p-Index From 2021 - 2026
9.094
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi EDUMATIC: Jurnal Pendidikan Informatika Progresif: Jurnal Ilmiah Komputer Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika International Journal of Informatics and Computation Jurnal Informatika Ekonomi Bisnis JATI (Jurnal Mahasiswa Teknik Informatika) Journal Automation Computer Information System (JACIS) Brilliance: Research of Artificial Intelligence Pelita Teknologi : Jurnal Ilmiah Informatika, Arsitektur dan Lingkungan Jurnal Ilmiah SIGMA: Informatics Engineering Journal of UPB Joong-Ki : Jurnal Pengabdian Masyarakat Jurnal Informasi Sains dan Teknologi (ISAINTEK) SMART Management Journal STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Indonesian Research Journal on Education Journal Of Informatics And Busisnes VIDHEAS: Jurnal Nasional Abdimas Multidisiplin Jurnal Komputer dan Teknologi (JUKOMTEK) SAINTEK Jurnal Media Akademik (JMA) Joong-Ki Jupiter: Publikasi Ilmu Keteknikan Industri, Teknik Elektro dan Informatika Bridge: Jurnal Publikasi Sistem Informasi dan Telekomunikasi Modem : Jurnal Informatika dan Sains Teknologi Repeater: Publikasi Teknik Informatika dan Jaringan SISFOTENIKA Merkurius: Jurnal Riset Sistem Informasi dan Teknik Informatika Neptunus: Jurnal Ilmu Komputer dan Teknologi Informasi Expert Net: Exploration Journal of Technological Education Trends Joong-Ki Jurnal Rekayasa Teknologi Nusa Putra Jejak digital: Jurnal Ilmiah Multidisiplin Jurnal Cakrawala Akademika Jurnal Sistem Informasi dan Ilmu Komputer
Claim Missing Document
Check
Articles

PERAN DAN STRATEGI DATA MINING DALAM TRANSFORMASI BISNIS PERUSAHAAN Sifa Setiyani; Apik Aminah; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 8 (2025): JURNAL MEDIA AKADEMIK Edisi Agustus
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/wggw3092

Abstract

Data mining telah menjadi alat strategis bagi perusahaan yang sedang menjalani transformasi digital. Kemampuan untuk mengekstraksi pengetahuan berharga dari kumpulan data yang besar dan kompleks memungkinkan organisasi memperoleh keunggulan kompetitif, mengoptimalkan pengambilan keputusan, serta meningkatkan pengalaman pelanggan. Artikel ini menyajikan tinjauan literatur yang komprehensif mengenai peran strategi data mining dalam transformasi bisnis. Kajian ini menekankan berbagai pendekatan seperti klasifikasi, klasterisasi, association rule mining, dan predictive modeling, serta menguraikan relevansinya pada berbagai konteks bisnis. Selain itu, dibahas pula bagaimana data mining mendukung business intelligence, optimasi rantai pasok, manajemen risiko, serta manajemen hubungan pelanggan. Temuan penelitian menunjukkan bahwa data mining tidak hanya meningkatkan efisiensi operasional, tetapi juga mendorong inovasi, memfasilitasi prediksi tren pasar, dan memperkuat ketangkasan strategis dalam lingkungan yang dinamis. Implikasi penelitian ini menyarankan bahwa perusahaan perlu mengintegrasikan data mining ke dalam peta jalan transformasi digital, dengan dukungan kesiapan infrastruktur, sumber daya manusia yang terampil, serta tata kelola data yang etis agar manfaatnya dapat dioptimalkan.
Pemanfaatan Data Mining untuk Klasifikasi Penyakit Daun pada Tebu dan Cara Pencegahan Penyakit dengan Metode Algoritma K-Nearest Neighbors Muhammad Akmal Ar Rasid; Catur Pranomo; Elkin Rilvani
Bridge : Jurnal Publikasi Sistem Informasi dan Telekomunikasi Vol. 3 No. 3 (2025): Agustus: Bridge: Jurnal Publikasi Sistem Informasi dan Telekomunikasi
Publisher : Asosiasi Profesi Telekomunikasi Dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62951/bridge.v3i3.580

