Article Per Year (5 Year)
p-Index From 2020 - 2025
1.434
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Seni ITS
Ahmad, Imam Safawi
Departemen Aktuaria Institut Teknologi Sepuluh Nopember Surabaya
Arts Humanities

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

 1 
Perbandingan Metode Klaster K-medoids dan K-means terhadap Hasil Peramalan Kemiskinan di Indonesia Menggunakan Backpropagation Neural Network Ramadhan, Riansyah Fazar; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.150143

Abstract

Kemiskinan di Indonesia merupakan isu kompleks dan multidimensi, dengan persentase penduduk miskin yang mengalami penurunan dari tahun ke tahun, namun masih mencapai sekitar 9,36% dari total populasi atau sekitar 25,90 juta orang pada Maret 2023. Untuk mengatasi tantangan ini, diperlukan strategi penanganan yang efektif dan tepat sasaran. Salah satu pendekatan yang dapat ditempuh untuk merumuskan strategi yang lebih efektif adalah dengan melakukan peramalan tingkat kemiskinan di Indonesia. Sebelumnya, studi telah menyoroti bahwa metode peramalan menggunakan teknik pembelajaran mesin Backpropagation Neural Network (BPNN) dapat memberikan hasil yang dapat diandalkan, mengingat kemampuannya dalam memodelkan pola kompleks dalam data dan memahami hubungan nonlinear. Setelah melakukan peramalan, langkah selanjutnya adalah melakukan klasterisasi untuk memahami pola spasial atau geografis dari hasil peramalan tersebut. Meskipun klasterisasi k-Means merupakan metode klaster yang umum digunakan, beberapa kelemahan seperti sensitivitas terhadap outlier, penurunan performa ketika ukuran klaster tidak seimbang, dan dependensi performa klaster pada pemilihan jumlah klaster dan titik pusat secara acak. Oleh karena itu, muncul ide untuk mencari alternatif metode klaster yang lebih baik dan akurat dalam mengelompokkan hasil peramalan tingkat kemiskinan di Indonesia. Penelitian ini bertujuan untuk membandingkan antara dua metode klasterisasi, yaitu k-Means dan k-Medoids, terhadap hasil peramalan tingkat kemiskinan di Indonesia. Metode peramalan yang akan digunakan adalah Backpropagation Neural Network (BPNN). Hasil analisis peramalan menunjukkan tren penurunan tingkat kemiskinan secara menyeluruh di Indonesia. Evaluasi DBI terhadap klaster menunjukkan bahwa klaster terbaik diraih menggunakan K-means dengan nilai sebesar 0,828406641 dan membentuk lima klaster dengan rincian klaster 1 sebanyak 4 provinsi, klaster 2 sebanyak 13 provinsi, klaster 3 sebanyak 9 provinsi, dan klaster 4 sebanyak 8 provinsi.
Analisis Data Panel Pengaruh Pertumbuhan Aset DPLK dengan Pendekatan Metode Regresi Kuantil dan Bootstrap Kuantil Pradyto, Muhammad Tamir; Ahmad, Imam Safawi; Alfajriyah, Aimmatul Ummah
Jurnal Sains dan Seni ITS Vol 13, No 5 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i5.150139

Abstract

Dana pensiun memainkan peran krusial dalam perencanaan keuangan individu untuk masa pensiun. Seiring dengan meningkatnya ketidakpastian ekonomi, keberlangsungan finansial di masa pensiun menjadi semakin vital. Dana Pensiun Lembaga Keuangan (DPLK) memberikan keamanan finansial dan memungkinkan seseorang untuk menikmati masa pensiun sesuai dengan impian dan rencananya. Namun, terdapat penurunan signifikan dalam jumlah peserta DPLK di Indonesia, meskipun aset dana pensiun terus meningkat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi pertumbuhan aset DPLK di Indonesia. Dengan menggunakan data laporan keuangan dari tahun 2018 hingga 2022 dari berbagai DPLK, penelitian ini mempertimbangkan faktor-faktor seperti Cash Coverage Ratio (CCR), Operational Expenses Ratio (OER), Investment Expenses Ratio (IER), dan Rasio Dana Investasi (RDI). Metode yang digunakan adalah regresi kuantil panel dan bootstrap kuantil panel, yang dibandingkan untuk menentukan model terbaik dalam analisis. Hasil penelitian menunjukkan bahwa RDI adalah faktor paling dominan yang mempengaruhi pertumbuhan aset DPLK secara positif dan signifikan di hampir semua kuantil. Pada model common effect regresi kuantil panel, variabel RDI konsisten menunjukkan pengaruh signifikan positif terhadap Rasio Pertumbuhan Aset (RPA) dengan koefisien 0,97871 di kuantil 0,8. Model ini memiliki nilai AIC -131,6973, yang lebih baik dibandingkan dengan model regresi bootstrap kuantil panel yang memiliki nilai AIC 10,5755.
Perbandingan Metode Mean-Conditional Value at Risk dan Mean-Entropic Value at Risk dalam Pembentukan Portofolio Optimal Saham Pertambangan Indonesia Sinambela, Michael Sahala; Ahmad, Imam Safawi
Jurnal Sains dan Seni ITS Vol 13, No 6 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i6.150080

