penyakit diabetes. Kecenderungan nilai rata-rata yang rendah ini menunjukkan adanya hambatan dalam keandalan sistem klasifikasi penyakit diabetes. Penelitian ini menerapkan metode Knowledge Discovery in Databases (KDD). Adalah sebuah teknik yang dipakai untuk mengeksplorasi dan memperoleh pemahaman yang mendalam pada suatu database. Tujuan utama pada tahapan KDD adalah menghasilkan informasi yang dapat digunakan sebagai landasan untuk pengambilan keputusan. Hasil penelitian menandakan bahwa Naive Bayes mencapai tingkat keakuratan yang lebih baik sebesar 91.56%. Sedangkan, Decision Tree memiliki tingkat akurasi 87.01%. Dari evaluasi ini, dapat disimpulkan bahwa Naive Bayes menghasilkan kinerja yang lebih unggul dalam klasifikasi penyakit diabetes pada dataset yang digunakan dibandingkan dengan Decision Tree.
PENERAPAN ALGORITMA FP-GROWTH UNTUK MENENNTUKAN POLA PENJUALAN PRODUK ELEKTRONIK Febiyanto, Anggi; Faqih, Ahmad; Herdiyana, Ruli; Dienwati Nuris, Nisa; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 6 (2023): JATI Vol. 7 No. 6
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i6.8286

Abstract

Di era perkembangan pasar yang pesat, analisis pola penjualan sangat penting untuk meningkatkan efisiensi dan keuntungan perusahaan salah satunya perusahaan yang menjual produk elektronik. Produk elektronik mengacu pada berbagai perangkat dan perlengkapan yang menggunakan teknologi elektronik untuk berfungsi. Elektronik mencakup berbagai kategori, mulai dari perangkat konsumen seperti telepon seluler dan televisi hingga peralatan industri seperti sensor dan sistem kendali otomatis. Dalam suatu toko kerap kali terjadi masalah over stock, kehabisan stock, dan tata letak barang yang tidak beraturan dikarenakan pihak toko tidak mengetahui pola penjualan barang. Penelitian ini bertujuan untuk mengidentifikasi pola penjualan produk elektronik di toko Sinar Mentari menggunakan algoritma analisis data. Penulis menggunakan metode pemrosesan data tingkat lanjut untuk mengekstrak informasi berharga dari data penjualan dalam jumlah besar.Di era pesatnya perkembangan e-commerce, analisis pola penjualan sangat penting untuk meningkatkan efisiensi dan keuntungan perusahaan. Penelitian ini mengidentifikasi pola penjualan produk elektronik di toko Sinar Mentari menggunakan algoritma FP-Grow. Langkah pertama yaitu mengumpulkan dan membersihkan data penjualan elektronik dari Toko Sinar Mentari. Selanjutnya, menerapkan algoritma FP-Grow untuk mengidentifikasi pola pembelian serupa dan mengelompokkan produk berdasarkan perilaku pembelian pelanggan. Dengan cara ini Penulis dapat mengidentifikasi tren penjualan, penawaran paket hemat, preferensi pelanggan dan tata letak barang. Penelitian ini menghasilkan kombinasi pola penjualan produk elektronik yang sudah dilakukan perhitungan menggunakan RapidMiner, hasil kombinasi pola penjualannya yaitu : apabila pelanggan membeli Colokan Lubang 4 maka pelanggan juga akan membeli Kabel Transparant dengan nilai support 32,5 % dan nilai confidance 53,7 %penelitian ini diharapkan dapat memberikan wawasan tentang pola penjualan produk elektronik Toko Sinar Mentari, memberikan informasi dalam pengambilan keputusan, dan meningkatkan daya saing di pasar e-commerce yang sangat kompetitif.
PENGELOMPOKAN KASUS PENYAKIT MALARIA BERDASARKAN KABUPATEN DI PROVINSI JAWA BARAT DENGAN ALGORITMA K-MEDOIDS Nur alamsyah, Deri; Narasati, Riri; Solihudin, Dodi; Rifa’i, Ahmad
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.8343