Abstract

This study aims to utilize data mining techniques, specifically the K-Nearest Neighbors (KNN) algorithm, to classify leaf diseases in sugarcane (Saccharum officinarum). Early and accurate detection of leaf disease types is a crucial step in prevention and control strategies, thereby reducing potential crop losses caused by pathogen attacks. Leaf diseases in sugarcane, such as leaf scald, rust, and mosaic virus, are known to affect photosynthesis, inhibit growth, and reduce the quality and quantity of sugarcane produced. The classification process in this study was carried out through image analysis of infected sugarcane leaves, where features such as color, texture, and shape were extracted using digital image processing techniques. The KNN algorithm was chosen because of its non-parametric nature, ease of implementation, and its ability to provide accurate classification results even with limited data size. The working principle of KNN is to determine the class of a new sample based on the majority class of its k nearest neighbors in the feature space, making it very suitable for the case of leaf disease image classification. In addition to building a classification model, this study also examines disease prevention strategies based on the identification results. These strategies include the use of disease-resistant sugarcane varieties, the implementation of appropriate planting patterns, land moisture management, regular plantation sanitation, and the measured and environmentally friendly use of pesticides or fungicides. Model performance evaluation was conducted using accuracy, precision, recall, and F1-score metrics to assess model effectiveness across various data scenarios. The results of this study are expected to not only contribute to the development of decision support systems for farmers and related parties but also support the application of artificial intelligence-based technology in the agricultural sector.
Linear Regression Algorithm Analysis for Predicting Electrical Panel Painting Quality Susilo, Arif; Widodo , Edy; Rilvani, Elkin; Suryana, Syahro
Brilliance: Research of Artificial Intelligence Vol. 4 No. 1 (2024): Brilliance: Research of Artificial Intelligence, Article Research May 2024
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v4i1.4096

Abstract

Industry is increasingly developing rapidly and has an impact on the emergence of competition between companies, both private and state, both companies engaged in manufacturing and service companies. Linear Regression is used to find out how the dependent/criterion variable can be predicted through independent variables or predictor variables, individually. Based on the results of the tests that have been carried out, the variables or attributes used in this research (minute and thinkness results) have a significant effect on this research. It is proven that using the linear regression algorithm is able to provide good results with a Root Mean Squared Error value of 0.273 +/- 0.000. This is because there is a correlation or functional relationship (cause - effect) between one variable (dependent or criterion) and another variable (independent or predictor). This testing process is carried out to identify stock needs using a linear regression algorithm
Recruitment Classification of Security Unit PT. Satria Kencana Abadi Using Naïve Bayes Method Rilvani, Elkin; Surojudin, Nurhadi; Danny, Muhtajuddin; Yoga Pratama, Evan
Brilliance: Research of Artificial Intelligence Vol. 4 No. 1 (2024): Brilliance: Research of Artificial Intelligence, Article Research May 2024
Publisher : Yayasan Cita Cendekiawan Al Khwarizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/brilliance.v4i1.4138

Abstract

To get human resources according to company standards, the problem faced in the company is the difficulty of the selection process with a short time and the complexity of the decision making process resulting in subjective decision making. The purpose of this research is to assist the assessment process in making decisions for determining the selection of security units (SATPAM) to be more targeted so that it can help the company. In this study the data used were 697 data with 558 training data and 139 testing data. This test data was carried out using the Naïve Bayes algorithm method to classify so that it can determine accurate and efficient decision making, using Rapidminer tools which have 82 accuracy, 01%, 81.61% Precision, and 88.75% recall. This shows that the Naïve Bayes algorithm method has a good performance in determining decision making during the selection of security forces (SATPAM) at PT. Satria Kencana Abadi.
PERMASALAHAN EFISIENSI ALGORITMA APRIORI DAN EVALUASI FP-GROWTH BERDASARKAN STUDI LITERATUR Khaerunnisa Isnaeni Lestari; Suryadi Putra; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2538

Abstract

Untuk menemukan pola keterkaitan antar item dalam data transaksi, algoritma Apriori dan FP-Growth merupakan dua teknik association rule mining yang populer digunakan. Algoritma Apriori mengandalkan pendekatan generate-and-test yang berulang, sehingga cenderung kurang efisien dalam hal waktu dan konsumsi memori, meskipun implementasinya relatif mudah. Akan tetapi, algoritma ini memiliki keterbatasan dalam menentukan kandidatnya. Sebagai alternatif, algoritma FP-Growth menawarkan efisiensi yang lebih tinggi melalui struktur FP-Tree dan mekanisme pertumbuhan pola yang hanya memerlukan dua kali pemindaian data. Penelitian ini menggunakan metode literature review untuk membandingkan kinerja kedua algoritma berdasarkan waktu proses, jumlah aturan yang dihasilkan, kualitas aturan (meliputi support, confidence, dan lift), serta penggunaan memori. Hasil studi menunjukkan bahwa meskipun Apriori masih relevan untuk dataset kecil dan eksplorasi awal, FP-Growth secara konsisten unggul dalam hal skalabilitas dan efisiensi pemrosesan data berskala besar. Keduanya mempunyai fungsi dan spesifikasi nya tersendiri di masing-masing datasetnya. Temuan ini dapat menjadi acuan dalam pemilihan algoritma yang tepat sesuai dengan karakteristik data dan kebutuhan sistem yang dikembangkan.
PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN DECISION TREE: STUDI PERBANDINGAN ALGORITMA ID3 DAN C4.5 Hadi Putra; Khairunnisa Nasution; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2561

