Article Per Year (5 Year)
p-Index From 2021 - 2026
12.331
P-Index
This Author published in this journals
All Journal AGRIVITA, Journal of Agricultural Science 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) JISA (Jurnal Informatika dan Sains) JUSTIN (Jurnal Sistem dan Teknologi Informasi) Journal of Renewable Energy, Electrical, and Computer Engineering Journal of Artificial Intelligence and Engineering Applications (JAIEA) PENA ABDIMAS : Jurnal Pengabdian Masyarakat BULLET : Jurnal Multidisiplin Ilmu Jurnal Sistem Informasi dan Manajemen Jurnal Kecerdasan Buatan dan Teknologi Informasi Spektra : Jurnal Ilmu-ilmu Sosial Educommunity Jurnal Pengabdian Masyarakat As-Sulthan Journal of Education Jurnal Komtika (Komputasi dan Informatika)
Irfan Ali, Irfan
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Medicine & Pharmacology Nursing Public Health Social Sciences Other

Published : 102 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 102 Documents
Search

 3   4   5   6   7 
PENERAPAN DATA MINING DALAM PREDIKSI PRODUKSI BERAS MENGGUNAKAN METODE REGRESI LINEAR Adinata, Adinata; 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.v8i2.8494

Abstract

Kondisi geografis Indonesia yang mendukung serta memiliki iklim tropis sangat cocok untuk membudidayakan padi. Sehingga pada tahun 2018, Indonesia berhasil menjadi negara penghasil beras terbanyak di dunia. Hal ini menjadikan Indonesia sebagai negara penghasil beras terbanyak di dunia pada tahun 2018. Analisis regresi digunakan untuk memprediksi nilai dari suatu variabel response (y) dengan menggunakan nilai dari variabel prediktor/independent (x). Tujuan penelitian ini adalah untuk Mendapatkan gambaran daerah-daerah penghasil beras di Kabupaten Cirebon, Mengklasifikasikan daerah-daerah penghasil beras di Kabupaten Cirebon berdasarkan kuantitas hasil panen per tahun, Mengimplementasikan data mining dengan metode regresi linear untuk memprediksi produksi beras di daerah-daerah prioritas produksi beras di Kabupaten Cirebon. Hasil penelitian menunjukan bahwa RMSE dan Relative Error, menunjukkan jika metode prediksi yang dipergunakan baik. Hasil penelitian nilai evaluasi yang di dapat dari perhitungan prediki menggunakan RMSE 285.590 dan Relative Error 0.000 %. Dan prediksi produk beras yang disimulasikan dengan rapidminer mempunyai nilai min 140 dan nilai max 41060 dengan nilai rata-rata 9037.220 dan standard deviation 7837.949, Hasil evaluasi nilai RMSE pada produksi beras adalah 285.590, sedangkan nilai Relative Error adalah 0.000%. Nilai RMSE dan Relative Error yang mendekati 0 menunjukkan bahwa prediksi mendekati nilai aktual.
IMPLEMENTASI NAÏVE BAYES UNTUK KLASIFIKASI KELAYAKAN PENERIMA BANTUAN SOSIAL Fatmawati, Aisyah; 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.v8i1.8714

Abstract

Pemberian bantuan sosial artinya suatu upaya untuk membantu masyarakat yang membutuhkan. Tetapi, pada mendistribusikan bantuan sosial, krusial buat memastikan bahwa bantuan tersebut diberikan pada mereka yang benar-benar membutuhkannya. Penelitian ini bertujuan untuk berbagi suatu model prediksi kelayakan penerima bantuan sosial menggunakan metode Naive Bayes. Metode Naive Bayes dipilih karena kemampuannya pada mengatasi masalah pembagian terstruktur mengenai menggunakan dataset yang kompleks. Model ini memanfaatkan perkiraan independensi antar-fitur yang mempermudah perhitungan probabilitas kelas. Pada konteks ini, kelas yg diprediksi merupakan "kelayakan" atau "tidak kelayakan" menjadi penerima bantuan sosial. Penelitian ini dibutuhkan dapat menyampaikan kontribusi dalam menaikkan efisiensi serta keadilan pada pendistribusian bantuan sosial dengan memanfaatkan metode Naive Bayes, diperlukan dapat menghasilkan model yang dapat dengan seksama memprediksi kelayakan penerima bantuan sosial sesuai informasi yang tersedia. Implementasi model ini di lapangan diharapkan bisa membantu lembaga penyedia bantuan sosial untuk mengoptimalkan sumber daya mereka dan memastikan bantuan disalurkan pada yang benar-benar membutuhkan. Dari perhitungan tersebut, nilai akurasi hasil pengujian klasifikasi menggunakan algoritma Naive Bayes adalah sebesar 86.36%.
PENERAPAN ALGORTMA X-MEAN MENENTUKAN PENERIMA BANTUAN SOSIAL Jaelani, 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.v8i1.8828

