Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Electronic Journal of Graph Theory and Applications (EJGTA) Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) eProceedings of Engineering
Rian Febrian Umbara
Universitas Telkom
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 72 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 72 Documents
Search

 4   5   6   7   8 
Value-at-risk Pada Portofolio Berbasis Model Glosten-jagannathan-runkle Heavy Tail Dan Copula Alfian Yudha Iswara; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Pengukuran risiko berkaitan dengan investasi yang besar karena risiko mempengaruhi kerugian yang akan dialami investor. GARCH dan GJR merupakan salah satu metode dalam analisis time series yang digunakan untuk memodelkan data yang bergerak terhadap waktu (volatilitas) dan memiliki efek asimetis untuk model GJR. Value-at-Risk dapat digunakan untuk mengestimasi risiko pada data satu aset saham dan portofolio. Penentuan VaR dengan distribusi Normal menjadi tidak relevan ketika data keuangan memiliki ekor distibusi yang tebal (heavy tail) yang diimplementasikan dengan distribusi student-t. Copula digunakan sebagai indikator dependensi antar variabel sehingga digunakan sebagai alat memodelkan distribusi bersama. Kata kunci: GARCH, GJR, Value-at-Risk, Portofolio, Copula.
Analisis Hasil Tracer Study Terhadap Alumni Universitas Telkom Dengan Menggunakan Minimum Spanning Tree (mst). Dika Rizky Nurcholis; Rian Febrian Umbara; Indwiarti Indwiarti
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Tracer Study merupakan survey alumni yang dilaksanakan oleh sebuah perguruan tinggi. Tujuan dilaksanakannyatracerstudyadalahuntukmengetahuiprosespenyerapan,danposisilulusandalamduniakerja. Pada tugas akhir ini dilaksanakan penelitian untuk mengetahui topologi jaringan pada kompetensikompetensi alumni Telkom University menggunakan metode Minimum Spanning Tree (MST) dengan Algoritma kruskal untuk mengetahui kompetensi yang paling penting dan berpengaruh pada alumni UniversitasTelkom. JenisdatayangdigunakanadalahdatatracerstudyalumniTelkomUniversitytahun2015. Macam-macamsentralitasmenentukankepentinganrelatifuntuksetiapkompetensitertentu. Limamacam sentralistas akan dibahas yaitu, sentralitas derajat, sentralitas keantaraan, sentralitas kedekatan, sentralitas vektor eigen dan sentralitas keseluruhan. Sentralitas keseluruhan dapat digunakan untuk meringkas informasipentingyangterkandungdalamjejaringsosial. Hasilkompetensiyangpalingpentingdanberpengaruh terdiri dari enam kompetensi, yaitu kompetensi (1) Pengetahuan di bidang atau disiplin ilmu, (22) Kemampuan dalam memegang tanggung jawab, (4) Keterampilan Internet, (3) Pengetahuan umum , (8) KemampuanBelajar,dan(6)BerpikirKritis.Katakunci: CentralityMeasure,TracerStudy,MST,AlgoritmaKruskal.Abstract Tracer Study is an alumni survey that conducted by a university. The purpose of this Tracer Study is to figure out the process of absorption, and position of graduates in the world of work. In this final project, a research was conducted to find out the network topology on Telkom University alumni competencies using Minimum Spanning Tree (MST) method with kruskal algorithm to find out the most important and influentialcompetenciesofalumniinTelkomUniversity. Thetypeofdatausedisdatatracerstudyalumni Telkom University in 2015. Centrality measures determine the relative importance for each particular competence. Five kinds of centrality will be discussed degree centrality, betweenness centrality, closeness centrality,eigenvectorcentralityandoverallmeasurecentrality. OverallMeasurecanbeusedtosummarize importantinformationthatcontainedinsocialnetworking. Themostimportantandinfluentialcompetency results there are six competencies, namely competency (1) Knowledge in the field or discipline, (22) Ability to hold responsibilities, (4) Internet skills, (3) General knowledge, (8) Ability Learning, and (6) Critical Thinking.Keywords: CentralityMeasure,TracerStudy,MST,KruskalAlgorithm.