Abstract

Prediksi kelulusan tepat waktu mahasiswa merupakan fokus penting dalam meningkatkan kualitas dan efektivitas pendidikan tinggi secara keseluruhan. Identifikasi secara akurat terhadap mahasiswa yang berisiko mengalami keterlambatan kelulusan memungkinkan institusi akademik untuk melakukan intervensi yang tepat dan tepat waktu guna membantu mahasiswa tetap berada pada jalur kelulusan. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma decision tree yang banyak digunakan, yaitu ID3 dan C4.5, dalam memprediksi kelulusan tepat waktu berdasarkan sejumlah atribut akademik dan non-akademik yang relevan. Atribut-atribut tersebut mencakup Indeks Prestasi Kumulatif (IPK), jumlah Satuan Kredit Semester (SKS), lama studi, keaktifan dalam organisasi, dan tingkat kehadiran kuliah. Model prediksi dibangun menggunakan data historis akademik mahasiswa program sarjana dari salah satu universitas swasta di Indonesia. Proses evaluasi dilakukan dengan mengukur performa model melalui akurasi klasifikasi dan struktur pohon keputusan yang dihasilkan. Hasil menunjukkan bahwa algoritma C4.5 memiliki kinerja yang lebih baik dibandingkan ID3, baik dari segi akurasi prediksi maupun efisiensi model. Temuan ini menunjukkan potensi metode decision tree, khususnya C4.5, sebagai alat yang efektif dalam mendukung pengambilan keputusan akademik, deteksi risiko secara dini, dan perencanaan institusional. Pada akhirnya, penelitian ini memberikan kontribusi terhadap pengembangan sistem pemantauan mahasiswa yang kuat dan andal, guna menunjang manajemen pendidikan berbasis data serta meningkatkan tingkat kelulusan di perguruan tinggi Indonesia.
PREDIKSI KEBERHASILAN USAHA KECIL MENENGAH MENGGUNAKAN CREDAL C4.5 DAN CREDAL DECISION TREE: ANALISIS KOMPARATIF Asep Saepuloh; Panji Anwar Sanusi; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2615

Abstract

Keberhasilan Usaha Mikro, Kecil, dan Menengah (UMKM) memainkan peran penting dalam mendorong pertumbuhan ekonomi lokal, khususnya di negara berkembang seperti Indonesia. Sebagai kontributor utama dalam penciptaan lapangan kerja dan inovasi, menjaga keberlanjutan UMKM menjadi hal yang krusial. Prediksi dini terhadap keberhasilan UMKM memungkinkan para pemangku kepentingan bisnis untuk merumuskan strategi yang tepat, meminimalkan risiko, dan meningkatkan daya saing di pasar yang dinamis. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja dua algoritma berbasis pohon keputusan, yaitu Credal C4.5 dan Credal Decision Tree (CDT), dalam memprediksi keberhasilan UMKM. Prediksi dilakukan berdasarkan beberapa variabel penting, seperti modal awal, pengalaman kewirausahaan, strategi pemasaran, dan lokasi usaha. Dataset yang digunakan terdiri dari 1.200 UMKM yang bergerak di sektor kuliner dan ritel dari berbagai wilayah di Indonesia, yang dianalisis menggunakan perangkat lunak WEKA. Evaluasi dilakukan dengan teknik validasi silang 10-fold untuk memastikan keandalan dan konsistensi hasil. Hasil eksperimen menunjukkan bahwa algoritma Credal C4.5 mencapai tingkat akurasi yang lebih tinggi, yaitu 88,6%, dengan struktur pohon yang lebih sederhana dan waktu komputasi yang lebih cepat dibandingkan CDT yang mencatat akurasi sebesar 84,2%. Temuan ini menunjukkan bahwa Credal C4.5 lebih efektif dan praktis sebagai alat prediktif untuk mendukung pengambilan keputusan strategis berbasis data guna pengembangan UMKM yang berkelanjutan.
DATA MINING UNTUK ESTIMASI WAKTU PRODUKSI DAN PENGIRIMAN KOMPONEN PREFAB BERDASARKAN RIWAYAT PROYEK Henri Caesar Bimantara; Abdul Rokim; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2629

