p-Index From 2021 - 2026
8.455
P-Index
This Author published in this journals
All Journal Teknika Syntax Jurnal Informatika Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi Jurnal Informatika Jurnal CoreIT JURNAL MEDIA INFORMATIKA BUDIDARMA JIEET (Journal of Information Engineering and Educational Technology) Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri INOVTEK Polbeng - Seri Informatika Sebatik Jurnal Nasional Komputasi dan Teknologi Informasi Krea-TIF: Jurnal Teknik Informatika JURIKOM (Jurnal Riset Komputer) JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science Jurnal Teknologi Informasi dan Multimedia Jurnal Informatika dan Rekayasa Elektronik Jurnal Teknologi Dan Sistem Informasi Bisnis Zonasi: Jurnal Sistem Informasi JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) JUKI : Jurnal Komputer dan Informatika Jurnal Inovasi Teknik Informatika Jurnal Ilmu Komputer Jurnal Teknik Informatika (JUTIF) Jurnal Computer Science and Information Technology (CoSciTech) Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Bulletin of Information Technology (BIT) Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Sains dan Informatika : Research of Science and Informatic SATIN - Sains dan Teknologi Informasi Journal Of Artificial Intelligence And Software Engineering Jurnal Indonesia : Manajemen Informatika dan Komunikasi
Claim Missing Document
Check
Articles

Implementasi Model Long Short Term Memory (LSTM) dalam Prediksi Harga Saham Kurniansyah, Juliandi; Siska Kurnia Gusti; Febi Yanto; Muhammad Affandes
Bulletin of Information Technology (BIT) Vol 6 No 2: Juni 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v6i2.2005

Abstract

Stock market investment is gaining popularity, although predicting stock price fluctuations remains challenging. Accurate stock prediction models can assist investors in decision-making. In this research, a Long Short-Term Memory (LSTM) model was employed to make predictions regarding the stock prices of BBCA based on daily historical data from January 1 2015 to January 1 2025. The data was gathered from the Yahoo Finance website, utilizing only the closing price ('close') variable. The research process included data pre-processing, Min-Max normalization, LSTM modeling with varying timesteps (30, 60, 90 days), and evaluation of prediction results. The LSTM model was built with two LSTM layers, a dropout layer, and a final dense layer, and its training involved the application of the mean_squared_error loss function and Adam optimizer. Evaluation results showed that the model configuration with 60 timesteps achieved optimal performance with a RMSE of 114.17, MAPE percentage of 0.96%, and an R-Squared of 0.98, indicating highly accurate and reliable predictions. This study demonstrated that LSTM is an effective model for stock price prediction based on time series data.
Perbandingan Metode Naive Bayes Classifier dan Support Vector Machine dalam Analisis Sentimen Terhadap Pemilihan Presiden 2024 Prananda, Alga; Haerani, Elin; Fikry, Muhammad; Yanto, Febi
Krea-TIF: Jurnal Teknik Informatika Vol 11 No 2 (2023)
Publisher : Fakultas Teknik dan Sains, Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32832/krea-tif.v11i2.15364

