Article Per Year (5 Year)
p-Index From 2021 - 2026
6.203
P-Index
This Author published in this journals
All Journal International Journal of Electrical and Computer Engineering Seminar Nasional Aplikasi Teknologi Informasi (SNATI) TELKOMNIKA (Telecommunication Computing Electronics and Control) Seminar Nasional Informatika (SEMNASIF) Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Seminar Nasional Teknologi Informasi Komunikasi dan Industri Journal of Computer Science and Informatics Engineering (J-Cosine) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) EDUMATIC: Jurnal Pendidikan Informatika Building of Informatics, Technology and Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) Madani : Indonesian Journal of Civil Society Jurnal Teknik Informatika (JUTIF) JINAV: Journal of Information and Visualization Journal of Applied Data Sciences KLIK: Kajian Ilmiah Informatika dan Komputer Prosiding Konferensi Nasional PKM-CSR eProceedings of Engineering Telkatika: Jurnal Telekomunikasi Elektro Komputasi & Informatika
Warih Maharani
Telkom University
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Nursing Public Health Social Sciences

Published : 73 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 73 Documents
Search

 3   4   5   6   7 
Analisis Sentimen Review Produk Menggunakan Pendekatan Berbasis Kamus Fairuz Ahmad Hirzani; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Review produk pada situs e-commerce sering kali menjadi tujuan calon pembeli produk dalam menilai kualitas dan tingkat kepuasan konsumen lain terhadap suatu produk. Jumlah review yang sangat banyak tentunya akan menyulitkan pembaca dalam penarikan informasi. Peringkasan dan klasifikasi opin i terhadap fitur suatu produk merupakan hal yang dibutuhkan guna mempercepat pembacaan dan penarikan kesimpulan terhadap kualitas suatu produk. Penelitian di bidang ini, khususnya feature based opinion summarization telah banyak dikembangkan dengan menggunakan berbagai macam teknik dan pendekatan. Analisis sentimen berbasis fitur membutuhkan proses ekstraksi fitur terlebih dahulu sebelum melakukan identifikasi opini. Proses ini dilakukan dengan melakukan identifikasi terhadap kata benda yang sering dibicarakan menggunakan penerapan association mining. Association mining yang diterapkan untuk ekstraksi fitur terbukti dapat menghasilkan fitur hasil ekstraksi dengan sebelumnya dilakukan proses pemilihan kata. Fitur yang didapat selanjutnya ditinjau untuk setiap kalimat menggunakan bantuan kamus opini untuk mengidentifikasi orientasi opini fitur yang dibicarakan oleh konsumen. Pendekatan seperti ini dalam analisis sentimen berbasis fitur biasa disebut pendekatan berbasis kamus. Kata kunci : analisis sentien, review produk, feature based opinion summarization
Analisis dan Implementasi Betweenness Centrality pada Social Network Twitter dengan Metode Linear Scaling Berbasis Pengguna Diska Yunita; Warih Maharani; Alfian Akbar Gozali
eProceedings of Engineering Vol 2, No 1 (2015): April, 2015
Publisher : eProceedings of Engineering

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

Abstract

Social Network berisi peta individu-individu dan relasi yang terjadi di antara mereka. Analisis hubungan antar individu, bagaimana hubungan tersebut terjadi, dan konsekuensinya dapat dipelajari menggunakan teknik Social Network Analysis. Salah satu contoh penerapannya yaitu pada centrality measurement yang digunakan untuk menentukan pengguna yang berpengaruh dalam penyebaran informasi. Salah satu metode yang dapat digunakan adalah betweenness centrality, node yang paling sering dilewati shortest path merupakan node yang memiliki centrality paling tinggi. Pada tugas akhir ini menerapkan salah satu algoritma dari betweenness centrality, yaitu algoritma Geisberger. Algoritma Geisberger digunakan untuk menghitung betweenness centrality pada graf yang berbobot dan tidak berarah dengan menggunakan metode Linear Scaling. Tujuannya untuk menentukan ranking user yang berpengaruh dalam social media Twitter dan yang kedua untuk mengetahui pengaruh nilai parameter k dalam perhitungan nilai centrality. Hasil pengujian menunjukan bahwa metode Linear Scaling dengan dapat digunakan untuk menentukan ranking user yang berpengaruh dalam penyebaran informasi di Twitter. Hasil yang kedua yaitu nilai k berpengaruh terhadap hasil perangkingan, semakin besar nilai k maka hasil perangkingan semakin stabil. Selain nilai k, faktor lain yang mempengaruhi perangkingan yaitu egde dan penghapusan node. Kata kunci: Social Network Analysis, Betweenness Centrality, Linear Scaling
