Article Per Year (5 Year)
p-Index From 2021 - 2026
11.778
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan JurTI (JURNAL TEKNOLOGI INFORMASI) Antivirus : Jurnal Ilmiah Teknik Informatika Jurnal ICT : Information Communication & Technology JATI (Jurnal Mahasiswa Teknik Informatika) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Journal of Renewable Energy, Electrical, and Computer Engineering BULLET : Jurnal Multidisiplin Ilmu AMMA : Jurnal Pengabdian Masyarakat Jurnal Sistem Informasi dan Manajemen Jurnal Kecerdasan Buatan dan Teknologi Informasi Spektra : Jurnal Ilmu-ilmu Sosial Educommunity Jurnal Pengabdian Masyarakat Jurnal Komtika (Komputasi dan Informatika)
Irfan Ali, Irfan
Unknown Affiliation
Humanities Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Medicine & Pharmacology Nursing Social Sciences Other

Published : 98 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 98 Documents
Search

 2   3   4   5   6 
IMPLEMENTASI ALGORITMA K-MEANS PADA KASUS KEKERASAN DALAM RUMAH TANGGA DI JAWA BARAT Annurfariz, Aditya; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8348

Abstract

Penelitian ini membahas kasus Kekerasan Dalam Rumah Tangga (KDRT) di Provinsi Jawa Barat dengan menggunakan algoritma K-Means dalam konteks Knowledge Discovery in Database (KDD). Data korban KDRT dari tahun 2018 hingga 2022 menunjukkan peningkatan setiap tahunnya, dan penelitian ini bertujuan untuk mengelompokkan kasus tersebut berdasarkan karakteristik serupa dengan harapan dapat membantu pemerintah Jawa Barat dalam menekan angka kasus KDRT. Hasil penelitian menunjukkan bahwa K-Means dengan dua kluster (K=2) memberikan hasil terbaik berdasarkan evaluasi menggunakan Davies Bouldin Index. Cluster 0 mencakup wilayah dengan jumlah kasus KDRT rendah, sedangkan Cluster 1 mencakup wilayah dengan jumlah kasus KDRT tinggi. Kabupaten/kota di setiap cluster diidentifikasi, memberikan informasi yang berguna untuk perencanaan dan penanganan kasus KDRT. Kesimpulan dari penelitian ini adalah bahwa penerapan algoritma K-Means dapat membantu mengelompokkan kasus KDRT di Jawa Barat berdasarkan karakteristiknya. Namun, diperlukan langkah-langkah pencegahan dan penanganan yang lebih intensif, termasuk program edukasi masyarakat, penguatan sistem dukungan korban, pelatihan bagi penegak hukum, dan kolaborasi dengan lembaga kesehatan. Selain itu, pengembangan rencana pencegahan yang spesifik dapat menjadi langkah strategis untuk mengurangi angka kasus KDRT di masa mendatang.
PREDIKSI JUMLAH NARAPIDANA MENGGUNAKAN ALGORITMA REGRESI LINIER: DI WILAYAH CIREBON Indriyan Dwi Kesuma, Adri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8364

Abstract

Penelitian ini bertujuan untuk memprediksi jumlah narapidana di Cirebon, Jawa Barat, dengan menggunakan regresi linier sebagai metode untuk mengatasi tren peningkatan kejahatan dan kekhawatiran terhadap peningkatan jumlah narapidana di wilayah tersebut. Dataset yang diperoleh dari opendata.cirebonkota.go.id yaitu jumlah narapidana berdasarkan putusan pengadilan menurut jenis tindak pidana di LP Kelas 1 Cirebon digunakan untuk menganalisis data pada bulan Desember 2020 hingga Agustus 2023. Fokus penelitian adalah memperkirakan jumlah narapidana di Cirebon bulan berikutnya yaitu September, Oktober, November, dan Desember tahun 2023. Regresi linier digunakan sebagai metode prediksi utama karena penggunaannya yang umum dalam peramalan. Keakuratan prediksi dinilai menggunakan pengukuran Root Mean Squared Error (RMSE) dan Relative Error. Hasilnya, perkiraan jumlah narapidana di Cirebon pada bulan September, Oktober, November, dan Desember 2023 masing-masing berjumlah 894, 897, 896, dan 891 orang. Evaluasi keakuratan prediksi menunjukkan nilai RMSE bulan September, Oktober, November, dan Desember masing-masing sebesar 8,60, 8,65, 8,16, dan 8,14. Nilai Relative Error pada bulan yang sama masing-masing sebesar 44,16%, 54,20%, 38,14%, dan 45,26%. Berdasarkan nilai RMSE, prediksi tersebut tergolong relatif akurat. Namun, pertimbangan lebih lanjut diperlukan untuk nilai Relative Error karena persentasenya yang besar.
ANALISIS SENTIMEN TANGGAPAN MASYARAKAT DI MEDIA SOSIAL TWITTER MENGENAI PENUTUPAN FITUR TIKTOK SHOP MENGGUNAKAN ALGORITMA KLASIFIKASI NAÏVE BAYES Putra Pratama, Aeri; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8367