Abstract

Pertambahan jumlah data keluarga tidak mampu di Desa Jatipancur dapat berpotensi mengakibatkan dampak buruk akibat peningkatan jumlah penduduk. Masalah ketidakseimbangan keluarga tidak mampu dapat menyebabkan masalah kemiskinan dan tekanan penduduk. Tujuan penelitian ini adalah Mendapatkan hasil cluster dari penerima bantuan Sosial dala pengaplikasian metode x-mean, mengetahui kelompok penerima bantuan sosial dan cluster terbaik. Penelitian menggunakan pendekatan data mining dengan menerapkan Algoritma X-Means Clustering. Algoritma X-Means diimplementasikan menggunakan software Ms. Excel dan Rapidminer. Penelitian ini menggunakan data dari Badan Pusat Statistik (BPS) Jatipancur, Data yang digunakan melibatkan 7 atribut dan mencakup periode tahun 2019-2023. Hasil pengelompokan menggunakan X-Means menghasilkan 10 cluster, Cluster 1 mendekati nilai sempurna dengan Davies Bouldin Index sebesar 0.002, Jarak antara cluster terbaik adalah pada cluster 1 dengan jumlah 0.000, serta Performance terdekat ada pada cluster 0 dengan nilai 5.672.239.884.760. Peneliti berharap penelitian ini dapat membantu Desa Jatipancur dalam proses penyaluran bantuan dan Optimalisasi dalam penyaluran bantuan yang lebih tepat sasaran.
ANALISIS PENGARUH POLA PENJUALAN DENGAN MENGGUNAKAN FREQUENT PATTERN GROWTH DI TOKO AZZAHRA SNACK Alkatiri, Nazwa; 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.v8i2.8990

Abstract

Dalam bisnis yang berkembang pesat, peran teknologi informasi sangat penting. Analisis belanja keranjang pasar (Market Basket Analysis) menggunakan algoritma FP-Growth telah menjadi metode yang relevan untuk memahami pola transaksi penjualan. Penelitian ini bertujuan menganalisis pola transaksi di Toko Azzahra Snack dengan menerapkan algoritma FP-Growth. Data Mining dengan algoritma FP-Growth digunakan untuk menemukan pola kombinasi hubungan antar item-set melalui Association Rules. Hasil analisis dapat membimbing manajemen stok produk yang kurang diminati, melalui tahapan Knowledge Discovery in Database (KDD) yang melibatkan Data Selection, Data Cleaning, Transformation Data, Data Mining, dan Interpretation atau Evaluation. Eksperimen pertama mengungkapkan empat item makanan paling sering dibeli oleh pelanggan: Lemper, Dimsum, Combro, dan Donat. Eksperimen kedua menunjukkan lima item makanan yang sering dibeli, termasuk Putu Ayu. Rules Support (X,Y) menunjukkan Support dan Confidence tertinggi untuk masing-masing item, memberikan wawasan untuk mengoptimalkan penjualan pada makanan yang diminati pelanggan. Berdasarkan hasil eksperimen, Association Rules pada 4 item makanan pertama dan 5 item makanan kedua dapat mengoptimalkan penjualan pada produk yang sering dibeli pelanggan, dengan Support dan Confidence tertinggi untuk setiap item.
PENERAPAN ALGORITMA K-MEANS CLUSTERING DALAM PENGELOMPOKAN DATA PENJUALAN SUPERMARKET BERDASARKAN CABANG (BRANCH) Alvianatinova, Via; Ali, Irfan; Rahaningsih, Nining; Bahtiar, Agus
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.v8i2.8993