Abstract

Salah satu sarana masyarakat untuk memberikan pendapat atau opini adalah menggunakan media sosial, khususnya youtube. Pada penelitian ini berfokus melakukan analisis sentimen terhadap Pemilihan Presiden 2024 dengan tiga kelas dan 2000 data opini, mendapatkan 875 kelas positif, 577 negatif, dan 548 netral. Tahapan penelitian melibatkan pengumpulan data, pre-processing (case folding, tokenizing, filtering, stemming), klasifikasi, pengujian, dan evaluasi. Juga melakukan perbandingan antara metode Naive Bayes Classifier (NBC) dan Support Vector Machine (SVM), menunjukkan bahwa SVM mendapat akurasi lebih baik dari NBC di setiap tipe pembagian kelas. Selain itu, hasil analisis sentimen menggunakan empat kata kunci menunjukkan dominasi sentimen positif terhadap Anies Baswedan (80.54%), Prabowo Subianto (64.76%), Calon Presiden secara umum (33.91%), dan Ganjar Pranowo (36.17%). Sentimen negatif cenderung tinggi untuk Ganjar Pranowo (51.42%) dan Prabowo Subianto (25.99%), sementara Anies Baswedan dan Calon Presiden memiliki tingkat sentimen negatif yang lebih rendah (16.53% dan 25.22%). Sentimen netral tercatat pada Prabowo Subianto (9.25%), Ganjar Pranowo (12.41%), Calon Presiden secara umum (40.87%), dan Anies Baswedan (2.93%).
Text to Speech Bahasa Jawa dialek Solo-Jogja dengan Metode VITS Wirdiani, Putri Syakira; Fikry, Muhammad; Yusra, Yusra; Yanto, Febi; Pizaini, Pizaini
TEKNIKA Vol. 19 No. 3 (2025): Teknika September 2025
Publisher : Politeknik Negeri Sriwijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.5281/zenodo.16294499

Abstract

Pengembangan TTS di Indonesia masih berfokus pada Bahasa Indonesia dan bahasa asing, sementara bahasa daerah seperti Jawa dialek Solo-Jogja belum banyak tersentuh, padahal memiliki banyak penutur dan nilai budaya tinggi. Penelitian ini mengembangkan model TTS untuk dialek tersebut menggunakan metode Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech (VITS). Metode ini dipilih karena kemampuannya mengintegrasikan inferensi variasional, aliran normalisasi, dan pelatihan adversarial secara end-to-end, sehingga menghasilkan suara sintetis dengan kualitas lebih alami. Dataset berisi 450 pasangan teks dan audio dari penutur asli, dibersihkan manual dan disusun dalam format LJSpeech. Sebanyak 428 data digunakan untuk pelatihan dan 22 untuk evaluasi. Model dilatih menggunakan Coqui TTS di Google Colab dengan fonemizer eSpeak. Setelah pelatihan, model terbaik digunakan untuk menyintesis 50 kalimat uji yang dinilai oleh lima penutur asli menggunakan metode MOS. Rata-rata skor yang diperoleh adalah 4,088, melampaui standar minimum 4,0. Meski begitu, masih ada kekurangan dalam kejelasan fonem dan kealamian jeda. Hasil ini menunjukkan potensi besar TTS untuk pelestarian bahasa daerah dan pengembangan teknologi serupa untuk bahasa lokal lainnya.
KLASIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-121 DAN AUGMENTASI DATA Yanto, Febi; Agustina, Auliyah; Budianita, Elvia; Iskandar, Iwan; Syafria, Fadhilah
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 8 No 1 (2024)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v8i1.4256

Abstract

Padi (Oryza sativa) merupakan salah satu jenis tanaman pangan dimana beras sebagai hasil tanaman padi, menjadi bahan pangan utama untuk sebagian besar penduduk indonesia. Dalam proses budidaya padi, tantangan penyakit seringkali menjadi ancaman yang signifikan. Menyebarnya penyakit menyebabkan penurunan ekonomi, seperti pada tahun 2023 penurunan 0,22%. Selain itu minimnya pengetahuan dan wawasan petani dalam mengidentifikasi dan mendiagnosa jenis penyakit padi menjadi penyebab kurangnya hasil produksi padi. Oleh karena itu perlu adanya suatu klasifikasi penyakit padi menggunakan DenseNet-121 dan augmentasi data. Penelitian ini menggunakan pendekatan deep learning yakni Convolutional Neural Network (CNN) dengan arsitektur DenseNet-121 dan augmentasis data crop. DenseNet saat ini banyak digunakan untuk klasifikasi, DenseNet memanfaatkan koneksi padat antar lapisan, mengurangi jumlah parameter, memperkuat propagasi, dan mendorong pemanfaatan kembali fitur. Menggunakan dataset yang berasal dari situs Kaggle yang terdiri dari 3 jenis penyakit tanaman padi yaitu brown spot, blast, dan blihgt dengan setiap kelas terdiri dari 250 citra sehingga semua data berjumlah 750 citra. Hasil terbaik dari beberapa pengujian diperoleh akurasi terbaik sebesar 99,17% dan los 0,0355 menggunakan model DenseNEt-121, pembagian data 90;10 dengan menggunakan leraning rate 0,001 dan dropout 0,01 serta menggunakan augmentasi data, sedangkan untuk hasil akurasi tanpa augmentasi diperoleh hasil akurasi terbaik yaitu 95,00%dengan pembagian data 90;10, learning rate 0,01 dan dropuot 0,1.
AUGMENTASI DATA PADA IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR EFFICIENTNET-B3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI Putri Ayuni, Desy; Jasril; Irsyad, Muhammad; Yanto, Febi; Sanjaya, Suwanto
ZONAsi: Jurnal Sistem Informasi Vol. 5 No. 2 (2023): Publication Periodic ZONAsi: Jurnal Sistem Informasi.
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v5i2.13874