Abstract

Penyakit malaria, disebabkan oleh parasit dari genus Plasmodium melalui gigitan nyamuk Anopheles Dampaknya melibatkan peningkatan kematian pada kelompok rentan seperti bayi, anak di bawah lima tahun, dan ibu melahirkan, sambil merugikan produktivitas kerja dan mengancam citra politis negara. Penderita utamanya berasal dari daerah pedesaan dan ekonomi lemah. Tujuan penelitian ini adalah mengidentifikasi tingkat keparahan kasus malaria berdasarkan provinsi menggunakan teknik data mining K-medoids dengan aplikasi RapidMiner. Dari hasil analisis, 24 provinsi teridentifikasi dengan tingkat penyakit malaria tertinggi, termasuk di jawa barat Rekomendasi diberikan agar pemerintah memberikan perhatian khusus pada provinsi-provinsi ini untuk mendukung upaya penanggulangan penyakit malaria. Tujuan dan manfaat dari penelitian ini adalah untuk memberikan pengetahuan mengenai hasil dari analisis menggunakan metode k-medoids selain itu untuk memberikan kontribusi dalam mendalami pengelompokan pada kasus penyakit malaria di kabupaten berdasarkan provinsi.
PENERAPAN ALGORITMA NAIVE BAYES TERHADAP ANALISIS SENTIMEN APLIKASI GAME MULTIPLAYER ONLINE BATTLE ARENA: STUDI KASUS : MOBILE LEGEND Fazrian, Vivi; Suprapti, Tati; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8432

Abstract

Game Multiplayer Online Battle Arena (MOBA) telah menjadi fenomena global, dengan jutaan pemain berpartisipasi dalam pengalaman bermain game. Dalam konteks ini, Mobile Legends, salah satu game MOBA yang mendominasi pangsa pasar game online, menjadi fokus penelitian ini. Penelitian ini bertujuan untuk mempelajari reaksi dan pengalaman pengguna Mobile Legends melalui analisis sentimen menggunakan algoritma Naive Bayes.Penelitian ini bertujuan untuk mengadakan analisis sentimen terhadap aplikasi peramainan Multiplayer Online Battle Arena (MOBA) dengan menerapkan algoritma Naive Bayes. Fokus utama penelitian ini adalah pada studi kasus aplikasi peraminan yang sangat populer, yaitu” Mobile Legends”. Mobile Legends merupakan permainan MOBA yang merajai pasar permainan online dengan jutaan pemain aktif di seluruh dunia. Penelitian ini menggunakan metode analisis sentimen dengan algoritma Naive Bayes, sebuah pendekatan klasifikasi probalistik yang sering digunakan dalam analisis teks dan pengolahan bahasa alami. Algoritma ini efisien dalam mengidentifikasi sentimen positif, negatif, atau netral dalam teks pengguna. Data yang digunakan dalam penelitian ini terdiri dari ulasan dan komentar pemain Mobile Legends yang diperoleh dari berbagai pernyataan, termasuk pengguna permainan, media sosisal, dan toko aplikasi. Hasil analisis sentimen diharapkan dapat memberikan wawasan mendalam tentang bagaimana pemain Mobile Legends merespons dan mengalami permainan ini. Informasi ini menjadi sangat berharga bagi pengembangan permainan untuk meningkatkan kualitas dan fitur permainan, sejalan dengan umpan balik pengguna. Penelitian ini juga memberikan kontribusi pada pemahaman lebih lanjut tentang sejauh mana aplikasi game, seperti Mobile Legends, memengaruhi perasaan dan presepsi pengguna. Dengan memahami sentimen pengguna, pengelola dan pengembangan aplikasi game memperbaiki kelemahan, meningkatkan kepuasan pengguna, dan mempertahankan daya saing di pasar game yang sangat dinamis. Dalam praktiknya nanti ditemukan bahwa nilai akurasi yang dihasilnya terbilang sangat baik yakni berkisar 98,96 % yang mana angka ini merupakan hasil terbaik bila dibandingkan dengan penelitian yang kami ulas di literatur.
OPTIMASI ANALISIS DATA KEPUASAN PELANGGAN CV MEGA BAJA BINTARO DENGAN PENERAPAN ALGORITMA X-MEANS CLUSTERING Adniana, Royana; Solihudin, Dodi; Narasati, Riri
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8722