Abstract

Penjualan ritel, terutama dalam konteks supermarket, merupakan aspek krusial dalam operasional bisnis yang memerlukan pengelolaan data yang efisien. Penelitian ini dilakukan untuk mengeksplorasi implementasi algoritma K-Means clustering dalam mengelompokkan data penjualan dari berbagai cabang supermarket, dengan fokus utama pada peningkatan efisiensi operasional dan strategi penjualan. Dalam era digital saat ini, penjualan supermarket menghasilkan volume besar dan data penjualan yang kompleks setiap hari. Pengelolaan dan pemahaman data ini menjadi tantangan signifikan, terutama ketika terdapat banyak cabang yang tersebar luas. Algoritma K-Means clustering telah terbukti sebagai metode yang efektif dalam menyelesaikan permasalahan semacam ini. Metode ini memungkinkan pengelompokkan data penjualan ke dalam kelompok-kelompok yang memiliki karakteristik serupa, mempermudah analisis dan pengambilan keputusan. Studi ini mengumpulkan data historis penjualan dari berbagai cabang supermarket. Data diproses terlebih dahulu untuk memastikan kualitasnya sebelum menerapkan algoritma K-Means clustering. Hasil pengelompokan data dianalisis secara menyeluruh untuk mengidentifikasi pola penjualan utama. Analisis ini menjadi dasar untuk meningkatkan efisiensi operasional setiap toko, termasuk manajemen inventaris dan strategi penjualan. Tujuan penelitian ini adalah untuk memahami cara mengoptimalkan pengelolaan data penjualan supermarket menggunakan algoritma K-Means clustering. Hasilnya menunjukkan bahwa toko dapat dikelompokkan menjadi dua kelompok utama, yaitu kelompok cabang besar (cluster 0) dan kelompok cabang kecil (cluster 1). Penerapan algoritma K-Means clustering memungkinkan pengelompokkan data penjualan supermarket berdasarkan toko, memberikan kontribusi signifikan terhadap pemahaman dan pengelolaan data penjualan secara lebih efisien. Evaluasi model dengan indeks Davies Bouldin menghasilkan nilai sebesar 0.375, menunjukkan keberhasilan tinggi dalam mengelompokkan data.
IMPLEMENTASI PENGELOMPOKAN REALISASI BELANJA MENGGUNAKAN ALGORITMA K-MEANS DI PROVINSI DKI JAKARTA Widyastuti, Sri; 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.v8i2.8997

Abstract

ABSTRAK Dalam era globalisasi dan perkembangan teknologi informasi yang cepat, pengolahan dan analisis data menjadi krusial dalam pengambilan keputusan di berbagai sektor, termasuk sektor publik. Penelitian ini menghadapi masalah kompleksitas data realisasi belanja, terdiri dari banyak unit kerja dengan karakteristik yang beragam. Untuk mengatasi hal ini, dilakukan pengelompokan data menggunakan pendekatan K-Means Clustering menggunakan bahasa pemrograman Python. Data dibagi ke dalam kelompok cluster berbeda menggunakan metode K-Means Clustering. Penelitian ini menerapkan metode tersebut pada realisasi belanja di Provinsi DKI Jakarta tahun 2020. Hasil pengelompokan menunjukkan tiga cluster, dengan cluster 0 memiliki unit kerja terbanyak (436 unit kerja), cluster 1 memiliki unit kerja paling sedikit (18 unit kerja), dan cluster 2 memiliki 69 unit kerja. Unit kerja pada cluster 1 belum mencapai target pengeluaran yang ditetapkan. Identifikasi terhadap cluster tinggi (503 data) dan rendah (20 data) mengindikasikan bahwa perhatian khusus diperlukan pada cluster rendah untuk mencapai target yang ditetapkan pemerintah.
PENERAPAN ALGORITMA FP GROWTH UNTUK MENDUKUNG POLA PEMBELIAN SEMBAKO DI TOKO UCI Indah, Indah; 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.v8i2.9004

Abstract

Toko Sembako Uci, sebagai penyedia kebutuhan pokok di Permata Harjamukti, Kota Cirebon, menghadapi persaingan intens di industri sembako. Demi mengatasi ketersediaan produk yang kurang optimal dan meningkatkan penjualan, penelitian ini menggunakan teknik data mining dengan fokus pada transaksi penjualan sembako di Toko Uci. Melalui penerapan algoritma FP-Growth, tujuan penelitian adalah mengidentifikasi pola item serta meningkatkan kepercayaan produk bahan pokok sembako dalam transaksi penjualan. Analisis terhadap confidence dan support kombinasi item bahan pokok menunjukkan adanya kelompok produk yang sangat diminati, mencapai nilai 100%. Contohnya, kombinasi Beras, Aci, dan Bawang Merah mencapai 90,9%. Grafik aturan asosiasi menyoroti pola penjualan utama, seperti Masako dan Bawang Putih, Telur dengan Bawang Merah, dan lainnya. Algoritma FP-Growth membantu mengidentifikasi pola penjualan di Toko Uci, memberikan wawasan bahwa konsumen cenderung membeli bahan pokok secara bersamaan. Temuan ini dapat menjadi dasar strategi penjualan, meningkatkan kualitas produk, dan mengoptimalkan stok untuk meningkatkan kinerja toko.
PENGELOMPOKAN DATA PENERIMAAN PAJAK BUMI DAN BANGUNAN BERDASARKAN KELURAHAN DI KOTA TASIKMALAYA MENGGUNAKAN ALGORITMA K-MEANS Nursaniah, Rini; Rahaningsih, Nining; Ali, Irfan; Dienwati Nuris, Nisa
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.v8i2.9009