Ekstraksi Fitur Dan Opini Menggunakan Pendekatan Pattern Knowledge Dan Opinion Lexicon I Nyoman Cahyadi Wiratama; Warih Maharani; Moch. Arif Bijaksana
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Ekstraksi fitur dan opini merupakan suatu cara yang dapat digunakan untuk mengetahui kata fitur dan opini dari suatu review. Suatu tanggapan dapat mengandung opini positif atau negatif. Dengan mengetahui fitur dan opini dari suatu review, dapat membantu seseorang dalam mengambil suatu keputusan. Namun tidak semua kata pada suatu review merupakan fitur ataupun opini, dan juga banyaknya review semakin menyulitkan seseorang untuk mengetahui fitur dan opini dari review tersebut. Maka dari itu diperlukan pengekstraksian fitur dan opini yang akan memudahkan dalam menemukan kata fitur dan opini dari suatu kalimat review. Beberapa pendekatan yang dapat digunakan untuk mengekstraksi fitur dan opini, yaitu dengan pendekatan association rule mining, unsupervised pattern mining, mutual reinforcement approach, opinion lexicon, dan pattern knowledge [1]. Pada tugas akhir ini penulis menggunakan pendekatan pattern knowledge dan opinion lexicon untuk melakukan prediksi kalimat opini, melakukan ekstraksi fitur dan opini, dan juga menentukan polaritas atau orientasi dari suatu review apakah bernilai positif atau negatif yang kemudian akan dikelompokkan berdasarkan fiturnya untuk memudahkan dalam pencarian review. Dengan menggunakan pendekatan ini akan didapatkan fitur produk dan polaritas dari suatu kalimat review produk. Kata Kunci: Opini, Fitur, Pattern knowledge, Opinion lexicon
Peringkasan Review Produk Berbasis Fitur Menggunakan Semantic Similarity Scoring Dan Sentence Clustering Yanuar Ega Ariska; Warih Maharani; Mohamad Syahrul Mubarok
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Ulasan produk dari konsumen merupakan salah satu faktor yang penting dalam penjualan suatu produk. Menganalisis klasifikasi sentimen dan peringkasan suatu review produk memiliki tiga tahap yang harus dilakukan. Tahap pertama yaitu ekstraksi fitur menggunakan frequent itemset mining dengan algoritma apriori. Kemudian, dilakukan klasifikasi opini menggunakan SentiWordnet untuk penentuan polaritas kata opini. Tahap terkahir yaitu dilakukan peringkasan menggunakan semantic similarity scoring dan sentence clustering. Hasil dari penelitian ini didapat bahwa filtering kata yang sesuai juga mempengaruhi performansi dari ekstraksi pada penelitian ini. Filtering kata digunakan yaitu Noun, Noun Phrase, irisan serta gabungan keduanya, keempat filtering kata yang digunakan memiliki hasil yang cukup seimbang, gabungan dan irisan yang diharapkan dapat meningkatkan performansi juga masih didapat hasil yang tidak terlalu jauh dengan hanya Noun dan Noun Phrase. Hasil performansi ekstraksi pada penelitian ini adalah sekitar 20-40% pada dataset yang digunakan. Klasifikasi menggunakan SentiWordNet menunjukkan hasil performansi yang cukup baik namun pada beberapa dataset yang memiliki kompleksitas kalimat yang cukup tinggi juga terjadi penurunan walaupun tidak terlalu berbeda jauh dan masih pada sekitaran 40-90%. Peringkasan dokumen dapat dilakukan dengan baik pada dataset yang disediakan karena dataset memiliki jumlah kalimat ulasan produk yang memadai dan peringkasan dengan metode yang digunakan memperlihatkan beberapa representasi kalimat dari clustering dengan baik. Kata kunci: analisis sentimen, ulasan produk, frequent pattern generation, association mining, semantic smimilarity scoring, sentence clustering.