Prediksi Indeks Harga Saham Menggunakan Metode Gabungan Support Vector Regression Dan Random Forest Barini Harahap; Rian Febrian Umbara; Danang Triantoro Murdiansyah
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Indeks harga saham adalah indikator atau cerminan pergerakan harga saham. Indeks merupakan salah satu pedoman bagi investor untuk menanamkan modal investasi di pasar modal khususnya saham. Penelitian ini memprediksi harga penutupan indeks harga saham pada hari ke (t+1), (t+5), (t+10), (t+20), dan (t+30) menggunakan metode gabungan Support Vector Regression (SVR) dan Random Forest (RF) lalu membandingkannya dengan menggunakan metode Support Vector Regression dan Random Forest . Data yang digunakan pada penelitian ini adalah data Indeks Harga Saham Gabungan Indonesia selama lima tahun (2011-2015). Hasil yang didapat pada penelitian ini adalah nilai MAPE metode SVR lebih kecil untuk prediksi hari ke (t+1) dan (t+5) dengan nilai MAPE sebesar 1.9119% dan 4.5691%, sedangkan untuk prediksi hari ke (t+10), (t+20), dan (t+30) metode yang memiliki nilai MAPE terkecil adalah metode SVR-RF dengan nilai MAPE sebesar 4.1173%, 8.6391%, dan 9.1708%. Dari hasil penelitian ini dapat disimpulkan bahwa metode SVR baik untuk prediksi jangka pendek sedangkan metode SVR-RF baik untuk prediksi jangka panjang. Kata kunci : Prediksi, Indeks Harga Saham, IHSG, Support Vector Regression, Random Forest.
Prediksi Pergerakan Harga Saham Dengan Metode Random Forest Menggunakan Trend Deterministic Data Preparation ( Studi Kasus Saham Perusahaan Pt Astra International Tbk, Pt Garuda Indonesia Tbk, Dan Pt Indosat Tbk ) Agri Pratomo; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Saham adalah satuan nilai atau surat berharga dalam berbagai instrument finansial yang mengacu pada bagian kepemilikan sebuah perusahaan. Penelitian ini memprediksi pergerakan saham pada tiga perusahaan PT Astra International Tbk, PT Garuda Indonesia Tbk, dan PT Indosat Tbk berdasarkan 10 indikator parameter teknis dan Trend Deterministic Data Preparation dengan metode Random Forest. Selain itu penelitian ini menggunakan dua pendekatan sebagai inputan model, pendekatan pertama untuk inputan data diperoleh dari perhitungan sepuluh indikator parameter teknik menggunakan data perdagaan (Harga Pembukaan, Harga Tertinggi, Harga Terendah, dan Harga Penutup) sedangkan pendekatan kedua fokus pada menyatakan hasil perhitungan menggunakan sepuluh indikator parameter teknik menjadi Data Trend Deterministic. Data Yang digunakan pada penelitian ini adalah data historis dari setiap perusahaan dari tahun 2011 sampai 2017. Hasil yang didapat pada penelitian ini adalah nilai akurasi pada prediksi menggunakan metode Random Forest dengan inputan nilai Data Non Deterministic Trend dan nilai Data Deterministic Trend. Dari hasil percobaan didapat akurasi prediksi dari setiap perusahaan yaitu PT Astra International Tbk, PT Garuda Indonesia Tbk dan PT Indosat Tbk dengan menggunakan data Trend Deterministic yaitu 59,50%, 61,40% dan 59,44%. Sedangkan akurasi menggunakan data Non Trend Deterministic yaitu 75,27%, 75,76% , dan 75,10%. Kata kunci : Prediksi, Random Forest, Saham, Data Deterministic Trend. Abstract A stock is a unit of value or securities in various financial instruments in the ownership section of a company. This study predicts stock movements in three companies there is PT Astra International Tbk, PT Garuda Indonesia Tbk, and PT Indosat Tbk based on 10 technical parameter indicators and Trend Deterministic Data Preparation using the Random Forest method. In addition, this study uses two approaches as input models, the first approach for data input is obtained from the calculation of ten technical