Abstract

Perkembangan teknologi yang pesat memberikan kemudahan dalam kehidupan manusia, termasuk akses hiburan, informasi, serta layanan jasa dan toko online. Platform media sosial TikTok menjadi salah satu hasil dari perkembangan teknologi informasi dan komunikasi, yang menghadirkan dimensi Social-Commerce melalui fitur TikTok Shop. Namun saat ini pemerintah indonesia mengambil keputusan untuk menutup dan meregulasi fitur TikTok Shop. Hal ini menjadi tren topik yang memicu perdebatan di media sosial twitter. Sehingga banyak pengguna twitter yang pro dan kontra mengenai keputusan yang diambil oleh pemerintah indonesia. Tujuan penelitian ini untuk mengetahui sentimen masyarakat mengenai fenomena penutupan fitur tiktok shop berdasarkan kategori Positif dan Negatif. Pada penelitian ini menggunakan Algoritma Klasifikasi Naive Bayes dengan menggunakan software tools Rapidminer dan memanfaatkan Metode Knowledge Discovery in Databases (KDD). Penelitian ini memperoleh data 1504 data tweet kemudian melakukan Data Selection menjadi 858 data tweet. Hasil analisis sentimen dari 1504 tweet menunjukkan bahwa 395 diantaranya bersentimen positif dan 460 bersentimen negatif terhadap keputusan pemerintah dalam menutup dan meregulasi fitur tiktok shop. Melalui penerapan data mining dengan menggunakan Algoritma Naive Bayes dan operator Cross validation menghasilkan nilai recall 55.00%, nilai precision 71.27% dan nilai Accuracy 64.41%. Kesimpulan penelitian ini menegaskan bahwa penerapa Klasifikasi Naive Bayes pada tweet dengan topik Penutupan dan regulasi fitur tiktok shop di platform media sosial twitter menampilkan nilai peformance dan kinerja yang cukup baik dalam menganalisis sentimen terhadap data twitter. Kontribusi dari penelitian ini dapat membantu mengevaluasi keefektivitasan kebijakan pemerintah dalam pengambilan keputusan yang lebih baik terhadap fitur TikTok Shop.
ANALISIS PENJUALAN PRODUK UMKM DI SHOPEE PADA TOKO AGUNG0NA9 MENGGUNAKAN MODEL ALGORITMA REGRESI LINEAR Supriyatna, Adi; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8372

Abstract

Shopee merupakan platform e-commerce yang beroperasi secara online dan hadir di berbagai negara di Asia Tenggara, Shopee telah berkembang pesat dalam beberapa tahun terakhir memungkinkan konsumen membeli produk secara online, Toko umkm Agung0na9 Menjual produk kategori musik dan juga kerajinan. Tujuan dari penelitian ini adalah menerapkan algoritma regresi linier untuk memprediksi produk dengan Kategori musik dan kerajinan yang akan terjual dalam waktu 3 bulan berikutnya. Regresi linear digunakan sebagai metode prediksi dengan jumlah produk yang terjual sebagai variabel Y dan periode sebagai variabel X. relative Error digunakan untuk mengevaluasi hasil prediksi. Hasil prediksi kategori Musik pada bulan pertama terjual 68 pcs, pada bulan kedua 69 pcs dan bulan ketiga 70 pcs dan kategori Kerajinan pada bulan pertama terjual 1078 pcs, pada bulan kedua 1029 pcs dan bulan ketiga 1066 pcs. Hasil evaluasi nilai Nilai Relative Error pada kategori Musik 13.64%, sedangkan, Nilai Relative Error kategori Kerajinan 22.65%. Prediksi penjualan handphone menggunakan metode regresi linear ini dapat dikatakan tergolong dalam kategori cukup atau bisa digunakan.
ANALISIS SENTIMEN TWITTER TERHADAP CRYPTOCURRENCY MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE Syahrul, Adis; Purnamasari, Ade Irma; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8381