Abstract

Padi adalah salah satu jenis biji-bijian dengan urutan ketiga sebagai bahan pokok makanan setelah gandum dan jagung. Jenis penyakit yang menyerang daun tanaman terdiri atas blast, brownspot, leaf smut. Pada penelitian ini metode Convolutional Neural Network dengan Arsitektur Efficientnet-B3 digunakan untuk mengklasifikasikan penyakit daun pada tanaman padi. Tujuan penelitian ini membandingkan tingkat akurasi menggunakan data tanpa augmentasi (asli) dan data yang telah di augmentasi. Augmentasi data yang digunakan brightness, rotation, dan vertical_flip. Selain itu dilakukan juga pengujian menggunakan optimizer yang berbeda yaitu optimizer RMSprop dan optimizer SGD (Stochastic Gradient Descent). Pengujian dilakukan dengan tiga model perbandingan data yaitu 90:10, 80;20 dan 70:30. Hasil pengujian memperlihatkan akurasi tertinggi menggunakan data asli pada rasio 70:30 yaitu sebesar 92.39% dengan optimizer RMSprop. Sedangkan untuk akurasi tertinggi menggunakan data augmentasi terdapat pada rasio 90:10 yaitu sebesar 98.91% dengan optimizer RMSprop.
PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KELUARGA BERESIKO STUNTING Pratama, Dandi Irwayunda; Insani, Fitri; Yanto, Febi; Afrianty, Iis
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24698

Abstract

Stunting disebabkan oleh kekurangan gizi kronis, yang menghambat pertumbuhan terhambat pada anak dan dapat memengaruhi kesehatan jangka panjang. Penelitian ini bertujuan untuk mengklasifikasikan keluarga beresiko stunting menggunakan metode K-Nearest Neighbor (K-NN) dan Modified K-Nearest Neigbor (MK-NN). Perbandingan keduanya dilakukan dengan tujuan memberikan gambaran lebih jelas mengenai metode mana yang lebih cocok dalam membantu dalam memilih algoritma yang memberikan hasil yang optimal. Data yang digunakan terdiri dari 23607 data keluarga dan 20 parameter, diperoleh dari Balai Penyuluhan KB (Kampung Berencana) di Kecamatan Tuah Madani. Hasil menunjukkan bahwa MK-NN memberikan performa lebih konsisten pada berbagai nilai k dengan akurasi mencapai 99.28% terutama pada rasio 80:20 dan 70:30. Sebaliknya, K-NN mencapai akurasi maksimum 99.36% tetapi mengalami fluktuasi pada nilai k tertentu. MK-NN juga unggul dalam metrik precisision, recall dan f1-score menunjukkan mampu menghadapi data yang kompleks. Dapat disimpulkan bahwa MK-NN lebih efektif dan stabil dibandingkan K-NN. Penelitian ini menyarankan penggunaan data ekonomi seperti pendapatan dan pekerjaan orang tua pada studi mendatang untuk memberikan hasil klasifikasi yang lebih menyeluruh dan akjrat dalam mendukung kebijakan stunting.
IMPLEMENTASI BI-DIRECTIONAL LONG SHORT TERM MEMORY TERHADAP KLASIFIKASI SENTIMEN DI TWITTER PADA DATASET TERBATAS Putri Zahwa; Agustian, Surya; Novriyanto, Novriyanto; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.24799