parameter indicators using trading data (open, high, low, and close prices) while the second approach focuses on stating the calculation results using ten technical parameter indicators become to Trend Deterministic Data. The data used in this study are historical data from each company from 2011 to 2017. The results obtained in this study are the value of accuracy in predictions using the Random Forest method with input values of Non Trend Deterministic Value and Deterministic Trend value. From the results of the experiment, the prediction accuracy of each company is obtained from PT Astra International Tbk, PT Garuda Indonesia Tbk and PT Indosat Tbk by using Trend Deterministic Data is 59.50%, 61.40% and 59.44%. While the accuracy of using Non Trend Deterministic Data is 75.27%, 75.76%, and 75.10%. Keywords: Kata kunci : Prediction, Random Forest, Stock, Trend deterministic
Prediksi Harga Saham Serta Pemberian Keputusan Jual Beli Menggunakan Metode Regression Tree Dan Metode Self Organizing Map (som) Uggi Stivani Savitri; Deni Saepudin; Rian Febrian Umbara
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam investasi saham seorang investor sebaiknya memiliki prediksi untuk memprediksi harga saham yang ada pada waktu tertentu agar memiliki hasil yang memuaskan dengan mendapatkan keuntungan. Maka dari itu sebagai investor harus dapat memprediksi harga saham kedepannya dengan menggunakan Regression Tree. Regression tree atau pohon regresi adalah metode untuk membangun model prediksi dari data dimana model diperoleh dari hasil partisi secara rekursif ruang data dan menduga model prediksi sederhana di dalam setiap partisi. Selain Regression Tree diperlukan teknik lain untuk memberikan keputusan kepada investor waktu yang tepat untuk menjual, membeli serta menahan saham agar memberikan keuntungan teknik tersebut adalah Self Organizing Map (SOM). SOM adalah salah satu jenis metode clustering atau pengelompokan. Data yang digunakan pada tugas akhir ini adalah 1 data saham yang tergabung dalam saham LQ45. Hasil akhir dari penerapan Regression Tree dan SOM ini adalah sebuah prediksi harga saham serta pemberian keputusan yang tepat guna memberikan keuntungan bagi investor. Kata kunci : Regression Tree, Self Organizing Map, saham Abstract In a stock investment, an investor should have a prediction to predict the stock prices to gaining profit. Therefore, as a investor you must be able to predict stock prices going forward by using Regression Tree. Regression Tree is a method predictive models of data in which the model is obtained from the partition results in a recursive data space and predicts a simple prediction model in each partition. In addition to Regression Tree, another techique is needed to make decisions to investors when the right time to sell, buy and hold shares in order to benefit from the technique is Self Organizing Map (SOM). Som is a type of clustering or grouping method. The data used is 1 data stock price incorporated in LQ45. The final result of the method of Regression Tree and SOM is a stock price prediction and the decision to provide benefits to investors. Keywords: Regression Tree, Self Organizing Map, stock price
Analisis Hasil Tracer Study Alumni Universitas Telkom Dengan Forest Of All Minimum Spanning Trees (msts) May Rozakhi Takkas; Rian Febrian Umbara; Indwiarti Indwiarti
