Article Per Year (5 Year)
p-Index From 2021 - 2026
4.728
P-Index
This Author published in this journals
All Journal Jurnal Simetris E-Dimas: Jurnal Pengabdian kepada Masyarakat JOURNAL OF APPLIED INFORMATICS AND COMPUTING Jurnal DISPROTEK Jurnal Informatika dan Rekayasa Elektronik Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi) Jurnal Abdi Insani JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) TIN: TERAPAN INFORMATIKA NUSANTARA Abdi Kami : Jurnal Pengabdian Kepada Masyarakat Jurnal Scientia JINAV: Journal of Information and Visualization Journal of Dinda : Data Science, Information Technology, and Data Analytics SPEED - Sentra Penelitian Engineering dan Edukasi International Journal Software Engineering and Computer Science (IJSECS) Jurnal Minfo Polgan (JMP) Jurnal WIDYA LAKSMI (Jurnal Pengabdian Kepada Masyarakat) Formosa Journal of Applied Sciences (FJAS) Innovative: Journal Of Social Science Research Jurnal Pengabdian Harapan Bangsa Journal of Social Work and Empowerment Jurnal Indonesia : Manajemen Informatika dan Komunikasi TECHNOVATE
Wibowo, Gentur Wahyu Nyipto
Universitas Islam Nahdlatul Ulama Jepara
Religion Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Public Health Social Sciences Veterinary Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 36 Documents
Search

 1   2   3   4 
Penerapan Sistem Simple Additive Weighting (SAW) dalam Pendukung Keputusan Sistem Kontrak Kerja pada PT. Chia Jiann Furniture Indonesia Yatusifa, Cecilia; Wibowo, Gentur Wahyu Nyipto; Sarwido
Jurnal Indonesia : Manajemen Informatika dan Komunikasi Vol. 5 No. 3 (2024): September
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.v5i3.1026

Abstract

Pengambilan keputusan terkait kontrak kerja merupakan aspek yang krusial dalam operasional manajemen perusahaan seringkali terjadi di berbagai sistem penilaian dan kriteria penilaian perusahaan masih banyak dilakukan secara subyektif ataupun manual hal ini dapat dicegah dengan mengingat perkembangan informasi yang semakin berkembang. Dalam upaya untuk meningkatkan proses pengambilan keputusan yang efektif dan efisien, penerapan metode Simple Addative Weighting (SAW) telah menjadi pendekatan yang digunakan dalam sistem pengambilan keputusan (SPK) dalam menajemen. Penelitian ini bertujuan untuk menerapkan SAW dalam konteks pengambilan keputusan sistem kontrak kerja di PT. Furnitur Chia Jiann Indonesia. Dengan melakukan penilaian kinerja karyawan. Perusahaan akan mengetahui apakah target karyawan yang dipertahankan selama ini tercapai atau belum. Pada PT. Chia Jiann masih dilakukan secara manual , maka penulis membuat aplikasi sistem pendukung keputusan kontrak kerja menggunakan metode Simple Addative Weighting (SAW) , konsep dasar metode ini adalah mencari jumlahan terbobot dari rating kinerja pada setiap alternatife pada semua atribut. Metode SAW akan melakukan perangkingan terhdapan atribut dengan bobot yang berbeda-beda secara optimal dan efektif. Adapun hasil perhitungan menunjukkan bahwa karyawan dengan nilai preferensi tertinggi adalah A4 (0,96), diikuti oleh A1 (0,76), A3 (0,748), A5 (0,59), dan A2 (0,529). Berdasarkan nilai preferensi, karyawan dengan nilai tertinggi, yaitu A4, A1, dan A3, direkomendasikan untuk memperpanjang kontraknya, sedangkan A5 dan A2 tidak memperpanjang kontraknya
Analisis Tekstur Fraktal untuk Pengenalan Motif Batik dengan Metode SVM-RBF Tamrin, Teguh; Pramunendar, Ricardus Anggi; Wibowo, Gentur Wahyu Nyipto; Haydar, Muhammad Rifqi Fajrul; Nugroho, Muhammad Bayu
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 15, No 2 (2024): JURNAL SIMETRIS VOLUME 15 NO 2 TAHUN 2024
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v15i2.11175

