Article Per Year (5 Year)
p-Index From 2021 - 2026
10.351
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi dan Manajemen Informatika Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics E-Dimas: Jurnal Pengabdian kepada Masyarakat International Journal of Artificial Intelligence Research Knowledge Engineering and Data Science JURNAL MEDIA INFORMATIKA BUDIDARMA JPM (Jurnal Pemberdayaan Masyarakat) International Journal of Computing and Informatics (IJCANDI) JITK (Jurnal Ilmu Pengetahuan dan Komputer) ILKOM Jurnal Ilmiah Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi) EDUMATIC: Jurnal Pendidikan Informatika Journal Cerita: Creative Education of Research in Information Technology and Artificial Informatics Indonesian Journal of Data and Science Innovation in Research of Informatics (INNOVATICS) Jurnal Teknik Informatika (JUTIF) Journal of Applied Data Sciences Jurnal Minfo Polgan (JMP) Buletin Sistem Informasi dan Teknologi Islam Ilmu Komputer untuk Masyarakat Bulletin of Culinary Art and Hospitality Jurnal Inovasi Teknologi dan Edukasi Teknik NERO (Networking Engineering Research Operation) Jurnal Informatika: Jurnal Pengembangan IT The Indonesian Journal of Computer Science CSRID Linier: Literatur Informatika dan Komputer
Purnawansyah Purnawansyah
Universitas Muslim Indonesia
Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mathematics Social Sciences Other

Published : 99 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 99 Documents
Search

 6   7   8   9   10 
K-Nearest Neighbor dengan Jarak Euclidean, Manhattan, dan Minkowski pada klasifikasi sampah Siti Rahmi Kelilauw; Purnawansyah Purnawansyah; Abdul Rachman Manga’; Rahma Puspitasari
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3141

Abstract

Sampah menjadi permasalahan besar di Indonesia seiring dengan meningkatnya populasi dan konsumsi masyarakat. Untuk mengatasi permasalahan ini, klasifikasi sampah yang akurat diperlukan guna mendukung pengelolaan dan daur ulang yang lebih efektif. Penelitian ini menerapkan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan sampah berdasarkan jenisnya, dengan menggunakan tiga metrik jarak: Euclidean, Manhattan, dan Minkowski. Dataset yang digunakan terdiri dari 997 gambar yang terbagi menjadi dua kelas, yaitu kertas dan kardus. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Proses preprocessing meliputi resize gambar ke ukuran 128x128 piksel serta normalisasi data. Model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa jarak Manhattan memberikan performa terbaik dengan akurasi 83%, diikuti oleh Euclidean dengan 75,50%, dan Minkowski dengan 66,50%. Temuan ini menegaskan bahwa pemilihan metrik jarak dalam algoritma KNN sangat memengaruhi kinerja model. Dengan pendekatan ini, diharapkan dapat meningkatkan efisiensi sistem pengelolaan sampah berbasis teknologi, sehingga mendukung upaya daur ulang yang lebih baik dan ramah lingkungan
Implementasi Algoritma K-Nearest Neighbors Untuk Klasifikasi Data Ulasan Pengguna Aplikasi Sulselbar Mobile pada Google Play Store Muh. Fadhil Attariq Hasril; Purnawansyah Purnawansyah; Lutfi Budiman Ilmuwan
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3147

Abstract

Perkembangan teknologi perbankan digital mendorong Bank Sulselbar menghadirkan layanan mobile banking melalui aplikasi Sulselbar Mobile. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna aplikasi tersebut di Google Play Store menggunakan algoritma K-Nearest Neighbors (KNN). Sebanyak 1000 data ulasan dikumpulkan dengan teknik web scraping, kemudian dilakukan pelabelan manual dan serangkaian proses preprocessing seperti case folding, normalisasi, stemming, stopword removal, dan tokenizing. Data kemudian dikonversi menjadi bentuk numerik menggunakan metode TF-IDF. Model KNN dikembangkan dengan nilai k = 3 dan divalidasi menggunakan 5-fold cross-validation. Hasil evaluasi menunjukkan model memiliki performa yang baik dan konsisten, dengan rata-rata akurasi 85,6%, presisi 85,4%, recall 85,6%, dan F1-score 85,5%. Fold terbaik mencapai akurasi 90% dan F1-score 89,8%. Hasil ini menunjukkan bahwa kombinasi TF-IDF dan algoritma KNN efektif dalam melakukan klasifikasi sentimen berbasis teks. Temuan ini dapat dimanfaatkan untuk mengevaluasi kualitas layanan aplikasi serta mendukung pengambilan keputusan dalam pengembangan layanan digital perbankan
Sistem Pakar Pendiagnosa Jenis Penyakit Asam Lambung Dengan Metode Certainty Factor Berbasis Web (Studi Kasus: RS. Pelamonia) Muhammad Arfah Iswaniah; Purnawansyah Purnawansyah; st. Hajrah Mansyur
LINIER: Literatur Informatika dan Komputer Vol 2, No 3 (2025)
Publisher : Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/linier.v2i3.3148