Analisis Sentimen Dan Peringkasan Opini Pada Ulasan Produk Menggunakan Algoritma Random Forest Asep Aprianto; Warih Maharani; Anisa Herdiani
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Ulasan produk merupakan salah satu kriteria yang berguna bagi calon pembeli untuk mengambil keputusan pada pembelian suatu produk. Jumlah ulasan produk yang banyak membuat isi ulasan produk tidak dapat disimpulkan dengan cepat sehingga akan menyulitkan konsumen dalam penarikan kesimpulan pembelian sebuah produk. Untuk mengatasi masalah tersebut diperlukan suatu sistem yang secara otomatis dapat mengidentifikasi fitur - fitur produk dalam ulasan produk, mengklasifikasikannya kedalam polaritas positif negatif dan pembangkitan ringkasan ulasan produk untuk dapat membantu proses pembacaan suatu ulasan produk. Terdapat dua tahapan semelum memasuki pembangkitan ringkasan, pertama adalah ekstraksi fitur produk yang dilakukan dengna menggunakan metode association mining untuk mendapatkan frequent itemset dengan dua skema pemilihan kata yaitu noun filtering dan noun phrase filtering. Tahap kedua dilakukan proses klasifikasi terhadap fitur produk terekstrak terhadap orientasi postif dan negatifnya menggunakan pendekatan supervised learning dengan algoritma random forest. Satu kalimat ulasan dapat memiliki lebih dari satu fitur produk, sehingga dilakukan pemilihan level aspek pada penentuan sentimen. Peringkasan ulasan produk pada setiap fiturnya dilakukan secara ekstraktif dengan menampilkan fitur produk dengan orientasi yang dipisahkan antar positif dan negatif. Kata kunci : ulasan produk, ekstraksi fitur produk, association mining,  klasifikasi, peringkasan opini, supervised learning.
Peringkasan Review Produk Berbasis Feature Dengan Menggunakan User Score Keri Nurhidayat; Warih Maharani; Mohamad Mubarok
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Ulasan sebuah produk dari konsumen dapat digunakan oleh perusahan untuk meningkatkan penjualan dan kualitas produknya sedangkan bagi konsumen dapat memberikan keputusan dalam pembelian. Dengan meningkatnya jumlah ulasan serta user score dari konsumen memunculkan masalah baru yaitu ketika ulasan yang diberikan oleh konsumen tidak sesuai dengan user score yang diberikan. Untuk itu dibangun sebuah sistem yang dapat melakukan peringkasan untuk memberikan nilai terhadap ulasan konsumen dengan bantuan user score dari konsumen. Tahapan pertama untuk membangun sistem ini adalah preprocessing dimana preprocessing terdiri dari 3 tahapan yaitu Stopword Removal, Lemmatization, dan POS Tagging. Tahap kedua adalah ekstrasi fitur dan opini dengan menggunakan Type Dependency Parser. Tahap ketiga adalah penentuan polaritas fitur dengan menggunakan Semantic Orientation – Pointwise Mutual Information. Tahap keempat adalah peringkasan dengan menggunakan feature scoring dan Pearson Correlation untuk mengetahui nilai dari setiap fitur yang terekstrak. Hasil proses ekstraksi dan penentuan polaritas adalah daftar fitur dan opini serta polaritas dari setiap fitur. Peringkasan dokumen dengan menggunakan feature scoring menghasilkan skor dari setiap fitur yang berhasil terekstrak pada setiap ulasan yang kemudian dilanjutkan dengan proses Pearson Correlation untuk meilhat trend antara skor dari dataset dengan skor yang dihasilkan oleh feature scoring dimana nilai korelasi tertinggi adalah pada dataset Nook Tablet 16Gb yaitu fitur ke-46 Seller dengan nilai korelasi 1.00 atau berkorelasi sangat kuat dan nilai korelasi terendah adalah pada dataset Nook Tablet 16Gb yaitu fitur ke-62 Unit dengan nilai korelasi -0.94 atau berkorelasi terbalik sangat kuat. Kata kunci: analisis sentimen, ulasan produk, feature based opinion summarization, type dependency parser, semantic orientation – pointwise mutual information, feature scoring, scoring product feature, pearson correlation.