Abstract

Investasi melalu pasar modal telah berkembang pesat di Indonesia dalam beberapa tahun terakhir. Perkembangan yang pesat tersebut harus diiringi dengan pemahaman mengenai risiko investasi. Pengukuran risiko dari suatu investasi dapat dinilai melalui nilai VaR-nya. Penelitian ini membandingkan dua metode alternatif dari VaR, yaitu Mean-Conditional Value at Risk (Mean-CVaR) dan Mean-Entropic Value at Risk (Mean-EVaR), dalam konteks pembentukan portofolio optimal saham pertambangan Indonesia. Portfolio tersebut akan dibangun menggunakan data saham ADRO, ANTM, INCO, MDKA, dan PTBA. Dengan menggunakan data historis dari pasar saham, kedua metode tersebut dievaluasi dalam hal kinerja pengelolaan risiko menggunakan VaR dan pengembalian investasi. Pembentukan portofolio yang optimal dari lima saham pertambangan berdasarkan metode Mean-CVaR Optimization menghasilkan portofolio yang terdiri atas 9.8032% saham ADRO, 41.2273% saham ANTM, dan 48.9695% saham MDKA dengan nilai VaR sebesar 3.663% dan expected return sebesar 0.1318%. Pembentukan portofolio yang optimal dari lima saham pertambangan berdasarkan metode Mean-EVaR Optimization terdiri atas 42.8727% saham ANTM dan 57.1723% saham MDKA dengan nilai VaR sebesar 3.825% dan expected return sebesar 0.1367%. Metode Mean-CVaR Optimization menghasilkan portofolio yang lebih baik berdasarkan risiko yang diberikan, tetapi tidak memberikan nilai expected return yang lebih baik dibandingkan portofolio optimal yang dibentuk menggunakan Mean-EVaR Optimization.
Studi Simulasi Cox Proportional Hazard dan Random Survival Forest Data Tersensor Kanan serta Aplikasinya pada Klaim Asuransi Kesehatan PT ABC Pangestu, Abdan Alghifari; Ahmad, Imam Safawi; Saputri, Prilyandari Dina
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.147353

Abstract

Analisis survival adalah teknik statistik untuk menganalisis waktu hingga suatu kejadian terjadi. Teknik ini dapat memprediksi waktu survival dan mempelajari faktor-faktor yang memengaruhinya. Data dalam analisis survival menagalami penyensoran ketika kejadian tertentu tidak teramati. Penyensoran paling umum adalah penyensoran kanan, yaitu ketika kejadian belum terjadi atau tidak dapat dilanjutkan pengamatannya. Metode analisis survival seperti Cox Proportional Hazard (CPH) dan Random Survival Forest (RSF) dapat mengatasi masalah ini. CPH memerlukan asumsi risiko proporsional yang konstan terhadap waktu. RSF, sebuah metode non-parametrik dengan machine learning, dapat menjadi solusi untuk mengatasi keterbatasan ini. RSF membangun pohon keputusan dan menggabungkan hasil prediksi dari setiap pohon. Tujuan penelitian ini adalah untuk membandingkan performa CPH dan RSF berdasarkan C Index dalam memprediksi data simulai tersensor kanan dengan berbagai skenario serta menerapkannya pada data aktual. Hasil dari penelitian ini menunjukkan bahwa metode CPH unggul dalam berbagai skenario dalam menganalisis data simulasi. Mayoritas nasabah melakukan klaim. Tidak ada perbedaan risiko klaim berdasarkan faktor usia, jenis kelamin, dan jenis penykit. Secara berurutan risiko klaim berasal dari pengidap infeksi adenovirus, dermatitis atopik, dan gingivitis akut. CPH merupakan metode terbaik dalam menganalisis data aktual. Hanya variabel jenis penyakit yang signifikan dalam pemodelan CPH. Tingkat kepentingan variabel RSF secara berurutan adalah jenis penyakit, usia, jenis kelamin, dan status merokok.
Pemodelan Efisiensi Investasi dengan Faktor Financial Distress dan Managerial Ability Menggunakan Regresi Data Panel dan Support Vector Regression Wildani, Siti Anisa; Ahmad, Imam Safawi
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.149226