Abstract

Penyakit asam lambung atau dispepsia merupakan gangguan pencernaan yang umum terjadi dan sering dikeluhkan oleh pasien di RS Pelamonia Kota Makassar. Proses diagnosis penyakit ini secara manual memerlukan waktu yang lama dan rentan terhadap kesalahan akibat keterbatasan sumber daya medis. Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis web guna membantu proses diagnosis awal penyakit asam lambung menggunakan metode Certainty Factor (CF). Metode CF digunakan untuk menghitung tingkat keyakinan berdasarkan gejala yang dialami oleh pasien, sedangkan proses penalaran dalam sistem menerapkan teknik forward chaining. Sistem dikembangkan menggunakan bahasa pemrograman web dan basis data MySQL, serta mengikuti pendekatan pengembangan perangkat lunak Extreme Programming (XP) agar dapat beradaptasi terhadap perubahan dan kebutuhan sistem. Data diperoleh melalui wawancara dengan dokter spesialis, observasi langsung, dan studi pustaka. Pengujian sistem dilakukan dengan metode black box testing untuk memastikan setiap fungsi berjalan sesuai harapan. Hasil dari penelitian ini adalah sistem pakar diagnosis penyakit asam lambung yang dapat diakses oleh masyarakat secara daring, memberikan informasi awal tentang kondisi kesehatan, serta mendukung efisiensi pelayanan medis di RS Pelamonia
Indonesian Cross-Platform Sentiment Analysis: DANN Transfer from General Applications to TradingView Muh. Rifqi Zulkifli; Purnawansyah; Herdianti Darwis
Indonesian Journal of Data and Science Vol. 6 No. 3 (2025): Indonesian Journal of Data and Science
Publisher : yocto brain

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56705/ijodas.v6i3.318

Abstract

Introduction: Cross-platform sentiment analysis for Indonesian language presents significant challenges when adapting models from general applications to specialized domains. Domain Adversarial Neural Networks (DANN) offer promising solutions for transfer learning, yet their effectiveness for Indonesian language remains largely unexplored, particularly under extreme class imbalance conditions common in trading platforms. Methods: This study investigates DANN effectiveness for transferring sentiment analysis knowledge from four strategically selected source domains to TradingView trading platform. The research utilizes 5,990 Indonesian reviews after preprocessing from an initial 6,000 samples, with source domains showing 66.5% positive sentiment while target domain exhibits 85.1% positive sentiment, creating an 18.7% distribution gap. Four experimental approaches were compared with statistical validation across multiple random initializations: Source-Only training, Multi-Domain training, Limited Target training, and DANN implementation. Results: DANN demonstrates stable cross-platform adaptation, achieving 87.77% ± 0.97% accuracy with consistent performance across initializations, outperforming Source-Only baseline (87.10% ± 0.84%) and Multi-Domain approach (86.98% ± 0.64%). While Limited Target baseline achieves higher accuracy (88.10% ± 2.23%), its high variance poses deployment risks. A-distance analysis reveals substantial domain gaps (193.00 ± 1.06), with DANN's adversarial training achieving modest domain separation reduction (72.90% ± 8.81% domain discrimination accuracy). Conclusions: This research contributes the first systematic evaluation of DANN for Indonesian cross-platform sentiment analysis, demonstrating that deployment consistency outweighs peak accuracy for production environments. The findings provide practical value for Indonesian fintech startups requiring robust sentiment analysis with limited labeled data. Future work should explore multi-target adaptation and optimization strategies for diverse Indonesian business domains
Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network Dian; Purnawansyah; Darwis, Herdianti; Nurhayati, Lilis
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3265

