Article Per Year (5 Year)
p-Index From 2019 - 2024
1.503
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmu Komputer dan Informasi Bulletin of Electrical Engineering and Informatics Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Jurnal Informasi dan Komputer JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Jurnal Keperawatan Widya Gantari Indonesia Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Jurnal TEDC Jurnal Sistem Informasi Journal Of Engineering Sciences (Improsci)
Indra Budi
Fakultas Ilmu Komputer Universitas Indonesia
Religion Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mathematics Mechanical Engineering Physics Public Health Social Sciences Transportation Veterinary Other

Published : 20 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 20 Documents
Search

 1   2 
Efektifitas Seleksi Fitur dalam Sistem Temu-Kembali Informasi Indra Budi; Rizal Fathoni Aji
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2006
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Paper ini mendeskripsikan laporan uji coba penggunaan feature selection (seleksi fitur) pada Information Retrieval System (sistem temu-kembali informasi). Istilah atau index-term yang menjadi indeks merupakan fitur yang diseleksi. Seleksi dilakukan dengan mengurangi istilah pada indeks sebanyak 5%, 10%, 15% dan 20%. Uji coba dilakukan dengan tiga strategi, mengurangi index-term dengan frekuensi besar dan kecil sekaligus, mengurangi index-term dengan frekuensi besar saja dan mengurangi index-term dengan frekuensi kecil saja. Uji coba memperlihatkan bahwa pengurangan index-term dengan frekuensi kecil saja lebih baik dibandingkan dua strategi yang lain.Kata kunci: feature selection, information retrieval system, index-term.
PERBANDINGAN DECISION TREE, MAXIMUM ENTROPY, DAN ASSOCIATION RULES PADA RESOLUSI KOREFERENSI UNTUK BAHASA INDONESIA Astria Kurniawan Sumantri; Indra Budi; Heri Kurniawan
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2010
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Metode Decision Tree, Maximum Entropy, dan Association Rules pernah diaplikasikan untuk melakukanpenelitian resolusi koreferensi untuk Bahasa Inggris. Sedangkan penelitian resolusi koreferensi untuk BahasaIndonesia baru dilakukan dengan menggunakan Association Rules. Penelitian ini dilakukan untukmembandingkan ketiga metode untuk melakukan resolusi koreferensi. Pengujian dilakukan terhadap 500dokumen yang diambil dari sumber koran online.Kata Kunci: resolusi koreferensi, Decision Tree, Maximum Entropy, Association Rules
PREDIKSI TOPIK PENELITIAN MENGGUNAKAN KOMBINASI ANTARA SUPPORT VECTOR REGRESSION DAN KURVA LOGISTIK Agus Widodo; Indra Budi; Rizal Fathoni Aji
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Prediksi topik penelitian diperlukan terutama oleh pengambil kebijakan misalnya untuk menentukan tema penelitian yang akan datang. Analisis terhadap tren topik penelitian dengan menggunakan pendekatan numerik berdasarkan publikasi ilmiah dan/atau paten telah dilakukan dalam beberapa peneliti sebelumnya dengan menghitung frekuensi kata yang sama dalam beberapa dokumen untuk mengelompokkan topik. Sementara itu, analisis time series dilakukan peneliti lainnya dengan menggunakan teknik statistik, pembelajaran mesin dan kurva logistik untuk domain di luar topik penelitian. Dalam penelitian ini, akan dilakukan analisis time series untuk memprediksi topik penelitian dengan menggabungkan teknik pembelajaran mesin, yakni Support Vector Regression (SVR), dan kurva logistik, dengan asumsi bahwa terdapat batas atas terhadap siklus pertumbuhan setiap topik penelitian. Data yang digunakan dalam studi ini adalah data laporan penelitian dari situs Garuda selama kurun waktu 16 tahun. Selain itu, sebagai acuan, digunakan juga data dari ITU (International Telecommunication Unit) yang serupa dengan yang digunakan oleh peneliti sebelumnya. Hasil eksperimen menunjukkan bahwa kombinasi antara SVR dan kurva logistik dapat meningkatkan akurasi prediksi. Selain itu, dari data yang digunakan, dapat diketahui bahwa topik penelitian yang pertumbuhannya cukup tinggi adalah Medicine, Biology dan Social pathology and public walfare.