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Tracer Study merupakan survey terhadap alumni yang dilaksanakan oleh sebuah perguruan tinggi. Tracer Study bertujuan untuk mengetahui umpan balik pendidikan dalam bentuk transisi dari dunia pendidikan tinggi ke dunia kerja. Pada tugas akhir ini dilakukan pemetaan korelasi antara kompetensi-kompetensi alumni Universitas Telkom dengan menggunakan metode forest of all Minimum Spanning Trees (MSTs). Data yang digunakan adalah data hasil tracer study terhadap alumni lulusan tahun 2014. Lima ukuran sentralitas digunakan untuk menghitung tingkat kepentingan relatif dari masing -masing kompetensi. Kelima ukuran sentralitas tersebut adalah sentralitas derajat (degree centrality), sentralitas keantaraan (betweenness centrality), sentralitas kedekatan (closenness centrality), sentralitas vektor eigen (eigen vector centrality) dan sentralitas keseluruhan (overall centrality). Dari hasil perhitungan terlihat bahwa kompetensi kepemimpinan memiliki nilai tertinggi untuk kelima sentralitas. Kata kunci : Tracer Study, Forest of All Minimum Spanning Trees (MSTs), Centrality Measure Abstract Tracer Study is a survey of alumni carried out by a college. Tracer Study aims to find out educational feedback in the form of a transition from the world of higher education to the world of work. In this final project, a correlation between the competencies of alumni of Telkom University was carried out by using the forest of all Minimum Spanning Trees (MSTs) method. The data used are data from tracer studies of alumni graduating in 2014. Five measures of centrality are used to calculate the relative importance of each competency. The five measures of centrality are degree centrality, betweenness centrality, closenness centrality, eigen vector centrality and overall centrality. From the calculation results, it can be seen that leadership competencies have the highest value for the five centralities. Keywords: Tracer Study, Forest of All Minimum Spanning Trees (MSTs), Centrality Measure
Penentuan Keputusan Perdagangan Saham Dengan Menggunakan Gabungan Metode Computational Efficient Functional Link Artificial Neural Network Dan Extreme Learning Machine Bambang Eko Supriyadi; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam tugas akhir ini alat pendukung keputusan perdagangan menggunakan computational efficient functional link artificial neural network (CEFLANN) dengan extreme learning machine (ELM) dan seperangkat aturan diusulkan untuk membangkitkan keputusan perdagangan yang lebih baik. Disini masalah prediksi keputusan perdagangan saham diartikulasikan sebagai masalah klasifikasi dengan tiga nilai kelas yaitu sinyal beli, tahan dan jual. Jaringan CEFLANN dengan ELM digunakan sebagai alat bantu keputusan perdagangan dengan menghasilkan sinyal perdagangan dari nilai 0 sampai 1 dengan menganalisa hubungan non linier antara beberapa indikator teknis yang biasa digunakan. Selanjutnya keluaran sinyal perdagangan digunakan untuk melihat tren dan menghasilkan keputusan perdagangan berdasarkan tren menggunakan beberapa aturan perdagangan. Pendekatan yang digunakan untuk menghitung keuntungan dari titik keputusan perdagangan saham melewati machine learning CEFLANN dengan ELM dan aturan analisis. Kata Kunci: CEFlANN, FEB, ELM, prediksi, profit Abstract In this thesis a trading support decision using computational efficient functional link artificial neural network (CEFLANN) with extreme learning machine (ELM) and set of rules proposed to generate better the trading decision. Here the problem of stock trading decision prediction is articulated as a classification problem with three class values representing the buy, hold and sell signals. CEFLANN with ELM networks used as decision support system to produce trading signal value from 0 to 1 by analysing the nonlinear relationship between few popular technical indicators. Further the output trading signal are used to track tren and produce trading decision based on trend using some trading rules. The approach has used to calculate profit from trading decision point through CEFLANN with ELM machine learning and analysis rules. Keywords: CEFLANN, FEB, ELM, prediction, profit