Abstract

Bawang merah rentan terhadap serangan penyakit yang dapat mengganggu pertumbuhan dan mengakibatkan hasil panen yang tidak maksimal bahkan gagal panen, seperti bercak ungu dan moler. Penelitian ini bertujuan untuk mengklasifikasikan penyakit bawang merah dengan mengimplementasikan meetode naïve bayes (gaussian , bernoulli, dan multinomial) dan CNN pada citra bawang merah yang diekstraksi menggunakan fourier descriptor. Metode FD – CNN memperoleh tingkat accuracy 98% dalam mengklasifikasikan penyakut bawang merah, moler dan bercak ungu, sedangkan metode CNN tanpa menggunakan ekstraksi menghasilkan nilai accuracy sebesar 97%. Adapun pada metode naïve bayes, pengklasifikasian yang memiliki accuracy paling tinggi adalah metode gaussian naïve bayes sebesar 95% sedangkan yang paling rendah yaitu metode bernoulli naïve bayes dengan tingkat accuracy sebesar 42%. Dengan demikian, dapat disimpulkan bahwa CNN, FD-CNN, dan FD-GNB efektif untuk meningkatkan performa klasifikasi pada citra daun bawang merah.
Klasifikasi Daun Herbal Menggunakan Metode CNN dan Naïve Bayes dengan Fitur GLCM Adela Regita Azzahra; Purnawansyah; Darwis, Herdianti; Widyawati, Dewi
The Indonesian Journal of Computer Science Vol. 12 No. 4 (2023): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v12i4.3362

Abstract

Tanaman herbal menunjukkan variasi berbagai ukuran dan bentuk yang berbeda untuk setiap jenis. Penelitian ini bertujuan untuk mengklasifikasikan citra daun dari daun katuk (Sauropus Androgynus) dan daun kelor (Moringa). Dalam penelitian ini digunakan Gray Level Co-Occurrence Matrix (GLCM) untuk mengektraksi fitur contrast, correlation, homogeneity, dissimilarity, dan Angular Second Moment (ASM). Adapun pada klasifikasi diterapkan metode Convolutional Neural Network (CNN) dan Naïve Bayes dengan kernel Gaussian, multinomial, dan Bernoulli. Jumlah citra yang digunakan dalam riset ini adalah 480 citra, dengan perincian 80% untuk data training dan 20% sebagai data testing. Berdasarkan hasil pengujian dan perbandingan yang telah dilakukan didapatkan kesimpulan bahwa penerapan metode CNN tanpa ekstraksi fitur terbukti lebih efisien dalam proses klasifikasi citra daun herbal, dengan nilai precision, recall, f1-score dan accuracy mencapai 98% pada situasi cahaya terang.
Analisis Performa Metode Support Vector Regression (SVR) dalam Memprediksi Harga Bahan Sembako Nasional Azis, Huzain; Purnawansyah, Purnawansyah; Nirwana, Nirwana; Dwiyanto, Felix Andika
ILKOM Jurnal Ilmiah Vol 15, No 2 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i2.1686.390-397

Abstract

Support Vector Regression (SVR) is a supervised learning algorithm to predict continuous variable values. The basic goal of the SVR algorithm is to find the most suitable decision line. SVR has been successfully applied to several issues in time series prediction. In this research, SVR is used to predict the price of staple commodity, which are constantly changing in price at any time due to several factors making it difficult for the public to get groceries that are easy to reach. National staple commodity data consisting of 17 commodities, including shallots, honan garlic, kating garlic, medium rice, premium rice, red cayenne peppers, curly red chilies, red chili peppers, meat of broiler chicken, beef hamstrings, granulated sugar, imported soybeans, bulk cooking oil, premium packaged cooking oil, simple packaged cooking oil, broiler chicken eggs, and wheat flour. With a data set for the last 3 years, including from January 1, 2020, to December 31, 2022. There are 3 variables in the data set, namely commodity, date, and price. This research divides the entire dataset into 80% training and 20% testing data. The results of this research show that SVR using the RBF kernel produces good forecasting accuracy for all datasets with an average Mean Square Error (MSE) training data of 6,005 while data testing is 6,062, Mean Absolute Deviation (MAD) of training data is 6,730 while data testing is 6.6831, Mean Absolute Percentage Error (MAPE) training data is 0.0148 while data testing is 0.0147, and Root Mean Squared Error (RMSE) training data is 7.772 while data testing is 7.746.
Fourier Descriptor on Lontara Scripts Handwriting Recognition Umar, Fitriyani; Darwis, Herdianti; Purnawansyah, Purnawansyah
ILKOM Jurnal Ilmiah Vol 15, No 1 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i1.1040.193-200