Sistem Rekapitulasi Dokumen Perundang-Undangan Indonesia Indra Budi; Rizal Mulyadi
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2013
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam sistem perundang-undangan di Indonesia, isi suatu dokumen Undang-undang (UU) dapat diubah oleh dokumen UU lainnya, baik secara keseluruhan ataupun sebagian (misal, per ayat, per pasal atau per bab). Hal ini menyebabkan untuk mengetahui versi terakhir dari suatu dokumen UU menjadi sulit. Sistem rekapitulasi dokumen perundang-undangan Indonesia dapat menjadi solusi untuk mengetahui apakah suatu dokumen UU merupakan versi terakhir atau bukan. Selain itu, sistem dapat memperlihatkan sejarah perubahan UU. Sistem ini dikembangkan dengan menggunakan pendekatan knowledge engineering, yaitu dengan membuat aturan-aturan berdasarkan informasi kontekstual yang terdapat dalam dokumen UU. Sistem ini diujicobakan pada 472 dokumen UU dengan 784 pasal. Hasil uji coba menunjukkan bahwa sistem dapat menampilkan sejarah perubahan undang-undang dengan ketepatan sebesar 99.6% untuk pada level dokumen undang-undang dan 99.2% pada level pasal.
Analisis Pengukuran Tingkat Kesiapan Knowledge Management: Studi Kasus Pusat Pengolahan Data dan Informasi Badan Koordinasi Penanaman Modal Sri Widiastuti; Indra Budi
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2016
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pusdatin merupakan unit yang memiliki tugas mengelola SI/TI di BKPM. Permasalahan yang terjadi di Pusdatin adalah pengetahuan dan kemampuan melekat pada masing-masing individu dan tidak terdokumentasi dengan baik. Hal ini menyebabkan sulitnya pengetahuan tersebut diakses oleh pegawai lain, sehingga dapat berdampak pada terganggunya layanan di Pusdatin. Untuk itu Pusdatin membutuhkan suatu sistem berbasis teknologi informasi yang dapat mengelola pengetahuan untuk mendorong kontribusi maksimum dalam menjalankan tugas dan target Pusdatin. Penerapan KM sangat membutuhkan persiapan yang matang agar tidak mengalami kegagalan. Penelitian ini bertujuan untuk mengukur tingkat kesiapan organisasi dalam penerapan KM (KM readiness), sehingga dapat memberikan rekomendasi untuk meningkatkan kesiapan penerapan KM. Penelitian dilakukan melalui sensus terhadap seluruh pegawai Pusdatin dengan menggunakan kuesioner. Data dianalisis menggunakan analisis faktor konfirmatori dan analisis deskriptif.  Analisis faktor konfirmatori menghasilkan faktor-faktor yang dapat digunakan untuk mengukur tingkat kesiapan KM di Pusdatin, yaitu faktor budaya, struktur, penerimaan individu, dan TI. Hasil analisis menunjukkan bahwa tingkat kesiapan KM di Pusdatin berada pada kategori tinggi, hal ini berarti bahwa organisasi telah memiliki kemampuan yang memadai, dan karenanya telah matang kesiapannya untuk menerapkan KM.
MODEL SELECTION OF ENSEMBLE FORECASTING USING WEIGHTED SIMILARITY OF TIME SERIES Agus Widodo; Indra Budi
Jurnal Ilmu Komputer dan Informasi Vol 5, No 1 (2012): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information)
Publisher : Faculty of Computer Science - Universitas Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1589.322 KB) | DOI: 10.21609/jiki.v5i1.185