Abstract

Dalam menghadapi persaingan ketat di industri baja, CV Mega Baja Bintaro dituntut memahami preferensi dan perilaku konsumennya. Pemahaman mendalam tentang keragaman dan perubahan pola pelanggan penting untuk memberikan layanan terbaik dan mempertahankan loyalitas. Namun, keterbatasan dalam memahami dinamika konsumen kerap menjadi tantangan. Penelitian ini bertujuan menganalisis data kepuasan pelanggan di CV Mega Baja Bintaro dengan metode klasterisasi X-Means. Fokusnya adalah memanfaatkan X-Means untuk mengelompokkan data berdasarkan kesamaan karakteristik. X-Means mampu menentukan jumlah cluster secara otomatis berdasarkan pola data. Metode penelitian menerapkan algoritma X-Means pada data survei kepuasan pelanggan karena kemampuannya membagi cluster dengan Bayesian Information Criterion (BIC). Analisis Davies Bouldin Index (DBI) mengidentifikasi partisi cluster terbaik dan evaluasi karakteristiknya. Hasil penelitian diharapkan memberi wawasan tentang strategi peningkatan kepuasan pelanggan dan pengambilan keputusan oleh manajemen. Dari segi keilmuan, penelitian ini berkontribusi pada pengembangan metode X-Means. Hasil klasterisasi membentuk 19 cluster dengan tingkat kepuasan bervariasi dari 502 data survei.
PENERAPAN ALGORITMA K-MEDOID PADA PENJUALAN KERUDUNG E-COMMERCE SHOPEE: FIFAU HIJAB Narasati, Riri; Lestari, Ratih; Herdiana, Ruli; Hamonangan, Ryan; Anawar, Saeful
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.9213

Abstract

Perkembangan teknologi informasi dan komunikasi telah membawa dampak signifikan terhadap berbagai sektor, termasuk dalam ranah bisnis dan perdagangan. Penjualan melalui platform e-commerce semakin berkembang pesat dengan munculnya berbagai strategi pemasaran yang inovatif. Seiring dengan popularitas e-commerce yang terus meningkat, penjualan produk melalui platform daring menjadi salah satu strategi penting bagi para pelaku usaha. Di tengah persaingan yang semakin ketat, penerapan strategi pemasaran yang efektif menjadi kunci utama bagi kesuksesan penjualan. Penelitian ini menggunakan teknik clustering dalam strategi pemasaran data mining. Clustering merupakan salah satu teknik dalam data mining untuk menemukan kumpulan data yang mempunyai persamaan dengan data lain atau ketidaksamaan data dengan yang lain. Proses clustering dilakukan dengan menggunakan k-medoids pada data transaksi penjualan toko kerudung fifauhijab di Shopee pada bulan Juni 2023 dan terdiri dari 300 data. Permasalahan yang ada pada penelitian ini untuk menentukan stok produk hanya didasarkan pada ketersediaan barang di rak kerudung, yang seringkali menghasilkan masalah seperti kekurangan atau kelebihan stok produk karena tidak mempertimbangkan preferensi konsumen. Pendekatan yang digunakan pada penelitian ini menggunakan algoritma k-medoids clustering, software yang digunakan rapidminer. Disimpulkan dari hasil pengujian dengan menggunakan algoritma k-medoids clustering dihasilkan untuk pengelompokkan stok produk mendapati hasil 8 cluster terbaik dengan nilai davies bouldin 0.457.
Co-Authors Ade Rizki Rinaldi Aditia Adniana, Royana Ahmad Faqih Amalia, Dita Rizki Anawar, Saeful Antika, Rindi Aulia Putri, Adinda Ayu Febriaan Lesmana, Alfira Chaidir Ali Dienwati Nuris, Nisa Dikananda, Fatihanursari Edi Tohidi Eka Permana, Sandy Fajar, Achmad Fazrian, Vivi Febiyanto, Anggi Gifthera Dwilestari Haekal Susanto, Ahmad Hajaroh, Hajaroh Hamonangan, Ryan Herdiana, Ruli Herdiyana, Ruli Hery Widijanto Imam Arifin Indriya Efendi, Dendy Lestari, Ratih Liawati, Ayu Lukman Rohmat, Cep Muhamad Sulaiman Mulyawan Nining Rahaningsih Nur alamsyah, Deri Nuraini, Asyifa Nurwahidah, Dalilah Nuryadi Raditya Danar Dana Riandy Yudistira Rifa’I, Ahmad Rizky Maulana, Rizky Rudi Kurniawan Ruli Herdiana Saeful Anwar Saeful Anwar, Saeful Sandy Eka Permana Solehudin, Dodi Solihudin, Dodi Sri Nurmala, Ai Syarif Maulana Yaasin Tati Suprapti Yati Ningrum, Riska