Abstract

Perkembangan teknologi informasi telah mengubah cara Masyarakat mengekspresikan pendapat, terutama melalui media sosial seperti Twitter. Di bidang politik, media sosial kerap dijadikan parameter untuk mengukur popularitas tokoh politik sampai kepada sentimen masyarakat. Penelitian ini menggunakan metode deep learning yaitu Bi-Directional Long Short Term Memory (Bi-LSTM) untuk mengukur sentimen publik terhadap tokoh politik Kaesang Pangarep di Twitter. Dataset yang dikumpulkan 1.524 tweet dari 25 September hingga 3 Oktober 2023 dibagi menjadi 924 tweet untuk pengujian dan 600 tweet untuk pelatihan. Proses preprocessing meliputi cleaning dan konversi emoji. Model Bi-LSTM dilatih menggunakan fitur yang diekstraksi melalui Word2Vec. Penambahan data training dengan dataset eksternal dari data sentimen program vaksinasi Covid-19 dan Open Topic, dapat meningkatkan performa model dengan nilai F1-Score tertinggi 67.77% pada data validasi, dan 52.70% pada data testing. Hasil ini meningkat secara signifikan dibandingkan dengan metode baseline Bi-LSTM tanpa optimasi. Penelitian ini menunjukkan bahwa Bi-LSTM sangat efektif dalam klasifikasi sentimen, dan hasil akhir sangat dipengaruhi oleh kuantitas dan kualitas data latih yang digunakan.
KLASIFIKASI SENTIMEN MENGGUNAKAN BIDIRECTIONAL LSTM DAN INDOBERT DENGAN DATASET TERBATAS Illahi, Ridho; Agustian, Surya; Jasril, Jasril; Yanto, Febi
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 1 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode Januari 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v7i1.25091

Abstract

Untuk mendapatkan informasi melalui media sosial mengenai popularitas termasuk juga sentimen masyarakat terhadap para tokoh politik, masalah waktu menjadi krusial. Oleh karena itu, menganalisis hal tersebut menggunakan komputer menjadi pilihan. Namun menyediakan data yang berlabel cukup untuk pembelajaran mesin dalam kasus analisis sentimen dan tingkat kepopuleran dari media sosial, akan menyebabkan waktu yang dibutuhkan menjadi lebih lama. Penelitian ini mengembangkan model Bi-LSTM (Bidirectional Long Short-Term Memory) yang dipadukan dengan IndoBERT sebagai fitur representasi teks, untuk menganalisis sentimen dengan data training yang terbatas. Isu utama mengenai pengangkatan Kaesang sebagai ketua umum Partai Solidaritas Indonesia (PSI), hanya menyediakan 300 – 600 tweet berlabel positif, negatif dan netral untuk training. Data tweet setelah melalui tahap preprocessing dan vektorisasi BERT, dilatih pada metode klasifikasi Bi-LSTM. Langkah-langkah optimasi dilakukan sampai kepada hyperparameter tuning untuk menemukan model terbaik. Meski jumlah data train terbatas, model yang diusulkan berhasil mencapai F1-score sebesar 71% pada data validasi, dan 59% pada pengujian data test. Hasil penelitian mendemonstrasikan keefektifan metode Bi-LSTM dan fitur IndoBERT dalam mengukur opini masyarakat di media sosial. Framework metode klasifikasi yang diusulkan sangat potensial sebagai alat untuk menganalisis respons masyarakat terhadap isu politik terkini.
Penerapan Naïve Bayes Classifier dalam Klasifikasi Sentimen Publik di Twitter terhadap Puan Maharani Hidayat, Rizki; Fikry, Muhammad; Yusra, Yusra; Yanto, Febi; Cynthia, Eka Pandu
JUKI : Jurnal Komputer dan Informatika Vol. 6 No. 1 (2024): JUKI : Jurnal Komputer dan Informatika, Edisi Mei 2024
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53842/juki.v6i1.479