Abstract

This research discusses the recognition and classification of batik motifs using the Fractal Texture Analysis-based Segmentation (SFTA) method integrated with Support Vector Machine (SVM). Batik, as an Indonesian cultural heritage, is the art of painting silk cloth with various motifs and patterns that reflect cultural values. To address the challenge of recognizing diverse batik motifs, this study proposes a fractal-based approach for extracting features from batik images. This method measures the fractal dimension of the image using the Box Counting Method, allowing it to depict unstructured organic textures with high precision. The extracted fractal features are then processed using various feature selection methods such as Chi-Square, Mutual Information, Variance Threshold, and others. Experimental results show that the "Dispersion Ratio" feature selection method achieves the highest accuracy of approximately 69.93% with SVM-RBF parameters (C=80), demonstrating its ability to identify relevant features for batik motif recognition. These findings make a significant. 
Analisis User Experience Pada Game Mobile Legends dengan Menggunakan Metode System Usability Scale Nanda, Meindita Andriano; Kusumodestoni, R. Hadapiningradja; Wibowo, Gentur Wahyu Nyipto
TIN: Terapan Informatika Nusantara Vol 5 No 4 (2024): September 2024
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v5i4.5901

Abstract

The most popular game today is a mobile game, because it can be played anytime and anywhere, in the case of Mobile Legend Bang-Bang which has been used by more than one million users. Mobile Legend is one of the MOBA (Multiplayer Online Battle Arena) games, MOBA games are online games that combine RPG (Role Playing Game) and RTS (Real Time Strategy) to test the user experience based on usability using the System Usability Scale (SUS) method. (SUS) is one of the usability testing methods to obtain significant analysis results, questionnaires are given to 100 respondents who have been selected based on active users of Mobile Legends Bang-Bang in order to get a representative score result. This study aims to e.valuate the experience and feelings of player users using the Game Experience Questionnaire (GEQ) instrument. GEQ only focuses on the user's experience and feelings while playing. The results of the GEQ based on three modules, namely the Core Module, Social Presence Module and Post Game Module, showed good results in each dimension, such as in the dimensions of Positive Affect, Competence, Immersion, Empathy and Positive Experience, proving that respondents enjoyed the game by feeling that they could finish the game easily and did not feel negative impacts. With the calculation of data obtained based on the score results calculated based on the calculation formula of the System Usability Scale method, if the score result is less than 68, Mobile Legend needs a more significant improvement in terms of its usability.
Comparative Analysis of Linear Regression, Decision Tree and Gradient Boosting for Predicting Stock Price of Bank Rakyat Indonesia Rahma Dwi Ningsih; Sarwido Sarwido; Gentur Wahyu Nyipto Wibowo
Indonesian Journal of Data Science, IoT, Machine Learning and Informatics Vol 4 No 2 (2024): August
Publisher : Research Group of Data Engineering, Faculty of Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/dinda.v4i2.1566

Abstract

An investment is the placement of a current amount of funds in the hope of generating a profit in the future. There are several types of investments, including stocks, which are attractive options as they can bring a huge return to investors. However, rapidly fluctuating stock prices are influenced by various factors, such as company performance, interest rates, economic conditions, and government policies. In Indonesia, PT Bank Rakyat Indonesia Tbk (BBRI) had the largest profit among the 10 largest banks by the end of March 2024, with a profit of IDR 13.8 trillion. The higher the bank's return, the greater the investor's interest in purchasing the stock, influencing the stock price. The goal of stock price prediction is to forecast the stock's future price in order to increase investors' potential profits. Various methods, such as Linear Regression, Decision Tree, and Gradient Boosting, have been developed for stock price prediction. Comparative analysis is needed to determine the most accurate method in predicting the stock price of People's Bank of Indonesia, using Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), and R-squared metrics (R2). The analysis showed that Linear Regression achieved the highest accuracy with R2 of 0.96, MAE of 65.72 and RMSE of 86.74 compared to the Decision Tree and Gradient Boosting models.
Integration of RFM Method and K-Means Clustering for Customer Segmentation Effectiveness Nafissatus Zahro; Nadia Annisa Maori; Gentur Wahyu Nyipto Wibowo
Indonesian Journal of Data Science, IoT, Machine Learning and Informatics Vol 5 No 1 (2025): February
Publisher : Research Group of Data Engineering, Faculty of Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/dinda.v5i1.1649