Abstract

Analisis sentimen terhadap cryptocurrency telah menjadi topik penting dalam riset dan pengembangan di bidang keuangan dan teknologi informasi. Twitter, sebagai platform media sosial yang populer, menjadi sumber data yang berharga untuk memahami sentimen pengguna terhadap cryptocurrency. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap cryptocurrency berdasarkan data dari Twitter menggunakan algoritma Naive Bayes dan Decision Tree. Metode yang digunakan melibatkan pengumpulan data dari Twitter yang berisi percakapan terkait cryptocurrency. Data tersebut kemudian dibersihkan, diproses, dan dianalisis menggunakan algoritma Naive Bayes dan Decision Tree. Naive Bayes digunakan untuk mengklasifikasikan sentimen menjadi positif, negatif, atau netral berdasarkan fitur-fitur teks dari tweet. Sementara itu, Decision Tree digunakan untuk membangun model prediktif yang dapat mengidentifikasi pola sentiment terhadap cryptocurrency..Hasil penelitian menunjukkan bahwa akurasi Naïve Bayes mencapai 80.222%, sedangkan Decision Tree mencapai 65.03%. Dari hasil ini, dapat disimpulkan bahwa Naïve Bayes lebih baik dalam mengklasifikasikan text mining dengan akurasi tertinggi. Perbandingan antara kedua metode menunjukkan perbedaan akurasi yang tidak signifikan, yaitu untuk Naïve Bayes dengan akurasi 80.22%, Presisi 96.90%, dan Recall 62.54%, serta Decision Tree dengan akurasi 65.03%, Presisi 52.02%, dan Recall 98.94%. Analisis opini publik terhadap cryptocurrency mengungkapkan bahwa masyarakat Indonesia cenderung memberikan tanggapan positif terhadap mata uang digital ini setelah dilakukan penelitian ini.
ANALISIS PERBANDINGAN ALGORITMA DECISIOIN TREE DAN NAÏVE UNTUK MENGEVALUASI PRESTASI BELAJAR SISWA: STUDI KASUS : SMK AL-MUSYAWIRIN Sholihin Fauzan, Aldi; Irma Purnama Sari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8403

Abstract

Prestasi belajar siswa merupakan faktor kunci dalam dunia pendidikan. Suatau negara akan maju seiring dengan kemajuan dalam bidang pendidikannya. Prestasi belajar siswa dapat meningkatkan akreditasi sekolah dan merupakan salah satu faktor keberhasilan pendidikan. Analisis data akademik yang tepat dapat membantu mengenai unsur-unsur yang mempengaruhi hasil prestasi belajar siswa. Oleh karena itu, penggunaan algoritma klasifikasi seperti Decision Tree dan Naïve Bayes menjadi penting untuk membantu pengambilan keputusan di lingkungan pendidikan. Penelitian ini mendapatkan sumber data dari SMK Al-Musyawirin Weru Cirebon dengan jumlah data sebesar 202 dengan menggunakan teknik pengumpulan data melakukan observasi dan wawancara langsung. Atribut yang digunakan dalam penelitian ini adalah Nama Siswa, Mata Pelajaran Pendidikan Agama Islam, Pendidikan Kewarganegaraan, Bahasa Indonesia, Bahasa Inggris, Matematika, Sejarah, Seni Budaya, Pendidikan Jasmani Olahraga Kesehatan, Simulasi Digital, Fisika, Kimia dan Bahasa Sunda. Peneliti menerapkan kedua algoritma ini menggunakan teknik data mining. Pada pengujian Cross Validation dengan 5-fold menggunakan metode Naïve Bayes menunjukan hasil keakuratan tertinggi sebesar 85.93%. Sedangkan pengujian menggunakan split data medapatkan keakuratan 95.00%. Pada pengujian Cross Validation dengan 7-fold menggunakan metode Decision Tree menunjukan hasil keakuratan tertinggi sebesar 89,22%. Sedangkan pengujian menggunakan split data medapatkan keakuratan 100.00%. Menurut hasil yang telah diuji dengan menggunakan tools RapidMiner, menyatakan bahwa metode Decision Tree memiliki tingkat akurasi yang lebih tinggi daripada metode Naïve Bayes dalam menentukan prestasi akademik siswa. Dalam hal ini bagian akademik bisa mengantisipasi hasil pembelajaran siswa jika ada yang kurang berprestasi.
IMPLEMENTASI DATA MINING UNTUK CLUSTERING JENIS OBAT MENGGUNAKAN METODE ALGORITMA K-MEANS DI UPTD PUSKESMAS TEGAL GUBUG Arofah, Mila; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8410