Abstract

Twitter adalah salah satu jejaring sosial terpopuler di Indonesia, dengan 18,45 juta pengguna aktif pada tahun 2022. Politisi berpengaruh Puan Maharani menjadi topik hangat di pesta ulang tahunnya di tengah protes harga bahan bakar. Analisis sentimen dapat membantu memahami keseluruhan sentimen yang diungkapkan di Twitter tentang Puan Maharani. Dua jenis dataset yang digunakan dalam penelitian ini, yaitu dataset tidak seimbang (9000 tweet: 7800 positif, 1200 negatif) dan dataset seimbang (2400 tweet: 1200 positif, 1200 negatif). Metode Naive Bayes classifier digunakan untuk klasifikasi sentimen, meliputi pengumpulan data, pelabelan, preprocessing, pembobotan TF-IDF, seleksi fitur, pembagian data, klasifikasi Naive Bayes, dan evaluasi dengan confusion matrix. Data dibagi dengan rasio 70:30, 80:20 dan 90:10 untuk data latih serta data uji. Feature selection menggunakan threshold 0,001. Merujuk hasil penelitian yang dilaksanakan, bisa disimpulkan bahwsanya analisis sentimen dapat menjadi alat yang efektif untuk memahami pendapat masyarakat khususnya netizen di platform Twitter terkait dengan persepsi terhadap Puan Maharani. Nilai akurasi tertinggi dari dataset tidak seimbang didapatkan yaitu sebesar 88.89% pada rasio pembagian data latih dan data uji 90:10 serta akurasi tertinggi dari dataset seimbang sebesar 81.0% pada rasio pembagian data 90:10.
Desain Aplikasi Informasi Akademik UIN Suska (Suska Mobile) Menggunakan Metode Lean UX Muhammad Haiqal Dani; Reski Mai Candra; Muhammad Irsyad; Febi Yanto
SATIN - Sains dan Teknologi Informasi Vol 9 No 2 (2023): SATIN - Sains dan Teknologi Informasi
Publisher : STMIK Amik Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33372/stn.v9i2.1048