Abstract

Hal yang kritis dalam proses pengenalan pola adalah ekstraksi fitur. Merupakan suatu metode untuk mendapatkan ciri-ciri suatu citra (image) sehingga dapat dikenali satu sama lain. Pada penelitian ini, metode deskriptor Fourier digunakan untuk mengekstraksi pola aksara Lontara yang terdiri dari 23 huruf. Deskriptor Fourier adalah metode yang digunakan dalam pengenalan objek dan pemrosesan citra untuk merepresentasikan bentuk batas segmen citra. Pengenalan karakter dilakukan dengan menggunakan jarak Euclidean dan Manhattan. Hasil pengujian menunjukkan bahwa tingkat pengenalan tertinggi mencapai akurasi 91,30% dengan menggunakan koefisien Fourier sebesar 50. Pengenalan huruf menggunakan Manhattan dan Euclidean cenderung sama atau menghasilkan akurasi yang cenderung serupa. Akurasi tertinggi dicapai saat menggunakan Manhattan sebesar 91,30%.
Utilization of Deep Learning YOLO V9 for Identification and Classification of Toraja Buffalo Breeds Manga', Abdul Rachman; Herawati, Herawati; Purnawansyah, Purnawansyah
ILKOM Jurnal Ilmiah Vol 17, No 1 (2025)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v17i1.2349.12-19

Abstract

This study aims to develop and evaluate a buffalo breed detection system that supports the cultural practices of the Toraja community, particularly in the context of the Rambu Solo’ ceremony. The ceremony places significant importance on the types of buffaloes used, as each breed symbolizes different social statuses and cultural meanings. In response to the need for an accurate and efficient identification method, this research utilizes the YOLOv9 (You Only Look Once version 9) deep learning model to detect and classify Toraja buffalo breeds. A dataset comprising 2,656 annotated images was used, representing five distinct buffalo categories: bongga sori, bonga ulu, moon, saleko, and todi. The images were collected from both field documentation and online sources. The YOLOv9 model was trained across 90 epochs, aiming to achieve high accuracy in breed detection and classification. The evaluation results demonstrate the model's strong performance, achieving a precision of approximately 0.9 and a recall of 0.8. These metrics indicate the model's ability to correctly identify the buffalo breeds with a high degree of reliability. However, during the training process, certain patterns of overfitting and underfitting were observed, suggesting that the model's performance could still be improved. These issues can potentially be addressed by increasing the volume and diversity of training data, applying data augmentation techniques, and fine-tuning hyperparameters to achieve a more balanced generalization. Overall, the findings show that YOLOv9 is a promising tool for supporting cultural preservation through technology by automating the identification of buffalo types used in traditional ceremonies. This system can assist in maintaining the accuracy and consistency of buffalo classification according to local customs. Future research is recommended to explore broader datasets, compare alternative object detection algorithms, and develop an integrated application for practical field use.
Comparative Study of Herbal Leaves Classification using Hybrid of GLCM-SVM and GLCM-CNN Purnawansyah, Purnawansyah; Wibawa, Aji Prasetya; Widyaningtyas, Triyanna; Haviluddin, Haviluddin; Hasihi, Cholisah Erman; Teng, Ming Foey; Darwis, Herdianti
ILKOM Jurnal Ilmiah Vol 15, No 2 (2023)
Publisher : Prodi Teknik Informatika FIK Universitas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v15i2.1759.382-389