Abstract

Kebutuhan obat-obatan yang sesuai merupakan faktor penting dalam pengendalian pemasokan obat yang efektif dan efisien. Hal ini memastikan ketersediaan berbagai jenis obat sesuai kebutuhan dan dapat diperoleh tepat waktu. Namun, proses pengadaan obat di Puskesmas masih mengalami kendala dalam menentukan jenis dan jumlah obat yang optimal. Kendala ini dapat mengakibatkan kekurangan atau kelebihan stok obat, yang berdampak pada pemborosan dan inefisiensi. Penelitian ini bertujuan untuk membentuk kelompok-kelompok data obat-obatan di UPTD Puskesmas Tegal Gubug menggunakan metode clustering data mining. Penelitian dapat membantu dalam proses pengambilan keputusan, perencanaan, dan pengendalian pasokan obat di Puskesmas. Penelitian ini menggunakan metode clustering data obat-obatan dengan algoritma K-Means. Algoritma K-Means adalah metode clustering non-hirarki yang mempartisi data ke dalam kelompok-kelompok (cluster) berdasarkan kesamaan karakteristik. Hasil penelitian menunjukkan bahwa algoritma K-Means dapat mengelompokkan data obat-obatan di UPTD Puskesmas Tegal Gubug berdasarkan pengujian dengan 124 data. Cluster optimal menyumbangkan 10 data untuk cluster C1 (obat dengan pemakaian lambat), 50 data untuk cluster C2 (obat dengan pemakaian sedang), dan 64 data untuk cluster C3 (obat dengan pemakaian cepat). Hal ini menunjukkan bahwa data mendekati cluster pembayaran (Pusat). Metode clustering data mining dengan algoritma K-Means dapat membantu Puskesmas dalam meningkatkan efektivitas dan efisiensi pengendalian pasokan obat.
ANALISIS SENTIMEN PENGGUNA TWITTER TERHADAP PERKEMBANGAN ARTIFICIAL INTELLIGENCE DENGAN PENERAPAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM) Azrul, Ahmad; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8416