Abstract

Pemanfaatan Teknologi Informasi dan Komunikasi (TIK) menjadi kunci dalam membantu Perguruan Tinggi dalam memberikan layanan kepada mahasiswanya. Salah satu bentuk pemanfaatan TIK yang khusus ditujukan untuk mahasiswa adalah sistem informasi akademik mahasiswa. Sistem informasi akademik merupakan elemen penting dalam sebuah instansi pendidikan. Sistem informasi akademik dimiliki semua instansi pendidikan terutama Universitas. Namun, dari hasil pengamatan sarana sistem informasi akademik di Universitas Islam Negeri Sultan Syarif Kasim Riau masih belum efektif dan efisien terutama dalam bentuk mobile. Kondisi ini mengakibatkan sistem informasi akademik tidak memberikan pengalaman pengguna yang optimal. Tujuan dari penelitian ini adalah untuk merancang desain prototype sistem informasi akademik UIN Ssuska (Suska Mobile) dengan memperhatikan aspek kebergunaan (user experience) dan aspek tampilan antarmuka (user interface). Penelitian ini menggunakan pendekatan metode Lean UX yang terdiri dari 4 tahapan Declare Assumptions yang menghasilkan asumsi permasalahan, Create an Minimum Viable Product yang menghasilkan rancangan prototype, Run an Experiment melakukan demonstrasi dan Feedback and Research yang menghasilkan hasil pengujian serta perbaikan dari rancangan prototype. Hasil akhir penelitian ini adalah prototype yang dibangun menggunakan aplikasi figma dan telah diuji kepada 8 responden menggunakan pengujian System Usability Scale (SUS) dengan nilai 83,75%.
Co-Authors Abdul Haris Abdussalam Al Masykur Adha, Martin Afiana Nabilla Zulfa Afriyanti, Liza Afroni, Hallend Agustina, Auliyah Alfitra Salam Alwis Nazir Andri Andri Aprilia, Risma Arif Mudi Priyatno Ariq At-Thariq Putra Baehaqi citra ainul mardhia putri Dafwen Toresa Dea Ropija Sari Destri Putri Yani Dewi, Nurika Dicky Abimanyu Dimas Ferarizki Dwitama, Raja Zaidaan Putera Dzaky Abdillah Salafy Edriyansyah Eka Pandu Cynthia Eka Pandu Cynthia Eka Pandu Cynthia, Eka Pandu Elin Haerani Elvia Budianita Fadhilah Syafria Fajar Febriyadi Fajri Fahreza Azeta Faris Apriliano Eka Fardianto Faris Fauzan Ray T Fauziyyah, Laila Nurul Fitra Kurnia Fitri Insani Fitri Insani Gusman, Deddy Gusti, Gogor Putra Hafi Puja Gusti, Siska Kurnia Hallend Afroni Hanif, Wan Muhammad Harni, Yulia Hatta, M Ilham Hidayat, Rizki Ichsan Permana Putra Idhafi, Zaky Iis Afrianty Iis Afrianty Ikhsan Hidayat Ikhwanul Akhmad DLY Illahi, Ridho Iqbal Salim Thalib Irma Welly, Irma Irsyad , Muhammad Isnan Mellian Ramadhan Iwan Iskandar Iwan Jannata, Nanda Jasril Jasril Jasril Jasril Jasril Jasril Jeki Dwi Arisandi Kurniansyah, Juliandi Lestari Handayani Lestari Handayani Lisnawita Lisnawita M Fikry M Ikhsan Maulana M. Afdal M. Fadil Martias Masaugi, Fathan Fanrita Mazdavilaya, T Kaisyarendika Morina Lisa Pura Muhammad Affandes Muhammad Fahri Muhammad Fikry Muhammad Fikry Muhammad Fikry Muhammad Haiqal Dani Muhammad Irsyad Muhammad Irsyad Muhammad Irsyad Mustasaruddin Mustasaruddin Nabyl Alfahrez Ramadhan Amril Nadila Handayani Putri Nazruddin Safaat H Nazruddin Safaat H Negara, Benny Sukma Niken Aisyah Maharani Herwanza Nining Erlina Novriyanto Novriyanto Nurika Dewi Okta Silvia M Permata, Rizkiya Indah Pizaini Pizaini Prananda, Alga Pratama, Dandi Irwayunda Putra, Wahyu Eka Putri Ayuni, Desy Putri Zahwa Rahma Shinta Rahmad Abdillah Rahman, Muhammad Taufikur Rahmat Al Hafiz Raja Joko Musridho Reski Mai Candra Reski Mai Candra Reski Mai Candra Rometdo Muzawi, Rometdo Roni Setyawan RR. Ella Evrita Hestiandari Sandy Ilham Hakim Syasri Sarah Lasniari Sarah Lasniari Shahira, Fayza Siti Ramadhani Sofiyah, Wan Sugandi, Hatami Karsa Surya Agustian Suwanto Sanjaya Syafria, Fadhillah Ulfah Adzkia Wang, Shir Li Wijaya, Andy Huang Wirdiani, Putri Syakira Yenggi Putra Dinata Yuli Novita Sari, Yuli Novita Yusra Yusra Yusra Yusra Yusra Yusra Yusra Yusra Yusra, Yusra