Abstract

Pajak adalah aspek penting dalam ekonomi sebuah negara, karena digunakan untuk meningkatkan kesejahteraan masyarakat. Pajak Bumi dan Bangunan (PBB) merupakan salah satu jenis pajak daerah yang dipungut oleh Pemerintah Daerah. Masalah yang terjadi adalah target dan penerimaan realisasi PBB-P2 pada tahun 2021 masih belum memenuhi target yang telah ditetapkan. Hal ini menunjukkan perbedaan dalam tingkat kepatuhan pajak disetiap kelurahan di kota Tasikmalaya yang dapat mempengaruhi jumlah penerimaan pajak. Akar masalah penelitian ini adalah belum diketahui kelompok penerimaan PBB terendah dan tertinggi, sehingga memerlukan penerapan algoritma K-Means Clustering dalam mengelompokkan data untuk mencari solusinya. Penelitian ini menggunakan tahapan KDD dan data yang digunakan yaitu data jumlah penerimaan PBB tahun 2021 oleh Badan Pendapatan Daerah bersumber dari website Open Data Kota Tasikmalaya dengan jumlah data sebanyak 69 data. Hasil yang diperoleh yaitu nilai Davies Bouldin Index sebesar 0,370 merupakan nilai paling optimal dengan 6 cluster. cluster 0 dengan jumlah data 8 kelurahan, cluster 1 dengan jumlah data 30 kelurahan, cluster 2 dengan jumlah data 3 kelurahan, cluster 3 dengan jumlah data 19 kelurahan, cluster 4 dengan jumlah data 8 kelurahan, cluster 5 dengan jumlah data 1 kelurahan. Penerimaan PBB tertinggi terletak pada cluster 2 serta penerimaan PBB terendah terletak pada cluster 1.
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR PADA PREDIKSI PEMBERIAN KREDIT DI SEKTOR FINANSIAL Windy Mardiyyah, Nita; Rahaningsih, Nining; 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.v8i2.9010

Abstract

Dalam era dinamika finansial yang cepat, manajemen kredit menjadi esensi utama bagi lembaga-lembaga finansial untuk menjaga kestabilan dan keseimbangan. Pengambilan keputusan yang tepat dalam pemberian kredit menjadi krusial, mengingat kompleksitas risiko yang terus berkembang. Meskipun sektor finansial telah mengadopsi berbagai metode evaluasi risiko kredit, masalah persisten terkait dengan ketidakpastian dan volatilitas pasar menyulitkan perusahaan untuk membuat keputusan kredit yang tepat waktu dan akurat. Dalam permasalahan tersebut, penelitian ini bertujuan mengeksplorasi dan menerapkan algoritma K-Nearest Neighbor (KNN) melalui pendekatan data mining untuk meningkatkan prediksi pemberian kredit. Implementasi K-Nearest Neighbor (KNN) dilakukan dengan tools rapidminer yang akan membantu dalam pelatihan model dan validasi prediksi. Pada penelitian yang telah dilakukan, implementasi algoritma K-Nearest Neighbor (KNN) pada dataset mendapatkan hasil accuracy sebesar 86.15%, precision sebesar 90.74%, dan recall sebesar 92.45%. Kemampuan algoritma untuk menangani pola non-linier dan kompleks menjadikan pilihan yang sangat baik untuk menangani dataset keuangan yang sering berfluktuasi. Maka, pemanfaatan data mining dengan KNN dapat meningkatkan efesiensi dan akurasi keputusan pemberian pinjaman, mengurangi risiko kredit dan meningkatkan pendapatan.
IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK REKOMENDASI PENJUALAN ATK BERDASARKAN POLA PEMBELIAN DI CV. DAPAS RANCAEKEK Lisyana, Zita; Rahaningsih, Nining; 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.v8i2.9013