Abstract

Dalam era transformasi teknologi yang pesat, perkembangan kecerdasan buatan (Artificial Intelligence atau AI) menjadi salah satu tonggak utama yang membentuk pandangan masyarakat global. Meskipun perkembangan Artificial Intelligence (AI) menghadirkan berbagai potensi positif, permasalahan yang muncul adalah kurangnya pemahaman mendalam terhadap pandangan dan sentimen pengguna Twitter terhadap evolusi teknologi ini. Tujuan penelitian ini adalah untuk menganalisis sentimen pengguna Twitter terhadap perkembangan AI dan mengevaluasi kinerja model LSTM dalam menginterpretasikan opini menggunakan algoritma Long Short-Term Memory (LSTM) dengan memanfaatkan metode Knowledge Discovery in Database (KDD). Hasil analisis sentimen dari 1513 tweet menunjukkan bahwa 999 di antaranya bersentimen positif dan 514 bersentimen negatif terhadap perkembangan AI. Melalui uji coba, model LSTM mencapai tingkat akurasi tertinggi sebesar 74,25% pada epoch 20 dengan 100 neuron pada lapisan LSTM. Pengujian dengan split data 80:20 menghasilkan kinerja terbaik dengan 1210 data training dan 303 data testing. Kesimpulan penelitian ini menegaskan bahwa penerapan LSTM pada data tweet AI memberikan kinerja yang baik, dengan rata-rata akurasi 74.25%, precision 80.29%, recall 81.09%, dan f1-score 80.69%. Hasil ini menunjukkan kemampuan model LSTM dalam efektif memahami perasaan pengguna Twitter terhadap perkembangan AI.
ANALISIS SENTIMEN KOMENTAR BERITA DETIK.COM MENGGUNAKAN ALGORITMA SUPORT VEKTOR MACHINE (SVM) Hendiana, Hendiana; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 3 (2024): JATI Vol. 8 No. 3
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i3.8421

Abstract

Dalam konteks analisis sentimen terhadap komentar berita, permasalahan utama adalah kompleksitas dalam memahami dan menyebarkan opini serta tanggapan masyarakat terhadap berita . Dengan banyaknya komentar yang besar, menilai apakah umpan balik bersifat positif atau negatif, menjadi tugas yang rumit. Oleh karena itu, perlu adanya pendekatan yang canggih dan efektif, seperti menggunakan algoritma SVM, untuk meningkatkan presisi dan efisiensi analisis sentimen.dalam penelitian Data berisi 1000 komentar dari berbagai judul dan topik berita yang diambil dari website berita Detik .Com.komentar tersebut di Analisis menggunakan algoritma SVM untuk menentukan tingkat sentimen negatif dan positif. Performa SVM dalam analisis sentimen diukur dengan perhitungan akurasi, presisi, recall, dan f1-score.dari 400 komentar yang menghasilkan 288 komentar negatif dengan nilai presisi:0.99, recall:0.98, dan f-score:0.99 dan 112 komentar positif dengan nilai presisi :0.95, recall:0.98, dan f-score: 0.96, dengan akurasi sebesar 0.98Hasil penelitian ini menunjukkan bahwa kompleksitas bahasa Indonesia dalam komentar berita di Detik.com mempengaruhi sentimen distribusi. Hasil menunjukkan bahwa sentimen negatif lebih dominan daripada sentimen positif dalam komentar berita di Detik.com Berdasarkan temuan penelitian, disarankan agar pengembangan model analisis sentimen lebih lanjut mempertimbangkan peningkatan dalam mengatasi kompleksitas bahasa Indonesia
PENERAPAN METODE LONG SHORT TERM MEMORY (LSTM) DALAM MEMPREDIKSI HARGA SAHAM PT BANK CENTRAL ASIA Rosyd, Abdul; Irma Purnamasari, Ade; Ali, Irfan
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8440