Abstract

Pengukuran tingkat kemajuan dan perkembangan ekonomi suatu negara dapat dilihat dari pertumbuhan ekonominya. Berdasarkan data BPS angka Incremental Capital Output Ratio (ICOR) Indonesia dari tahun 2018-2020 bergerak fluktuatif. Nilai ICOR Indonesia pada tahun 2018 tercatat sebesar 6,72% lalu pada tahun 2019 mengalami peningkatan sebesar 6,87%. Kemudian pada tahun 2020 turun hingga -15,12%, kemudian di tahun 2021 meningkat sebesar 9,94% lalu menurun pada tahun 2022 sebesar 6,25%. Hal ini tentunya tidak baik bagi efisiensi investasi di Indonesia. Salah satu konsep penting dalam manajemen keuangan perusahaan adalah kesulitan keuangan atau financial distress, yang mengacu pada ketidakmampuan suatu perusahaan untuk memenuhi kewajiban keuangannya karena arus kas yang tidak mencukupi atau leverage yang tinggi. Faktor selanjutnya yang mempengaruhi efisiensi investasi yaitu kemampuan manajerial. Kemampuan manajerial merupakan faktor ekonomi yang signifikan dalam menentukan efisiensi investasi, yang pada gilirannya memengaruhi tingkat investasi yang optimal. Oleh karena itu, penelitian ini bertujuan untuk memodelkan efisiensi investasi dengan faktor financial distress dan managerial ability menggunakan metode Regresi Data Panel dan Support Vector Regression (SVR). SVR dipilih karena mampu menghasilkan model yang robust yaitu tahan terhadap pelanggaran asumsi-asumsi dalam mengidentifikasi faktor-faktor yang berperan dalam efisiensi investasi. Data yang digunakan dalam penelitian ini adalah data sekunder dari perusahaan sektor manufaktur berupa laporan keuangan dan tahunan dari tahun 2018 hingga 2022. Hasil penelitian menunjukkan bahwa model regresi data panel didapatkan model random effect yang menghasilkan nilai RMSE terkecil yaitu 0,049 dibandingkan dengan model yang lain. Pemodelan SVR pada data common menggunakan kernel linear didapatkan nilai RMSE terkecil sebesar 0,117, sedangkan dengan kernel RBF didapatkan nilai RMSE terkecil yaitu sebesar 0,1227. Pemodelan SVR pada data fixed menggunakan kernel linear didapatkan nilai RMSE terkecil sebesar 0,120, sedangkan dengan kernel RBF didapatkan nilai RMSE terkecil yaitu sebesar 0,1228. Oleh karena itu, dari metode-metode yang digunakan dapat disimpulkan bahwa model terbaik pada penelitian ini adalah random effect.
Perbandingan Metode Analisis Survival dengan Pendekatan Parametrik, Semiparametrik, dan Random Survival Forest dalam Menganalisis Ketahanan Perusahaan Terdaftar di Indeks LQ45 Putri, Nayla Salsabila Cindiva Utomo; Ahmad, Imam Safawi
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.148765

Abstract

Bursa Efek Indonesia (BEI) merupakan salah satu regulator utama pasar modal di Indonesia yang mengelola 44 indek saham, salah satunya indeks LQ45. Emiten yang tercatat didalam indeks akan dievaluasi setiap enam bulan, sehingga emiten yang sudah tidak memenuhi kriteria akan dikeluarkan dari indeks atau delisting. Indeks LQ45 sendiri merupakan indeks yang berisikan emiten yang memiliki kapitalisasi pasar besar, likuiditas tinggi, serta fundamental perusahaan yang baik. Fundamental perusahaan sendiri mengacu pada performa keuangannya, artinya rasio keuangan merupakan salah satu indikator penting untuk menentukan emiten apa saja yang tercatat didalam indeks. Akan tetapi, tidak semua rasio keuangan berpengaruh terhadap ketahanan emiten di indeks. Oleh karena itu, diperlukan perhitungan statistik untuk mendapatkan rasio apa saja yang mampu memprediksi probabilitas delisting suatu emiten. Pada penelitian ini dilakukan analisis survival menggunakan tiga pendekatan berbeda untuk menganalisis ketahanan perusahaan terdaftar di Indeks LQ45. Terdapat tiga metode yang digunakan pada penelitian ini, yaitu regresi Weibull, regresi Cox Proportional Hazard (CPH), dan Random Survival Forest (RSF). Variabel yang digunakan dalam penelitian ini adalah data rasio keuangan emiten terdaftar di Indeks LQ45 pada periode 2016 hingga 2023. Hasil penelitian ini menunjukkan bahwa model regresi CPH lebih baik dalam memprediksi ketahanan perusahaan dibandingkan kedua metode lainnya, dengan nilai C-index sebesar 83,75%. Rasio keuangan yang mempengaruhi ketahanan perusahaan terdaftar di Indeks LQ45 adalah Book Value per Share (BVPS), Earnings per Share (EPS), dan Price Earnings Ratio (PER).
Metode Aggregate Attained Age Normal dalam Perhitungan Dana Pensiun Berdasarkan Tabel Mortalita yang Dibentuk Melalui Distribusi Makeham Pulungsari, Astrid Saskia; Ahmad, Imam Safawi; Hakiki, Mochamad Taufik
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.150197