Abstract

Industri konstruksi semakin mengadopsi komponen prefabrikasi untuk meningkatkan efisiensi dan kontrol kualitas. Namun, estimasi akurat waktu produksi dan pengiriman masih menjadi tantangan karena saling ketergantungan yang kompleks dan variabilitas dalam proses manufaktur. Penelitian ini mengembangkan pendekatan data mining untuk memprediksi waktu produksi dan pengiriman komponen prefabrikasi berdasarkan data historis proyek. Penelitian menggunakan beberapa algoritma machine learning termasuk Random Forest, Gradient Boosting, dan Support Vector Regression untuk menganalisis 500 proyek prefabrikasi historis dari tahun 2020-2024. Variabel kunci meliputi spesifikasi komponen, kebutuhan material, kapasitas produksi, faktor musiman, dan kendala logistik. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan metrik R-squared. Hasil menunjukkan bahwa model Gradient Boosting mencapai akurasi tertinggi dengan RMSE 2,3 hari untuk waktu produksi dan 1,8 hari untuk estimasi waktu pengiriman. Model mengidentifikasi faktor kritis termasuk indeks kompleksitas komponen, ketersediaan material, dan panjang antrian produksi sebagai prediktor utama. Implementasi model prediktif ini dapat mengurangi keterlambatan proyek sebesar 23% dan meningkatkan efisiensi alokasi sumber daya di fasilitas prefabrikasi. Temuan berkontribusi pada peningkatan perencanaan proyek dan optimasi rantai pasok dalam industri konstruksi modular.
KLASIFIKASI EFISIENSI PEMAKAIAN GAS PADA FURNACE C5 MENGGUNAKAN ALGORITMA ID3 DAN C4.5 SETELAH PENGGANTIAN BURNER Galih Pangestu; Fazri Albadawi; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2632

Abstract

Penggunaan energi yang efisien menjadi salah satu indikator penting dalam peningkatan kinerja industri, termasuk pada proses peleburan kaca di Furnace C5 PT. Mulia Glass Container. Salah satu permasalahan utama yang ditemukan adalah tingginya konsumsi gas saat menggunakan burner tipe Eclipse yang berdampak pada meningkatnya biaya operasional. Sebagai upaya perbaikan, burner diganti dengan tipe Flamatec yang memiliki kontrol pembakaran lebih stabil. Penelitian ini bertujuan untuk mengklasifikasikan efisiensi pemakaian gas sebelum dan sesudah penggantian burner menggunakan algoritma ID3 dan C4.5. Data diperoleh dari laporan produksi harian yang mencakup variabel seperti jenis burner, output harian, konsumsi gas, dan nilai primary unit. Klasifikasi dilakukan berdasarkan label efisiensi yang ditentukan dari nilai primary unit. Metode ID3 dan C4.5 digunakan untuk membangun model pohon keputusan, kemudian dibandingkan berdasarkan akurasi dan kinerja klasifikasinya. Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki tingkat akurasi lebih tinggi dibandingkan ID3 dalam mengklasifikasikan efisiensi pemakaian gas. Temuan ini menunjukkan bahwa metode klasifikasi berbasis decision tree dapat dimanfaatkan dalam analisis efisiensi energi industri, serta membantu manajemen dalam pengambilan keputusan teknis yang lebih tepat guna dan berbasis data. Implikasi dari penelitian ini adalah pemanfaatan algoritma data mining mampu mempercepat evaluasi performa operasional sekaligus meminimalkan pemborosan energi.
Pengelompokan Provinsi Merokok di Indonesia Berdasarkan IPM Menggunakan K-Means dan KNN Baihaqi Asa’ari Lubis; Indry Widiyani; Elkin Rilvani
Jurnal Media Akademik (JMA) Vol. 3 No. 7 (2025): JURNAL MEDIA AKADEMIK Edisi Juli
Publisher : PT. Media Akademik Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62281/v3i7.2639