Abstract

Several methods have been proposed to combine the forecasting results into single forecast namely the simple averaging, weighted average on validation performance, or non-parametric combination schemas. These methods use fixed combination of individual forecast to get the final forecast result. In this paper, quite different approach is employed to select the forecasting methods, in which every point to forecast is calculated by using the best methods used by similar training dataset. Thus, the selected methods may differ at each point to forecast. The similarity measures used to compare the time series for testing and validation are Euclidean and Dynamic Time Warping (DTW), where each point to compare is weighted according to its recentness. The dataset used in the experiment is the time series data designated for NN3 Competition and time series generated from the frequency of USPTO’s patents and PubMed’s scientific publications on the field of health, namely on Apnea, Arrhythmia, and Sleep Stages. The experimental result shows that the weighted combination of methods selected based on the similarity between training and testing data may perform better compared to either the unweighted combination of methods selected based on the similarity measure or the fixed combination of best individual forecast. Beberapa metode telah diajukan untuk menggabungkan beberapa hasil forecasting dalam single forecast yang diberi nama simple averaging, pemberian rata-rata dengan bobot pada tahap validasi kinerja, atau skema kombinasi non-parametrik. Metode ini menggunakan kombinasi tetap pada individual forecast untuk mendapatkan hasil final dari forecast. Dalam paper ini, pendekatan berbeda digunakan untuk memilih metode forecasting, di mana setiap titik dihitung dengan menggunakan metode terbaik yang digunakan oleh dataset pelatihan sejenis. Dengan demikian, metode yang dipilih dapat berbeda di setiap titik perkiraan. Similarity measure yang digunakan untuk membandingkan deret waktu untuk pengujian dan validasi adalah Euclidean dan Dynamic Time Warping (DTW), di mana setiap titik yang dibandingkan diberi bobot sesuai dengan keterbaruannya. Dataset yang digunakan dalam percobaan ini adalah data time series yang didesain untuk NN3 Competition dan data time series yang di-generate dari paten-paten USPTO dan publikasi ilmiah PubMed di bidang kesehatan, yaitu pada Apnea, Aritmia, dan Sleep Stages. Hasil percobaan menunjukkan bahwa pemberian kombinasi bobot dari metode yang dipilih berdasarkan kesamaan antara data pelatihan dan data pengujian, dapat menyajikan hasil yang lebih baik dibanding salah satu kombinasi metode unweighted yang dipilih berdasarkan similarity measure atau kombinasi tetap dari individual forecast terbaik.
PENERAPAN METODE HOT FIT DALAM EVALUASI SISTEM INFORMASI MANAJEMEN RUMAH SAKIT DI RSUD JOMBANG Chandra Sukma; Indra Budi
Jurnal informasi dan komputer Vol 5 No 1 (2017): Jurnal Sistem Informasi dan Komputer
Publisher : STMIK Dian Cipta Cendikia Kotabumi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (340.877 KB)

Abstract

ABSTRAKSistem Informasi Rumah Sakit (SIMRS) merupakan aplikasi berbasis komputerisasi yang dikembangkan untuk manajemen data rekam medis. Penerapan SIMRS di RSUD Kabupaten Jombang masih ditemukan kendala antara lain terdapat user yang kesulitan menggunakan SIMRS, pemahaman yang kurang tentang SIMRS, sumber daya yang terbatas, kurangnya dukungan pimpinan, serta penggunaan SIMRS yang belum memanfaatkan data terpusat.Tujuan penelitian ini untuk menggamba kan faktor-faktor yang berpengaruh terhadap efektivitas penerapan SIMRS dengan menggunakan model evaluasi Human-Organization-Technology (HOT) Fit. Jenis penelitian yng digunakan adalah pendekatan kuantitatif. Populasi penelitian ini adalah pengguna (user) aplikasi SIMRS di RSUD kabupaten Jombang, dengan sampel yaitu total populasi sebanyak 64 orang. Hasil penelitian dengan korelasi menunjukkan ada hubungan ketersediaan fasilitas dan kualitas informasi dengan efektivitas penerapan SIMRS dan tidak ada hubungan kapabilitas personal, efektivitas pelatihan, dukungan manajemen puncak, dukungan rekan kerja, dan kualitas sistem dengan efektivitas penerapan SIMRS.Hasil penelitian dengan analisis regresi linier sederhana menunjukkan ada pengaruh ketersediaan fasilitas terhadap efektivitas penerapan SIMRS sebesar 33,5%. Saran yang diberikan yaitu pengkajian ulang terhadap rancangan aplikasi SIMRS, monitoring dan evaluasi terkait ketersediaan sumber daya manusia dan fasilitas di RSUD Jombang, feedback dari user terkait dengan aplikasi SIMRS, dan pengoptimalan dukungan manajemen puncak dalam evaluasi penerapan SIMRS.
Evaluasi Arsitektur Sistem Layanan Data Kementerian: Studi Kasus Pusintek Kementerian Keuangan Dian Adiputro; Indra Budi
Prosiding SISFOTEK Vol 1 No 1 (2017): SISFOTEK 2017
Publisher : Ikatan Ahli Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (327.296 KB)

Abstract

Pusintek merupakan unit organisasi di Kementerian Keuangan yang menyelenggarakan layanan TIK bertanggungjawab dalam pelaksanaan integrasi TIK. Sistem Layanan Data merupakan bentuk integrasi data di lingkungan Kementerian Keuangan yang terdiri atas 2 komponen utama, yaitu data warehouse dan business intelligence. Pusintek berpedoman pada KMK 351/KMK.01/2011 dalam pengembangan sistem informasi. Salah satu tahapan dalam pengembangan sistem informasi adalah proses evaluasi, akantetapitahapevaluasitersebuttidakdilakukandalampelaksanaanpengembanganSistemLayanan Data di Kementerian Keuangan. Penelitian ini dilakukan untuk memenuhi kebutuhan evaluasi dan memperoleh tingkat kematangan arsitektur Sistem Layanan Data. Penelitian ini menghasilkan tingkat kematangan arsitektur SistemL ayanan Data Kementerian dengan nilai 4,01 pada aspek teknis dengan menggunakan Data Warehouse Capability Maturity Model. Rekomendasi diberikan untuk kriteria-kirteria yang ada di masing-masing sub kategori yang kondisi saat ini masih berada di bawah kondisi ideal dari tingkat keamatangan 4 yang diperoleh.
ANALISIS KINERJA ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA DATA SELEKSI PENERIMA BEASISWA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS: POLITEKNIK TEDC BANDUNG) Ari Sudrajat; Indra Budi
Jurnal TEDC Vol 13 No 1 (2019): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (349.909 KB)