Abstract

Pada masa pensiun, kebutuhan pensiunan masih harus dipenuhi meskipun sumber pendapatan menurun. Oleh karena itu, adanya dana pensiun dapat membantu pensiunan untuk memenuhi kebutuhan finansial mereka setelah tidak bekerja lagi. Dalam program dana pensiun, metode valuasi aktuaria adalah metode valuasi yang digunakan untuk menetapkan besar iuran normal dan kewajiban aktuaria. Metode yang digunakan untuk menghitung pendanaan pensiun pada penelitian ini yaitu metode Aggregate Attained Age Normal. Pada penelitian ini, tabel mortalita yang digunakan adalah tabel mortalita yang dibentuk melalui distribusi Makeham. Hukum mortalita Makeham merupakan suatu fungsi perluasan dari hukum mortalita Gompertz. Dengan menambahkan suatu konstanta, hukum mortalitas Makeham memperluas model Gompertz dengan memperhitungkan tingkat mortalitas yang tidak hanya bergantung pada faktor usia, tetapi juga memperhitungkan faktor tambahan yang memengaruhi tingkat mortalitas pada setiap usia. Fokus pada penelitian ini yaitu membandingkan dua tabel mortalita yang digunakan dalam perhitungan dana pensiun, yaitu tabel mortalita yang digunakan perusahaan (Tabel Mortalita 150% GAM71) dan tabel mortalita yang dibentuk melalui distribusi makeham. Selanjutnya, akan dilakukan perhitungan iuran normal (normal cost) dan kewajiban aktuaria (actuarial liability) berdasarkan masing-masing tabel mortalita menggunakan variabel gaji pokok, usia peserta saat ini, usia peserta saat masuk program pensiun dan jenis kelamin. Total iuran normal berdasarkan Tabel Mortalita 150% GAM71 sekitar 5,22% lebih besar dibandingkan dengan iuran normal berdasarkan Tabel Mortalita Makeham. Hal ini disebabkan karena dalam perhitungan iuran normal berdasarkan Tabel Mortalita 150% GAM71 menggunakan nilai saat ini (PVFB) yang lebih tinggi daripada Tabel Mortalita Makeham. Total kewajiban aktuaria berdasarkan Tabel Mortalita 150% GAM71 sekitar 1,3% lebih besar dibandingkan total kewajiban aktuaria Tabel Mortalita Makeham. Hal ini disebabkan karena tingkat mortalitas pada Tabel Mortalita Makeham lebih kecil daripada Tabel Mortalita 150% GAM71 pada semua jenis kelamin.
Pemodelan Faktor-Faktor yang Mempengaruhi AKI Menggunakan Regresi Zero Inflated Poisson (ZIP) dan Zero and One Inflated Poisson (ZOIP) Pramesti, Oktaviana Dewi; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 2 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i2.150126