Abstract

Penelitian ini bertujuan untuk mengintegrasikan metode RFM dan K-Means Clustering untuk segmentasi pelanggan. Rumusan masalah yang diajukan adalah bagaimana mengintegrasikan kedua metode ini agar segmentasi pelanggan lebih efektif. Data transaksi pelanggan ADAPTA.Id tahun 2022 yang meliputi 2.252 transaksi pelanggan dianalisis untuk menghasilkan nilai RFM, dinormalisasi, dan diklaster menggunakan K-Means. Dua klaster optimal diidentifikasi dengan skor silhouette sebesar 0,8511. Dari total 2.252 transaksi pelanggan, terdapat dua klaster utama: klaster pertama berisi 10 pelanggan dengan frekuensi pembelian tinggi dan nilai transaksi signifikan, sedangkan klaster kedua terdiri dari 918 pelanggan dengan frekuensi dan nilai transaksi lebih rendah. Mayoritas pelanggan berada di klaster kedua. Segmentasi ini memungkinkan perusahaan untuk merancang strategi pemasaran yang lebih efektif dengan memfokuskan sumber daya untuk mempertahankan pelanggan bernilai tinggi dan meningkatkan aktivitas pembelian di klaster bernilai rendah. Pendekatan ini menawarkan wawasan mendalam untuk strategi bisnis yang lebih efisien, serta meningkatkan kepuasan dan loyalitas pelanggan. Skor silhouette yang tinggi menegaskan validitas klaster.
KOMPARASI DETEKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST Khasan Galuh Ramadhan; Gentur Wahyu Nyipto Wibowo; Nadia Annisa Maori
Jurnal Informatika dan Rekayasa Elektronik Vol. 8 No. 1 (2025): JIRE APRIL 2025
Publisher : LPPM STMIK Lombok

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36595/jire.v8i1.1288

Abstract

Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan global yang signifikan dan seringkali tidak terdeteksi hingga mencapai stadium lanjut. PGK juga menjadi salah satu Penyakit Tidak Menular (PTM) penyebab kematian terbanyak dalam lingkup global. Oleh karena itu, deteksi dini PGK sangat penting untuk mencegah risiko komplikasi. Studi ini membandingkan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest (RF). Algoritma SVM dikenal karena tingkat akurasinya yang tinggi, efisien dalam penggunaan memori, dan kemampuannya untuk menangani data dengan distribusi yang tidak normal. Sementara itu, algoritma RF dikenal karena kemampuannya dalam mengatasi overfitting dan menghasilkan prediksi yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data pasien PGK yang diperoleh dari UCI Machine Learning Repository, yang terdiri dari 400 catatan pasien dengan 25 fitur. Optimalisasi parameter dilakukan menggunakan GridSearchCV untuk mendapatkan parameter terbaik untuk kedua algoritma. Hasil penelitian ini, algoritma Random Forest (RF) menunjukkan performa yang lebih baik daripada algoritma SVM, dengan akurasi sebesar 98,75%, precision 98,48%, recall 98,96%, dan F1-score 98,70%. Algoritma Random Forest (RF) lebih efektif dalam klasifikasi PGK pada dataset ini dibandingkan SVM. Studi ini menekankan pentingnya pemilihan algoritma yang tepat dan optimasi parameter dalam mengembangkan model klasifikasi yang andal dan akurat. Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan global yang signifikan dan seringkali tidak terdeteksi hingga mencapai stadium lanjut. PGK juga menjadi salah satu Penyakit Tidak Menular (PTM) penyebab kematian terbanyak dalam lingkup global. Oleh karena itu, deteksi dini PGK sangat penting untuk mencegah risiko komplikasi. Studi ini membandingkan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest (RF). Algoritma SVM dikenal karena tingkat akurasinya yang tinggi, efisien dalam penggunaan memori, dan kemampuannya untuk menangani data dengan distribusi yang tidak normal. Sementara itu, algoritma RF dikenal karena kemampuannya dalam mengatasi overfitting dan menghasilkan prediksi yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data pasien PGK yang diperoleh dari UCI Machine Learning Repository, yang terdiri dari 400 catatan pasien dengan 25 fitur. Optimalisasi parameter dilakukan menggunakan GridSearchCV untuk mendapatkan parameter terbaik untuk kedua algoritma. Hasil penelitian ini, algoritma Random Forest (RF) menunjukkan performa yang lebih baik daripada algoritma SVM, dengan akurasi sebesar 98,75%, precision 98,48%, recall 98,96%, dan F1-score 98,70%. Algoritma Random Forest (RF) lebih efektif dalam klasifikasi PGK pada dataset ini dibandingkan SVM. Studi ini menekankan pentingnya pemilihan algoritma yang tepat dan optimasi parameter dalam mengembangkan model klasifikasi yang andal dan akurat.
Mental Health Classification Using Naïve Bayes and Random Forest Algorithms Faisti, Muhammad Jazum; Kusumodestoni, R. Hadapiningradja; Wibowo, Gentur Wahyu Nyipto
Journal of Applied Informatics and Computing Vol. 9 No. 4 (2025): August 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i4.10144