Peringkasan Opini Untuk Review Produk Menggunakan Formulasi Integer Linear Programming Tiara Nabila; Warih Maharani; M.Syahrul Mubarok
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Pada era digital, website untuk jual beli atau e-commerce sudah sangat marak digunakan karena lebih efisien dibandingkan berbelanja langsung di toko offline. Customer yang membeli barang di website biasanya dapat memberikan review terhadap produk yang sudah mereka beli. Opini yang diberikan akan menjadi acuan bagi customer berikutnya, tetapi opini yang terdapat pada website biasanya sangat banyak sehingga dibutuhkan peringkasan agar memudahkan customer dalam menentukan pilihan produk mereka. Pada penelitian ini akan dibahas tentang peringkasan opini atau opinion summarization. Peringkasan dilakukan dengan terlebih dahulu melakukan ekstraksi menggunakan pattern matching lalu akan diperoleh orientasi kalimat opini dengan SentiWordNet. Selain itu dibutuhkan dua nilai parameter, yaitu content score dan coherence score sehingga dapat dilakukan peringkasan pada review produk dengan menggunakan formulasi Integer Linear Programming (ILP) guna membuat ringkasan yang lebih koheren antara kalimat satu dan lainnya. Kata kunci : opinion summarization, integer linear programming (ILP), SentiWordNet
Klasifikasi Opini Pada Fitur Produk Berbasis Graph I Kadek Bayu Arys Wisnu Kencana; Warih Maharani
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Produk merupakan sesuatu yang ditawarkan oleh produsen kepada konsumen, di mana setiap produk memiliki opini yang berbeda-beda bagi setiap konsumen. Opini produk yang berbeda-beda tersebut dapat berupa opini positif maupun negatif. Untuk menganalisis opini yang berupa opini positif atau negatif secara otomatis, diperlukan adanya suatu sistem yang dapat digunakan oleh produsen maupun konsumen. Pada tugas akhir ini, dilakukan penelitian terhadap klasifikasi opini dengan menggunakan nilai kemiripan (similarity) antar kata dengan menggunakan dua pendekatan berbasis graph yaitu Word2Vec dan WordNet. Word2Vec merupakan representasi kata dalam bentuk vektor yang digunakan untuk menghasilkan word embeddings [1]. Sedangkan WordNet merupakan sebuah database kamus bahasa Inggris yang memiliki hirarki keterhubungan antar kata melalui jalur yang dimilikinya [2]. Penelitian tugas akhir ini menunjukkan bahwa hasil klasifikasi opini fitur produk menggunakan Word2Vec memiliki persentase akurasi yang lebih tinggi jika dibandingkan dengan klasifikasi opini fitur produk dengan menggunakan WordNet dengan rata-rata selisih persentase akurasi dari 6 dataset yaitu 2.07%. Hal tersebut disebabkan karena pada pendekatan Word2Vec, kosakata (vocabulary) yang dimiliki dapat dikembangkan sendiri berdasarkan data training yang digunakan. Sedangkan pada WordNet, kumpulan kata yang terdapat pada corpus merupakan data dari WordNet itu sendiri, jadi tidak dapat dikembangkan sendiri seperti pada Word2Vec. Kata kunci : sentiment analysis, word2vec, wordnet, graph-based classification, word embeddings.