Abstract

Salah satu kendala dalam pembangunan kesehatan nasional adalah prevalensi perokok di Indonesia, termasuk di kelompok usia produktif. Tujuan dari penelitian ini adalah untuk mengelompokkan dan mengklasifikasikan provinsi-provinsi di Indonesia berdasarkan persentase penduduk usia 15 tahun ke atas yang merokok serta nilai Indeks Pembangunan Manusia (IPM) pada tahun 2024. Studi ini menggunakan K-Means Clustering untuk mengelompokkan provinsi ke dalam klaster risiko, dan K-Nearest Neighbor (KNN) digunakan untuk mengelompokkan provinsi ke dalam klaster risiko berdasarkan nilai IPM terhadap klaster hasil K-Means. Badan Pusat Statistik (BPS) dan Sistem Informasi Manajemen Data Regional (SIMREG-Bappenas) menyediakan data. Hasil pengelompokan menunjukkan bahwa terdapat tiga klaster utama yang berbeda dalam hal tingkat merokok dan IPM. Model KNN digunakan untuk memprediksi klaster berdasarkan nilai IPM, dan menghasilkan tingkat akurasi klasifikasi yang tinggi, yang menunjukkan bahwa IPM memiliki keterkaitan terhadap pola persebaran kebiasaan merokok di tingkat provinsi. Penelitian ini memberikan kontribusi dalam pemetaan wilayah dengan risiko perilaku merokok tinggi, serta dapat menjadi dasar dalam penyusunan kebijakan kesehatan berbasis data di tingkat regional.
Co-Authors Abdul Rokim Abid Lu’ay Raihan Taufik Agung Nugroho Ahmad Budi Trisnawan Ahmad Turmudi Zy Al Ayubi, Muhammad Din Aldi Patria Nugraha Alfian Saputra, Ricky Alfiana Erlangga, Dafa Alif Nur Fathlii Amarta Amar Agung Subekti An-nisa Fitriani Andhika Aziz Bachtiar Andi Setyawan Anindha Latiefa Zahra Apik Aminah Aries Widyantoro ARIF SUSILO Arif Susilo Ariza, Rini Arya Saepul Hakim Asep Muhidin Asep Saepuloh Baehaqi Bagoes Ramadhan Baihaqi Asa’ari Lubis Bayu Nugroho Butsianto, Sufajar Candra Naya Catur Pranomo Dimas Adi Nugraha Dina Amalia Putri Diska Kurnia Azzahra Putra Dito Ridwansyah, Rizjky Dzaky Alaudin Malik Edi Tri Wibowo Edora Erikasari, Vivie Zuliani Ermanto Ermanto Ermanto Fachrial Banyu Asmoro Fadhlurohman Fatikh Navintino Faisal Arya Yudanto Faiza Muhammad Julianto Faqih Irianto Fazri Albadawi Fikr, Muhammad Fiqhy Faradisa Al Bina Fitakwim Fitakwim Galih Pangestu Gilar Sumilar Hadi Putra Hardiansyah, Andi Hendra Parsaulian Henri Caesar Bimantara Herlan Wibowo Hidayat, Chaerul Hilman Ihza Amrullah Hizkia Vincent Hrenysa Ikhsan Romli Indry Widiyani Khaerunnisa Isnaeni Lestari Khairunnisa Nasution Lili Fadli Muhamad Ma'ruf Setiadi2 Maharani , Tyanshi Firli Mikael Rivaldo Mochammad Rahmat Faisal Monika Pakpahan Muhamad Daffa Maulana Arrasyid Muhamad Faisal Ilham Muhamad Fatchan Muhammad Akmal Ar Rasid Muhammad Albedri MUHAMMAD ARIFIN Muhammad Farhan Fahreza Muhammad Nur Falah Muhammad Rifki Febrianto Muhammad Rizal Mantofani Muhammad Rizky Raka muhidin, asep Muhtajuddin Danny Nabilla Kusuma Wijaya Nadia tul umah Naya, Candra Naza Sefti Prianita Novant Nanda Pradana Novianto Andi Hardiansyah Nugroho, Agung Nur Hasim Nur Hidayati Nurkholik Safrudin Ovi Marzuki Panji Anwar Sanusi Pardede, Debora Hizkhia Prakoso, Indra Prasetyo, Fabian Eka Priasnyomo Prima Santoso Putra, Aan Fadillah Rafi Maulana Firdaus Ramadhan Ardi Iman Prakoso Reza Maulana, Muhammad Rio Rinto Saki Rizki Fahrizal Rizky Juniarko Taruna Putra Roana, Roana Saiful Muktiali Sela, Mosses Ara’al De Setyawan, Wisnu Shanti Cahyaningtyas Sifa Setiyani Silvi Fara Dita Siswandi, Arif Siti Yasmin Nurcholifah Soejarminto, Yos Sukmana Wibowo, Mohamad Hegar Surojudin, Nurhadi Suryadi Putra Suryadi, Dikky Suryana, Syahro Tatia Deswita Anggraeni Taufik Eka Albani Tia Mulyani Tri Ngudi Wiyatno Weni Purnomo1 Widodo , Edy Wisnu Ikhwansyah Saputra Wisnu Setyawan Yoga Pratama, Evan Yudha Purnama Putra Yudi Fermana Zacky Rafian Fawwauzy Zalfa Dewi Zahrani