Abstract

Indonesia is a tropical country with a diverse range of plants that ancient people used for traditional medicines. However, the similarity in shape of the leaves became an obstacle to distinguishing them. Therefore, technological advancements are expected to help identify the herbal leaves to use them right on target according to their efficacy. In this research, image classification of katuk (Sauropus Androgynus) and kelor (Moringa Oleifera) leaves is applied using 3 different algorithms i.e hybrid of Gray Level Co-Occurrence Matrix (GLCM) feature extraction and Support Vector Machine (SVM) implementing 4 kernels namely linear, RBF, polynomial, and sigmoid; hybrid of GLCM and Convolutional Neural Network (CNN); and pure CNN. A dataset of 480 images has been collected with 2 different scenarios, including bright and dark intensities. Based on the result, a hybrid of GLCM and SVM showed the highest accuracy of 96% in the dark intensity test using a linear kernel, while sigmoid obtained the lowest accuracy of 35%. On the other hand, it has been discovered that CNN obtained the highest performance in the bright intensity test with an accuracy of 98%. While in the dark intensity test, a hybrid of GLCM and CNN is superior, obtaining 96% accuracy. In conclusion, CNN is more powerful for image classification with bright intensity. For dark intensity images, both the hybrid of GLCM+SVM (linear) and the hybrid of GLCM+CNN are fairly recommended.
Co-Authors - Nurhikma A. Nurjulianty Abd. Rasyid Syamsuri Achmad Fanany Onnilita Gaffar Achmad Fanany Onnilita Gaffar Adela Regita Azzahra Adela Regita Azzahra Adnan, Adam Agung R Ahmad Fadly Aji P. Wibawa Aji Prasetya Wibawa Alfitriana Riska Alfitriana Riska Alfiyyah, Nurul Alisma, Alisma Andi Muhammad Adnan Rusdy Andi Muhammad Halis Andi Muhammad Naufal Andri Rajsya Anisatul Humairah Arfah, Jumrayanti Arrosied, Harun Arvina Yudithia Sompie Astuti, Wistiani Atussaliha, Nur Almar' Aulia Rezky Rahmadani Darmawati Awang Harsa Kridalaksana Awangga, Narendra Azwan Triyadi Backar, Sunarti Passura Basri, Haerunnisa Benny Leonard Enrico P Benny Leonard Enrico Panggabean Bustam, Faida Daeng Darmawati, Aulia Rezky Rahmadani Desi Anggreani Desy Indri Luthfia Andy Dewi Widyawati Dian Dian Dolly Indra Dwiyanto, Felix Andika Eka Arman Enrico Panggabean, Benny Leonard Erick Irawadi Alwi, Erick Irawadi Fahmi Fahmi Fajar AR, Muh. Aqil Faradibah, Amaliah Farniwati Fattah Fatimah Syarifuddin Fattah, Farniwati Fattah, St. Fajriah Fery Setyo Aji Fifi Febrianti Usman Firman Akbar Fitriyani Umar Gaffar, Achmad Fanany Onnlita Gaffar, Andi Widya Mufila Harlinda L Harlinda Lahuddin Hasihi, Cholisah Erman Hasnidar S. Hasrah Wahyuni Haviluddin Haviluddin Herawati Herawati Herman Herman Huzain Azis Ifan Wahyudi Irawati Irawati Irawati Irawati Iriani Indah Saputri Jumrayanti Arfah Kasmira Kasmira Kasmira, Kasmira Kotot Tri Hartanto Kurniati, Nia La Saiman Lilis Hayati lilis nurhayati Listyan Nur Saida Lokapitasari Belluano, Poetri Lestari Lukman Syafie Lutfi Budi Ilmawan, Lutfi Budi Lutfi Budiman Ilmuwan M. Imam Maulana M. Takdir Mahfuddin Mukmin Malani, Rheo Manga, Abdul Rachman Mardiyyah Hasnawi Ming Foey Teng Ming Foey Teng, Ming Foey Muh Alim Abdi Muh. Fadhil Attariq Hasril Muh. Rifqi Zulkifli Muhammad Arfah Asis Muhammad Arfah Iswaniah Muhammad Hardiansyah Hairi Muhammad Ikhsan Supriyadi Muhammad Nur Firdaus Muhammad Yushar Mattola Munaf, Adryan Dwiprawira Munawir Nasir Hamzah Nafalski, Andrew Nia Kurniati Nirmala Nirmala, Nirmala Nirwana, Nirwana Nugroho, Basuki Rahmat Nur Afra Dimitri Pratiwi Nur Ainun Zulkarnain Nur Almar' Atussaliha Nur Rahmah NURZAENAB NURZAENAB NURZAENAB, NURZAENAB Panggabean, Benny Leonard Enrico Purba, Muren Fiatra Denata Putri Regina Prayoga Putri, Inggrianti Pratiwi Rahma Puspitasari Rahma Puspitasari Rahmadani Rahmadani Raja, Roesman Ridwan Ramdan Sastra Ramdan Sastra Ramdaniah Ramdaniah Rayner Alfred Rayner Alfred Resky Anugrah Rezky Anugrah Saiman, La Salim, Yulita Saly, Intan Novita Samir, Mutmainnah Sastra, Ramdan Setyadi, Hario Jati Siti Rahmi Kelilauw Sitti Nurhalimah Sitti Rahmah Jabir St. Hajrah Mansyur Sugiarti, Sugiarti Sulfikar Sulfikar Sunarti Passura Backar Syafie, Lukman Syamsiar, Syamsiar Tasrif Hasanuddin Triyanna Widiyaningtyas Triyanna Widyaningtyas, Triyanna Umalekhoa, Alfi Syahrin Umar, Fitriyani Usman, Fifi Febrianti Wahyuni Wahyuni Wd. Shaqina Rafa Naura Widyawati, Dewi Wistiani Astuti Wistiani Astuti Wong, Kelvin Wulan Purnama Sari Yudha Islami Sulistya Yulita Salim Yusrandi Yusrandi Zahif Safyin Saleh Zahirah, Dinna Zulkifli Zulkifli