Abstract

Seiring dengan berkembangnya zaman manusia sebagai pemakai teknologi tanpa lelah terus memperbaiki dan memperbaharui teknologi agar sesuai dengan apa yang diharapkan, yaitu untuk mempermudah aktivitas manusia itu sendiri sehingga teknologi dapat menembus batas-batas ruang dan waktu. Salah satu item yang dapat digunakan untuk menginformasikan pilihan perusahaan adalah data transaksi penjualan..Maka dari itu diterapkan Algoritma FP-Growth untuk menetapkan informasi transaksi yang mucul paling sering atau di beli bersamaan di CV.Dapas Rancaekek. Penerapan metode Pencarian kumpulan data yang paling sering muncul (frequent itemset) dalam suatu pengumpulan data dapat dilakukan dengan menggunakan pendekatan alternatif yang disebut Pattern Growth (FP-Growth). Setelah dipahami dari Standar di atas, maka dapat disimpulkan bahwa pembeli pada umumnya akan membeli barang-barang yang saling berhubungan seperti pada: Dengan nilai Support sebesar 0,004% dan nilai Confidence sebesar 100%, maka konsumen juga akan membeli barang-barang yang saling berhubungan seperti pada: membeli Duplex 310 jika membeli Foodpak Glossy 260. Perhitungan FP-Growtht dapat membantu Perusahaan dalam memeriksa desain Pembelian akuisisi produk yang biasa dibeli secara bersamaan,sehingga tidak akan terjadi kekurangan stok.
Co-Authors Abdul Rohim, Adi Nur Abdul Rosid, Rizal Adella, Luthfiyyah Iffah Adi Supriyatna Adinata, Adinata Ahmad Faqih Ahmad Jaelani Akbar, Miftahul 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 Aqlani, Zaheer Ahmed Arofah, Mila Asep Yoyo Wardaya Auliya, Suci Az-Zahra, Asih Azrul, Ahmad Azzam, Ahmad Brohi, Sheeraz Aleem Dahri, Shahzad Hussain Dahri, Zakir Hussain Dahri, Zamin Hussain Dendy Indriya Efendi Destiawati, Deby Dewanty Rafu, Maria Dienwati Nuris, Nisa Dikananda, Arif Rinaldi Dikananda, Fatihanursari Efendi , Dendy Indriya Effendy, Dendy Indria ETI KURNIAWATI Faisal Adam, Faisal Faqih, Habib Fasa, Saefullah Fatmawati, Aisyah FAUZAN, AKMAL Fitria, Lailatul Gifthera Dwilestari Gitacahyani, Adisty Gunia, Euis H Hadiyanto Hayati, Umi 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 Mangrio, Abdul Ghafoor Mangrio, Munir Ahmed Mariyani, Dinda Martanto . Marthanu, Indra Wiguna Marwah, Sopa Maulana, Ali Mayang Fadilah, Dewi Muharam, Arbi Adi Muharram, Akbar Muhimmatul ulya, Syilwa Nawang Wulan, Hidayah Nining Rahaningsih Nugraha, Rifqi Nugroho, Rizwar Adi Nur Alam, Alfian Nur Aziziah, Aldila Nurdiawan, Rudi Nurhidayat, Muhammad Nursaniah, Rini Nursatika Kusuma, Ines Odi Nurdiawan Pajri, Riki Prahara, Sukma Prihartono, Willy Purnamasari, Ade Irma Putra Pratama, Aeri Putriana, Eka R, Nining Raafi, Muhammad Rahmi Safitri, Rahmi Ramanto, Aditiya Ramdani, Rizki Rayhan, Tubagus Muhammad Rifa'i, Akhmad Rifqi Khairul Anam Rikiyashi, Afkan Rismala, Rismala Rizki Rinaldi, Ade Rizky Wulandhari, Putri Rodhiyana, Mu'allimah Rohman, Dede Rohmat, Cep Lukman Rosyd, Abdul Roziqin, Ahmad Khoirur Rudi Kurniawan Sadiyah, Ainur Rohimatus Salamah, Soviatus Saleem, Salman Saputra, Muhammad Sariah Sariah Setianingsih, Indri Setiawan, Riyan Shaikh, Irfan Ahmed 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 Wahyudin, Edi Windy Mardiyyah, Nita Wirdiyan, Farhan Azfa Wisnu Saputra, Adrian wiwied pratiwi, wiwied Yuslia Devitri Zahrudin Zhahiran Herlambang, Prilanisa