Abstract

Undang-undang No. 20 Tahun 2003 tentang Sistem Pendidikan Nasional, menyebutkan bahwa setiap peserta didik pada setiap satuan pendidikan berhak mendapatkan Beasiswa bagi yang berprestasi yang orang tuanya kurang mampu membiayai pendidikannya. Politeknik TEDC Bandung berusaha memberikan beasiswa pendidikan kepada calon mahasiswa baru dan mahasiswa lama yang telah dialokasikan oleh Kementerian Ristekdikti melalui Lembaga Layanan Pendidikan Tinggi (LLDIKTI) atau sebelumnya disebut Kopertis ataupun beasiswa pendidikan yang diselenggarakan oleh Pemerintah Pemprov dan Pemerintah Daerah. Namun jumlah calon mahasiswa penerima beasiswa yang mendaftar lebih banyak dibandingkan dengan jumlah alokasi yang disediakan untuk penerima beasiswa. Kenyataan di lapangan yang terjadi di Politeknik TEDC Bandung, calon mahasiswa yang tidak diterima sebagai penerima beasiswa mengeluh dengan sistem seleksi penerimaan beasiswa yang bersifat tertutup sehingga menimbulkan pertanyaan dan komentar baik dari orangtua / wali mahasiswa. Ketidaktepatan penentuan penerima beasiswa menjadi masalah utama yang tidak dapat terhindarkan karena setelah dilakukan analisis terhadap data calon penerima beasiswa dan penerima beasiswa di Politeknik TEDC Bandung pada tahun 2017 terdapat sebagian data penerima beasiswa yang seharusnya tidak mendapatkan beasiswa begitu juga sebaliknya. Permasalahan ini timbul dikarenakan Politeknik TEDC Bandung belum memiliki sistem pengambilan keputusan yang tepat ataupun model prediksi untuk menentukan penerima beasiswa. Sementara untuk memudahkan dan mengetahui dalam menentukan calon mahasiswa penerima beasiswa, peneliti tertarik untuk meneliti atribut-atribut yang mempengaruhinya dengan cara teknik klasifikasi yang terdapat pada data mining. Sehingga informasi hasil dari klasifikasi dapat digunakan sebagai solusi / model dalam mendukung pengambilan keputusan dalam penentuan mahasiswa penerima beasiswa di Politeknik TEDC Bandung. Adapun beberapa faktor yang menjadi persyaratan bagi calon mahasiswa penerima beasiswa di Politeknik TEDC Bandung, yaitu sebagai penerima bantuan pemerintah, pendidikan orang tua, pekerjaan orang tua, pendapatan orang tua, pengeluaran orang tua, kepemilikan rumah tinggal, jumlah tanggungan, transportasi yang digunakan, nilai rata-rata ujian, dan prestasi non akademik. Support Vector Machine (SVM) merupakan salah satu metode dari data mining yang digunakan untuk proses klasifikasi dan regresi berdasarkan pada beberapa prediksi. Algoritma Support Vector Machine (SVM) termasuk ke dalam 10 besar algoritma klasifikasi terbaik. Penelitian ini bertujuan untuk mengetahui model terbaik, memprediksi tingkat akurasi seleksi penerima beasiswa dan atribut yang paling berpengaruh yang dihasilkan oleh algoritma Support Vector Machine (SVM) berbasis Particle Swarm Optimization (PSO). Hasil yang diperoleh menyatakan bahwa algoritma Support Vector Machine berbasis Particle Swarm Optimization memiliki tingkat akurasi lebih besar dibandingkan dengan algoritma Support Vector Machine tanpa dioptimasi sebesar 78,35 % atau memiliki selisih 2,41 % dengan waktu eksekusi lebih lama 59 detik. Namun algoritma Support Vector Machine berbasis Particle Swarm Optimization tidak dapat dipastikan secara nyata hasil akurasinya lebih baik dibandingkan algoritma yang tidak dioptimasi karena melebihi nilai ambang batas yang telah ditentukan sebesar 0,168. Atribut paling berpengaruh dalam menentukan seleksi penerima beasiswa adalah atribut pengeluaran per bulan, pendidikan terakhir ayah, pendidikan terakhir ibu dan jumlah tanggungan dari total 10 atribut yang digunakan dalam proses pengujian. Dengan adanya penelitian ini diharapkan dapat membantu Politeknik TEDC Bandung dalam menentukan seleksi penerima beasiswa.
TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS UNTUK MENANGANI STRATEGI PROMOSI DI POLITEKNIK TEDC BANDUNG Novita Lestari Anggreini; Indra Budi
Jurnal TEDC Vol 13 No 1 (2019): Jurnal TEDC
Publisher : UPPM Politeknik TEDC Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (208.231 KB)