Abstract

Masa kehamilan merupakan periode yang rentan bagi kesehatan ibu dan janin. Kematian ibu menjadi penyebab utama kematian pada wanita usia 15-49 tahun, dengan lebih dari setengah juta wanita meninggal setiap tahunnya akibat komplikasi kehamilan. Angka Kematian Ibu (AKI) digunakan sebagai indikator utama perkembangan kesehatan. Menurut WHO, sekitar 287.000 perempuan meninggal karena komplikasi kehamilan pada tahun 2020. Di Indonesia, khususnya Surabaya, AKI masih tinggi pada awal 2023, tidak memenuhi target Tujuan Pembangunan Berkelanjutan (SDGs) sebesar 183 per 100.000 kelahiran hidup pada tahun 2024. Misalnya, Kecamatan Kenjeran yang memiliki nilai AKI yang tergolong tinggi. Regresi linear sering digunakan dalam menganalisis isu AKI, namun ketidakakuratan sering terjadi pada data dengan kelebihan nilai nol. Oleh karena itu, model Generalized Linear Model (GLM) seperti Zero-Inflated Poisson (ZIP) dan Zero-and-One-Inflated Poisson (ZOIP) diperkenalkan untuk mengatasi tantangan ini. Penelitian ini menggunakan data AKI di Surabaya tahun 2022 untuk membandingkan model regresi ZIP dan ZOIP dalam menganalisis AKI, dengan tujuan memberikan wawasan lebih mendalam mengenai faktor-faktor yang mempengaruhi kesehatan ibu di Surabaya. Analisis regresi pada data AKI dilakukan menggunakan metode ZIP dan ZOIP. Parameter dari model digunakan untuk mengetahui signifikansi setiap prediktor terhadap AKI. Estimasi parameter regresi ZOIP menggunakan algoritma MLE dan EM. Variabel prediktor dengan estimasi parameter yang signifikan pada model regresi ZIP adalah ibu hamil mendapatkan TTD, dan rasio bidan per 100.000 penduduk. Sedangkan pada model regresi ZOIP, hanya parameter intercept yang berpengaruh signifikan. Hasil analisis menunjukkan bahwa metode regresi ZIP lebih baik dibandingkan ZOIP dengan nilai AIC 57,596 dibandingkan 110,31.
Klasterisasi Provinsi di Indonesia Berdasarkan Ketimpangan Pembangunan Ekonomi dengan Pendekatan Algoritma K-Means dan DBSCAN Tsabita, Hilma; Ahmad, Imam Safawi; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 2 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i2.149903

Abstract

Ketimpangan pembangunan ekonomi antarwilayah masih menjadi isu strategis dalam pembangunan nasional Indonesia. Data menunjukkan kesenjangan signifikan dalam hal pendapatan (PDRB) dan persentase penduduk miskin antarprovinsi di Indonesia. Misalnya, PDRB per kapita DKI Jakarta 13-14 kali lipat lebih tinggi daripada Nusa Tenggara Timur pada tahun 2022. Sementara, persentase penduduk miskin di Papua dan Papua Barat mencapai 20-26% pada tahun 2022, jauh melampaui rata-rata nasional 9,36%. Ketimpangan pembangunan ini berpotensi melahirkan dampak negatif seperti konflik sosial dan melebarnya kesenjangan pembangunan ekonomi antarwilayah. Oleh karena itu, identifikasi pola ketimpangan antarwilayah sangat diperlukan agar intervensi kebijakan afirmatif dapat dirancang lebih spesifik dan tepat sasaran. Penelitian ini bertujuan melakukan klasterisasi 34 provinsi di Indonesia ke dalam beberapa kelompok berdasarkan karakteristik serupa. Klasterisasi dilakukan menggunakan 2 algoritma clustering, yaitu K-means dan Density Based Spatial Clustering of Applications with Noise (DBSCAN). K-means clustering dipilih karena kemampuannya melakukan klasterisasi data dalam jumlah besar secara efisien. Sementara DBSCAN mampu mengelompokkan data yang memiliki kepadatan tertentu dan mengidentifikasi data pencilan. Variabel yang digunakan dalam klasterisasi meliputi PDRB per kapita, persentase penduduk miskin, jumlah penduduk, IPM, dan tingkat pengangguran terbuka (TPT). Data bersumber dari publikasi resmi BPS tahun 2023. Hasil penelitian menunjukkan bahwa K-Means clustering lebih unggul dalam mengklasterisasi provinsi di Indonesia dengan kombinasi variabel PDRB per kapita, Persentase Penduduk Miskin, Jumlah Penduduk, IPM, dan Tingkat Pengangguran Terbuka (TPT) berdasarkan metrik evaluasi Daevis Bouldin Index (DBI) dan Calinski Harabasz Index (CHI). Hasil ini konsisten dengan perhitungan Indeks Williamson yang mengindikasikan adanya ketimpangan pembangunan ekonomi di Indonesia.
Co-Authors Adipradana, Dimaz Wisnu Alfajriyah, Aimmatul Ummah Hakiki, Mochamad Taufik Pangestu, Abdan Alghifari Pradyto, Muhammad Tamir Pramesti, Oktaviana Dewi Pulungsari, Astrid Saskia Putri, Nayla Salsabila Cindiva Utomo Ramadhan, Riansyah Fazar Saputri, Prilyandari Dina Sinambela, Michael Sahala Tsabita, Hilma Wildani, Siti Anisa