Analisis Sentimen Terhadap Opini Mahasiswa Pada Survei Kepuasan Terhadap Fasilitas Dan Layanan Universitas Telkom Dengan Menggunakan Algoritma Naive Bayes Astri Asroviana Putri; Jondri Jondri; Rian Febrian Umbara
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Pada penelitian ini, dilakukan analisis sentimen dalam menentukan opini mahasiswa pada survei kepuasan terhadap fasilitas dan layanan Universitas Telkom. Opini tersebut sangat banyak dan tidak terstruktur.Maka dalam pengolahannya, diperlukan analisis sentiment dalam mengklasifikasikan opini mahasiswa.Ada tiga sentiment yang akan diklasifikasikan yaitu, sentiment positif ,sentiment netral, dan sentimentnegatif. Metode klasifikasi yang akan digunakan yaitu Naive Bayes Classifier. Pada penelitian ini, data melewati tahap preprocessing menggunakan stemming dan stopword danpembobotan kata menggunakan metode TF-IDF serta melakukan klasifikasi menggunakan algoritmaNaive Bayes. Penelitian ini menghasilkan nilai rata rata precision untuk kelas positif sebesar 52.51% dankelas negatif sebesar 69.25%. sedangkan nilai rata rata recall untuk kelas positif sebesar 76.78% dan kelasnegatif sebesar 61.05%Kata kunci : Naïve bayes classifier, NLP, TFIDFAbstract In this journal, we will classify sentiments in determining student opinion in the satisfaction survey ofTelkom University facilities and services. The opinion is very large and unstructured. It requires ananalysis of sentiment in classifying student opinions. Where there are two sentiments that will beclassified, positive sentiment and negative sentiment. The classification method that will be used is NaiveBayes Classifier.In this study, the data passed the preprocessing stage using stemming and stopword and weighting theword using the TF-IDF method and classifying it using the Naive Bayes algorithm. This study resulted inan average precision value for the positive class of 52.51% and a negative class of 69.25%. while theaverage recall value for the positive class is 76.78% and the negative class is 61.05%Keywords: Naïve bayes classifier, NLP, TFIDF
Analisis Sentimen Mahasiswa Terhadap Fasilitas Universitas Telkom Menggunakan Metode Jaringan Saraf Tiruan Dan Tf-idf Muhammad Farhan Muzakki; Jondri Jondri; Rian Febrian Umbara
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

AbstrakKeberadaan kuisioner dapat membantu instansi manapun untuk meningkatkan fasilitas ataupunkinerjanya. Tetapi dengan kuisioner yang berjumlah ratusan bahkan ribuan akan menyulitkan instansiuntuk mengetahui kesimpulan dari seluruh data kuisioner. Data kuisioner yang diambil sebagai acuanyaitu data yang berisi tanggapan positif dan negatif. Oleh karena itu, penelitian ini menganalisis kuisionermengenai fasilitas di Universitas Telkom. Analisis dilakukan dengan melakukan klasifikasi kuisioner yangberisi sentimen mahasiswa tentang fasilitas di Universitas Telkom. Metode klasifikasi yang digunakandalam penelitian ini adalah Jaringan Saraf Tiruan (JST) dengan model Multi Layer Perceptron yangdikombinasikan dengan fitur ekstraksi untuk dapat mendeteksi negasi dan pembobotan menggunakanTerm Frequency – Inverse Document Frequency (TF-IDF). Hasil pengujian pada aplikasi yang dibangunmemperlihatkan bahwa akurasi memberikan tingkat akurasi yang baik hingga 91,23%.Kata kunci: analisis sentimen, jaringan saraf tiruan, multi layer perceptron, TF-IDFAbstractThe existence of a questionnaire can help any agency to improve its facilities or performance. But withhundreds or thousands of questionnaires it will be difficult for agencies to find conclusions from