Abstract

Berdasarkan data promosi yang telah dilakukan di tahun-tahun yang lalu, dapat dilihat suatu fakta bahwa penyebaran informasi mengenai Politeknik TEDC Bandung terjadi secara tidak merata dalam kegiatan Penerimaan Mahasiswa Baru. Jangkauan pengenalan kampus ini melalui koran Tribun Jabar hanya menjaring mahasiswa baru sebesar 10%, sedangkan dari wawancara peneliti dengan Ketua Penerimaan Mahasiswa Baru 2017 dapat memperoleh mahasiswa baru sebesar 40% melalui presentasi ke sekolah-sekolah yang ada di Cimahi, Bandung dan sekitarnya, promosi melalui para alumni dapat menjaring sebanyak 45% mahasiswa baru, sedangkan promosi dengan media baliho dan website dapat menjaring mahasiswa baru sebesar 5%. Kegiatan promosi-promosi ini mengakibatkan penyebaran jumlah mahasiswa baru di tiap-tiap program studi menjadi tidak merata. Untuk dapat melakukan promosi-promosi yang lebih efektif dan efisien, pada penelitian ini akan mengolah semua data yang telah didapatkan dari calon mahasiswa baru yang telah mendaftar, sehingga dapat mengetahui pola dari data-data tersebut dan akhirnya dapat diambil informasi-informasi yang tersembunyi dari data-data tersebut. Pengolahan data yang dilakukan adalah melalui klasterisasi dengan algoritma K-Means terhadap data para pendaftar yaitu tentang Nama Pendaftar, Tempat dan Tanggal lahir, Alamat, Agama, Nomor Telepon, Asal Sekolah, Program Studi Pilihan, dan Pembawa Informasi, yang mana data ini diperoleh dari kegiatan promosi tahun 2015 sampai tahun 2017. Setelah dilakukan pembersihan dan perbaikan data, kemudian dapat diperoleh suatu dataset yang harus dibuat lebih detail dan dapat memberikan informasi yang lebih spesifik dalam pengelompokkan data. Bilamana diperlukan maka ada juga beberapa data yang dibuang agar lebih efektif dalam melakukan pengujian dalam proses klasterisasi. Hasil akhir dari klasterisasi ini diperoleh adalah informasi dalam bentuk chart bars yang menunjukkan bahwa cara promosi yang paling vital adalah dengan kerjasama Politeknik TEDC Bandung dengan sekolah-sekolah lanjutan atas, juga dapat diketahui bahwa para pendaftar terbanyak adalah berasal dari Jawa Barat dan Sumatera Selatan, selain itu dapat diperoleh informasi bahwa program studi Sistem Informasi paling banyak yang diminati para lulusan SMA, dan para lulusan SMK lebih memilih program studi Teknik Informatika.
Co-Authors Achmad Nizar Hidayanto Agus Widodo Agus Widodo Andina Septiani Ani Widiastuti Ari Sudrajat Ario Santoso Ario Santoso Ario Santoso Aris Budi Santoso Aris Budi Santoso Astria Kurniawan Sumantri Chandra Sukma Christina Deni Rumiarti Dea Annisayanti Putri Dhenda Rizky Pradiptyo Dian Adiputro Dwi Retnoningrum Elly Nurachmah Hafid Mukhlasin Handayani, Putu Wuri Heri Kurniawan Irfanda Husni Sahid J.W. Saputro J.W. Saputro J.W. Saputro Mukhlasin, Hafid Novita Lestari Anggreini Prabu Kresna Putra Prabu Kresna Putra Rita Sekarsari Rizal Fathoni Aji Rizal Fathoni Aji Rizal Mulyadi Rumiarti, Christina Deni Ryan Randy Suryono Sandy Kurniawan Sri Widiastuti