Abstract

Mental health is a crucial issue affecting individual and societal well-being. This study aims to investigate and compare the performance of Machine Learning algorithms, namely Naïve Bayes and Random Forest, for text-based mental health classification. The dataset used is the Mental Health Corpus from Kaggle, consisting of 27,977 English text messages from online forums, with binary labels (0: no indication of mental disorder, 1: indication of mental disorder) pre-annotated by the dataset creators. Text preprocessing involved lowercasing, negation handling, stopword removal, slang normalization, tokenization, and stemming. Data transformation was performed using TF-IDF. Model evaluation utilized accuracy, precision, recall, and F1-score metrics, along with 5-Fold Cross Validation. Evaluation results indicate high performance for both algorithms. Naïve Bayes achieved 88.7 % accuracy, 84.2 % precision, 95.2 % recall, and 89.3 % F1-score on the test data. Random Forest demonstrated more balanced performance with 89.3 % accuracy, 88.1 % precision, 90.5 % recall, and 89.3 % F1-score. The 5-Fold Cross Validation for Naïve Bayes yielded average scores of 88.8 % accuracy, 84.4 % precision, 94.9 % recall, and 89.3 % F1-score. In contrast, Random Forest showed averages of 89.2 % accuracy, 88.8 % precision, 89.5 % recall, and 89.3 % F1-score. While Naïve Bayes had higher recall, Random Forest exhibited the best overall performance, considering the combination of accuracy, precision, and stable generalization, making it more effective for mental health text classification.
Heart Failure Classification Using a Hybrid Model Based on SVM and Random Forest Abdilllah, Muh Sajid; Mulyo, Harminto; Wibowo, Gentur Wahyu Nyipto
Indonesian Journal of Data Science, IoT, Machine Learning and Informatics Vol 5 No 2 (2025): August
Publisher : Research Group of Data Engineering, Faculty of Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20895/dinda.v5i2.2001

Abstract

This study discusses the development of a model to classify heart failure disease by combining two algorithms in the field of data mining: Support Vector Machine (SVM) and Random Forest (RF). The dataset used is the Heart Failure Prediction Dataset, consisting of 918 patient records containing medical information such as blood pressure, cholesterol levels, and heart rate. The research process began with data cleaning, normalization using MinMaxScaler, and data balancing with the SMOTE technique to equalize the number of cases between heart failure patients and non-patients. The data was then split into training and testing sets. Each model (SVM and RF) was tested individually and also combined into a hybrid model. Validation was performed using 5-Fold Cross Validation to ensure consistent results. The results show that SVM performed better in terms of precision for detecting heart failure after applying SMOTE, while RF remained stable even without data balancing. The hybrid model combining both algorithms achieved the best performance, with an accuracy of 91.20%, precision of 90.85%, recall of 92.44%, and an AUC score of 0.961. These results indicate that the hybrid model can detect heart failure more accurately and in a more balanced manner. With its high and consistent performance, this model is suitable for use as a decision support system in the medical field, particularly for early detection of heart failure.
PENDAMPINGAN PERANCANGAN DESAIN MASTERPLAN BERBASIS WISATA PADA DESA BERMI KABUPATEN DEMAK Rochmanto, Decky; Mohammad, Gunawan; Wibowo, Gentur Wahyu Nyipto; Fathurrozi, Muhammad; Nurofi, Muhammad Adib; Anwari, Hilal
Jurnal Widya Laksmi: Jurnal Pengabdian Kepada Masyarakat Vol. 5 No. 1 (2025): Jurnal WIDYA LAKSMI (Jurnal Pengabdian Kepada Masyarakat) - Inpress
Publisher : Yayasan Lavandaia Dharma Bali

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59458/jwl.v5i1.162

Abstract

Desa Bermi memiliki karakter sumber daya alam yang kuat, khususnya dibidang pertanian dan juga mempunyai potensi lingkungan yang memadai untuk dikembangkan. Dalam perkembangannya, potensi yang ada belum terpetakan dengan baik, sehingga belum ada skema perencanaan dalam pengembangan yang utuh. Desa Bermi belum memiliki arah tujuan untuk mengembangkan sarana dan prasarana dalam mengembangkan kawasan desa wisata yang memadai. Agar desa tersebut dapat berkembang dan terarah dalam pembangunan sarana dan prasarana, maka pihak Pemerintah Desa Bermi bekerjasama atau berkolaborasi dengan Tim PKM dari UNISNU Jepara untuk dibuatkan Perencanaan Masterplan dengan tujuan untuk mendapatkan arahan perencanaan desa dalam mengelola potensi sumber daya alam dan lingkungan menuju kemandirian desa. Konsep menuju desa mandiri, menjadi perioritas utama sebagai desa wisata yang akan berkembang. Produk dari kegiatan ini berupa arahan pendampingan dan konsep desain seperti pemanfaatan sumur gandeng sebagai area kawasan wisata, gerbang desa sebagai penanda kawasan wisata, lahan kandang ternak sebagai rumah biogas, perabot jalan untuk lampu penerangan jalan, penampungan air sebagai fasilitas sarana untuk dapat dimafaatkan oleh masyarakat sebagai sumber air bersih, poskamling sebagai tempat pos jaga untuk keamanan desa, branding desa dan packaging produk menjadi elemen desain yang dihasilkan.
Optimizing Decision Tree and Random Forest with Grid Search and SMOTE for Malware Classification on IoT Network Traffic Siroj, Muhammad Nurus; Zyen, Akhmad Khanif; Wibowo, Gentur Wahyu Nyipto
Journal of Applied Informatics and Computing Vol. 9 No. 5 (2025): October 2025
Publisher : Politeknik Negeri Batam