Abstract

PT Bank Central Asia merupakan salah satu perusahaan yang beroperasi di sektor perbankan di Indonesia. Saham adalah surat kepemilikan yang menunjukkan seberapa besar kepemilikan seseorang atau suatu institusi dalam suatu Perusahaan. Permasalahan utama yang dihadapi oleh investor adalah bagaimana memprediksi pergerakan harga saham di masa depan sehingga dapat mengambil keputusan investasi yang tepat. Metode penelitian yang digunakan dalam penelitian ini adalah menggunakan algoritma LSTM dengan optimasi "adam". LSTM merupakan pengembangan dari RNN yang memiliki kemampuan untuk mengolah data yang memiliki hubungan temporal atau urutan. Penelitian ini bertujuan untuk menerapkan metode Long Short Term Memory (LSTM) dalam memprediksi harga saham PT Bank Central Asia dengan menggunakan pendekatan eksperimental. Dengan mengumpulkan dan menganalisis data historis harga saham Bank BCA dari 2020 hingga 2023, metode LSTM dengan optimasi "adam" berhasil memberikan prediksi yang memiliki tingkat akurasi yang baik, ditunjukkan oleh nilai Root Mean Square Error (RMSE) sebesar 40.85, Mean Absolute Percentage Error (MAPE) sebesar 0.71%, dan Mean Squared Error (MSE) sebesar 6662.76. Hasil prediksi ini diharapkan dapat mendukung pengambilan keputusan investasi dengan memberikan wawasan yang berguna dalam analisis pergerakan harga saham PT Bank Central Asia.
Co-Authors Abdul Rohim, Adi Nur Abdul Rosid, Rizal Ade Irma Adi Supriyatna Adinata, Adinata Ahmad Jaelani Al-Maulid, Hisyam Aldiyansyah, Aldiyansyah Alfin Maulana Alfudola, Mahfudz Alkatiri, Nazwa Alvianatinova, Via Amalia, Rosnita Amer, Abdu Shobarudin Ana Amalia, Ana Andriyanti, Rina Annurfariz, Aditya Apriliana Janatu Marwa Arofah, Mila Asep Yoyo Wardaya Auliya, Suci Ayuningsih, Sri Az-Zahra, Asih Azrul, Ahmad Azzam, Ahmad Burhanudin, Haris Dendy Indriya Efendi Destiawati, Deby Dewanty Rafu, Maria Dienwati Nuris, Nisa Dikananda, Arif Rinaldi Dikananda, Fatihanursari Efendi , Dendy Indriya Effendy, Dendy Indria Fahreza, Rheznandya Faisal Adam, Faisal Faqih, Habib Fasa, Saefullah Fatmawati, Aisyah FAUZAN, AKMAL Fazari Hidayat, Nizar Gifthera Dwilestari Gitacahyani, Adisty Gunia, Euis Hadiyanto Hadiyanto Hagi Badra, Muhammad Hendiana, Hendiana Hermawan, Ramdan Hidayah, Freni Mega Hidayattullah, Rizky Huda, Irhamul Hurifiani, Alfia Ikbal, Ali Ilham, Mokhamad Indah Indah Indriya Efendi, Dendy Indriyan Dwi Kesuma, Adri Irma Purnama sari, Ade Irma Purnamasari , Ade Irma Purnamasari, Ade Julkarnaen, Agus Juwita, Ita Karbala, Syahid Kaslani Khalda Rifdan, Ghina Lana Sularto Lestari, Gifthera Dwi Listianto, Ahmad Bilal Lisyana, Zita Lukman Rohmat, Cep Mahdalena, Putri Ayu Martanto . Maulana, Ali Mayang Fadilah, Dewi Muhamad Basysyar , Fadhil Muharam, Arbi Adi Muharram, Akbar Muhimmatul ulya, Syilwa Mulyawan Nawang Wulan, Hidayah Nining Rahaningsih Nugraha, Rifqi Nugroho, Rizwar Adi Nur Alam, Alfian Nur Aziziah, Aldila Nursaniah, Rini Nursatika Kusuma, Ines Odi Nurdiawan Oktaviani Putri , Farra Pajri, Riki Pardiana, Firda Prahara, Sukma Pratama, Denni Purnamasari, Ade Irma Putra Pratama, Aeri R, Nining Raafi, Muhammad Rahmi Safitri, Rahmi Ramanto, Aditiya Ramdani, Rizki Ridho Nugraha Rifa'i, Akhmad Rikiyashi, Afkan Rismala, Rismala Rizki Rinaldi, Ade Rizky Wulandhari, Putri Rodhiyana, Mu'allimah Rohman, Dede Rohmat, Cep Lukman Rosyd, Abdul Roziqin, Ahmad Khoirur Sadiyah, Ainur Rohimatus Salamah, Soviatus Saputra, Muhammad Sariah Sariah Setianingsih, Indri Sholihin Fauzan, Aldi Sofialaela, Annisa Solihudin, Dodi Sri Widyastuti Suarna, Nana Sudrajat, Adi Suryana, Aldi Susana, Heliayanti Susana, Heliyanti Syahrul, Adis Tohidi, Edi Vina, Vina Windy Mardiyyah, Nita Wirdiyan, Farhan Azfa Wisnu Saputra, Adrian wiwied pratiwi, wiwied Yudhistira Arie Wijaya Yulistiano, Irena Zahrudin Zhahiran Herlambang, Prilanisa