allquestionnaire data. Questionnaire data taken as a reference are data that contain positive, negative, andneutral responses. Therefore, this study tried to analyze the questionnaire regarding facilities at TelkomUniversity. The analysis was carried out by classifying questionnaires containing student sentiments aboutfacilities at Telkom University. The classification method used in this study is Artificial Neural Networks(ANN) with a Multi Layer Perceptron model combined with extraction features to be able to detect negationand weighting using Term Frequency – Inverse Document Frequency (TF-IDF). The test results on theapplications that are built show that accuracy provides a good level of accuracy, and can be implemented.Keywords: sentiment analysis, artificial neural network, multi layer perceptron, TF-IDF
Prediksi Arah Pergerakan Indeks Saham Indonesia Menggunakan Bacpropagation yang Dioptimalkan dengan Algoritma Genetika Hafiz Denasputra; Jondri Jondri; Rian Febrian Umbara
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Di sektor bisnis, selalu menjadi tugas yang sulit untuk memprediksi harga indeks harga pasar harian secara tepat. Oleh karena itu, ada banyak penelitian yang dilakukan mengenai prediksi arah pergerakan indeks harga saham. Banyak faktor yang mempengaruhi pada indeks pasar saham. Dalam penelitian ini, kita membandingkan dua tipe input untuk memprediksi arah indeks pasar saham harian. Kontribusi utama penelitian ini adalah kemampuan memprediksi arah indeks harga saham di Indonesia hari ini dengan menggunakan model jaringan saraf tiruan (JST) yang dioptimalkan. Untuk meningkatkan prediksi prediksi tren indeks pasar saham ke depan, kami mengoptimalkan model JST dengan menggunakan algoritma genetika (GA). Kemudian kami membandingkan tingkat akurasinya. Kata Kunci: Jaringan Saraf Tiruan (JST) , Algoritma Genetika (GA)
Co-Authors A. Maulana Mukhsin A.N.M. Salman Abdurrahman Muttaqiin Abdurrazaq Naufal Agri Pratomo Alberila Fraida Loceseima Putri Alfian Yudha Iswara Ali Assegaf Almaya Sofariah Andri Saputra Aniq Atiqi Rohmawati Anjar Pratiwi Annisa Aditsania Annisa Resnianty Ardhia Pringgowati Ardhyka Dewantara Arfian Nurdiansyah Astri Asroviana Putri Ayunda Firsty Trisnowati Bambang Eko Supriyadi Bambang Hidayat Barini Harahap Budi Ihsan Daulay Cipta Rahmadayanti Clara Amanda Danang Triantoro Murdiansyah Defy Ayu Dela Tantri Riyandani Deni Saepudin Dika Rizky Nurcholis Erick Anugrah Prihananta Esther Laura Christy Felix Octavianus Hasudungan Fiqi Ruli Setiawan Firdaus Maringga Firdaus Maringga Firdaus Maringga Gege Safet Yanto Raharjo Hafiz Denasputra Harry Susilodharma I Komang Gede Rusmawan I Wayan Ade Sugisnawan Dandysmara I Wayan Ade Sugisnawan Dandysmara Iman Nur Fakhri Indra Utama Sitorus Indwiarti Irma Palupi Isman Kurniawan Izzatul Ummah Jeshurun Eliezer Cussoy Jondri Jondri Karina Priscilia Karina Priscilia Lintong Aldiron Sihombing Lisbeth Evalina Siahaan Lola Yolanda Ruth Herinis Lumbanraja May Rozakhi Takkas Mohammad Adietya Perdana Muhamad Lutfi Chandra Muhammad Faizal Muhammad Farhan Muzakki Muhammad Gentur WitjaksonoKurniawan Muhammad Gentur WitjaksonoKurniawan Muhammad Saddam Salsabillah Muhammad Saddam Salsabillah Muhammad Saddam Salsabillah Nathan Sukmawan Nurseno Bayu Aji Nurseno Bayu Aji Patma Oktaviana Pritta Etriana Putri Putri Haryati Rizki Putri Haryati Rizki Rahmi Putri Amalia Resi Annisa Nur Rinaldi Wibiyanto Riski Hamonangan Simanjuntak Riyadi Lazuardi Sirait Rizki Ayudiah Kartika Paramita Rizky Farida Utami Rizky Retno Utami Sheila Nur Fadhila Siti Rahmah Madusari Sri Suryani Sri Suryani Sri Suryani Tedo Hariscandra Tegar Tionanda Putra Triyana Kadarisman Uggi Stivani Savitri Yanuar Ishaq Yuliant Sibaroni