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30871/jaic.v9i5.10542

Abstract

The rapid growth of the Internet of Things (IoT) has increased the risk of malware attacks, posing serious threats especially to micro, small, and medium enterprises (MSMEs) that often lack sufficient cybersecurity resources. This study aims to optimize Decision Tree (DT) and Random Forest (RF) classifiers using Grid Search, while addressing the class imbalance problem through the Synthetic Minority Oversampling Technique (SMOTE). The Security Attacks Malware IoT Networks dataset with five classes (Benign, Malware, DDoS, Brute Force, Scanning) was used and divided into training and testing sets with stratified 80:20 split. Experimental results show that DT achieved 67.3% accuracy with a macro F1-score of 42.9%, while RF achieved 70.7% accuracy but a very low macro F1-score of 21.4%, indicating bias toward the majority class despite balancing. Boosting methods provided stronger baselines, with XGBoost reaching 87.0% accuracy and 66.7% F1-score, while LightGBM achieved 85.6% accuracy and 64.4% F1-score. ROC curves and confusion matrices confirmed that boosting methods were more balanced in recognizing minority classes. In terms of efficiency, DT required the shortest training time (8 seconds), while LightGBM provided the best trade-off between accuracy and computational cost (26 seconds). Paired t-tests further confirmed that performance differences between DT and RF were not significant, while boosting methods significantly outperformed RF. Overall, optimizing DT and RF with Grid Search and SMOTE enhances their performance, but boosting methods remain more robust for malware detection in IoT traffic. These findings provide practical insights for MSMEs in balancing accuracy and efficiency when deploying intrusion detection systems.
Co-Authors Abdilllah, Muh Sajid Abthol, Muhammad Rijalul Ah Dani Fian Cahya Akhmad Khanif Zyen, Akhmad Khanif Anis Sofiyati Anwari, Hilal Beni Ernando Charles Firmansyah Decky Rochmanto, Decky Dewantara, Rizki Faisti, Muhammad Jazum Fanida Muta’aliyur Rohmah Fathurrozi, Muhammad Gogor Christmass Setyawan Gun Sudiryanto Hanifah Nurul Muthmainah Hasan Ibrohim Haydar, Muhammad Rifqi Fajrul Huda, Muhammad Syafi’ul I Nengah Sandi Indriyani Indriyani Isyfa Fuhrotun Nadhifah Jeperson Hutahaean Joko Minardi, Joko Khasan Galuh Ramadhan Kraugusteeliana Kraugusteeliana Kusuma, Tahta Rias Tika C Laros Tuhuteru Lisa Falichatul Ibriza Ma'arif, Syamsul Maori, Nadia Annisa Mohammad, Gunawan Muchammad Dwi Rivaldo Mulyo, Harminto Nadia Annisa Maori Nadia Annisa Maori Nafissatus Zahro Nafi’uzzahidi, Ahmad Nanda, Meindita Andriano Nugroho Adi Prasetyo Nugroho, Muhammad Bayu Nur Aeni Widiastuti Nur Ali Nurofi, Muhammad Adib Puji Sa’adah Putri, Vanessa Shinta R Hadapiningradja Kusumodestoni Rahma Dwi Ningsih Ricardus Anggi Pramunendar Rizky Alhusani Gifari Safrizal Safrizal Saludin Saludin Sarwido Sarwido Sarwido Sarwido Sarwido, Sarwido Siroj, Muhammad Nurus Sitorus, Lamhot Susatyo Adhi Pramono, Susatyo Adhi Syamsul Ma'arif Teddy Setiady Teguh Tamrin Tobias Duha Wenda, Alex Yatusifa, Cecilia Zaenal Arifin Zen, Ahmad Khanif