Peringkasan Pada Review Produk Menggunakan Metode Crf Dan Knn Pursita Kania Praisar; Warih Maharani; Nungki Selviandro
eProceedings of Engineering Vol 3, No 3 (2016): Desember, 2016
Publisher : eProceedings of Engineering

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

Abstract

Dalam perkembangan internet pada saat ini, banyak orang yang memanfaatkannya dengan membuat sebuah tampilan website online berisi informasi yang dibutuhkan oleh para konsumen. Salah satu diantaranya adalah website yang berisi tentang konten-konten belanja secara online. Selain memudahkan dalam berbelanja, pada website belanja online juga sering ditemukan fitur review product atau tanggapan dari barang yang dijual pada website belanja online tersebut. Tanggapan mengenai sebuah barang pada satu website online sering dijadikan sebagian acuan terhadap sebuah kualitas barang. Banyaknya tanggapan terhadap sebuah barang dalam satu website online, menjadikan kesulitan tersendiri untuk menyimpulkan hasil dari tanggapan barang tersebut. Maka dari itu untuk mempermudah dalam menyimpulkan hasil tanggapan dari sebuah barang, perlu dibuat sebuah sistem peringkasan untuk menganalisa hasil tanggapan dari konsumen dalam suatu website belanja online. Sistem peringkasan ini dilakukan menggunakan metode CRF (Conditional Random Fields) untuk ekstraksi aspeknya dan K-NN untuk klasifikasinya. Parameter yang dibutuhkan pada sistem ini adalah persentase data training, penggunaan lemmatization pada preprocessing, nilai standar deviasi pada ekstraksi aspek, nilai learning rate pada ekstraksi aspek, threshold pada ekstraksi opini, dan nilai k pada klasifikasi. Penelitian ini dilakukan untuk mencari nilai efektif parameter inputan. Hasil yang didapatkan dari penelitian ini adalah nilai efektif presentase data training adalah 70%, digunakannya tahap lemmatization pada preprocessing, nilai efektif standar deviasi adalah 1.75, nilai efektif learning rate adalah 0.01, nilai efektif threshold adalah 0.5 dan nilai efektif k adalah >7. Kata kunci: Summarization,CRF, K-NN
Peringkasan Sentimen Pada Ulasan Produk Elektronik Dengan Metode Conditional Random Fields Fadhil Hadi; Warih Maharani; Niken Dwi Wahyu Cahya
eProceedings of Engineering Vol 7, No 2 (2020): Agustus 2020
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Perkembangan web di seluruh dunia seperti sosial media, forum, blog telah mempermudah orang untuk mengungkapkan pendapat terhadap produk elektronik. Namun sulit untuk mendapatkan gambaran umum atau spesifik dari ulasan-ulasan tersebut karena masyarakat tidak memiliki waktu untuk membaca banyak ulasan satu per satu. Penelitian ini menghadirkan sebuah pendekatan yang meringkas sentimen dari ulasan-ulasan tersebut untuk menghasilkan ringkasan dari suatu produk. Penelitian ini menggunakan studi kasus pada produk elektronik yaitu laptop. Metode yang diterapkan menggunakan Conditional Random Fields (CRFs) untuk membuat model yang akan mendapatkan ringkasan sentimen yang ada pada ulasan tersebut. Sistem akan meringkas sentimen dari ulasan produk elektronik. Hasil pengujian menghasilkan akurasi ringkasan pada sentimen yaitu 76% menggunakan parameter gaussian prior dan maksimum iterasi pada model. Kata Kunci : Peringkasan sentimen, ulasan produk elektronik, Conditional Random Fields. Abstract The development of the web around the world such as social media, forums, blogs has made it easier for people to express their opinions on electronic products. But it is difficult to get a general picture of the reviews because the public does not have time to read many reviews one at a time. This research presents an approach that summarizes the sentiments of these reviews to produce a summary of a product. This research will use case studies on electronic products, namely laptops. The method applied uses Conditional Random Fields (CRFs) to create a model that will get a summary of the sentiments in the review. The system will summarize sentiment from electronic product reviews. The test results produce a summary accuracy on the sentiment that is 76% using the gaussian prior and maximum iteration parameters in the model. Keywords: Summarization of sentiments, reviews of electronic products, Conditional Random Fields.
Co-Authors Adhie Rachmatulloh Sugiono Adinda Putri Rosyadi Adiwijaya Agung Toto Wibowo Aisyiyah, Syarifatul Ajeung Angsaweni Aji Gunadi, Gagah Al Giffari, Muhammad Zacky Aldy Renaldi Alfian Akbar Gozali Algi Erwangga Putra Alif Rahmat Julianda Andre Agasi Simanungkalit Angelina Prima Kurniati Anisa Herdiani annisa Imadi Puti Arianti Primadhani Tirtopangarsa Arie Ardiyanti Suryani Artanto Ageng Kurniawan Asep Aprianto Aziz Alfauzi Aziz Azka Zainur Azifa Bondan Ari Bowo Daud, Hanita Dicky Wahyu Hariyanto Diska Yunita Dita Martha Pratiwi Elroi Yoshua Ersy Ervina Evizal Abdul Kadir Fadhel, Muhammad Fadhil Hadi Fairuz Ahmad Hirzani Fathin, Felicia Talitha Fika Apriliani Fikri Ilham Guntur Prabawa Kusuma Hafshah Haudli Windjatika Hilda Fahlena Holle, Alfransis Perugia Bennybeng I Kadek Bayu Arys Wisnu Kencana I Nyoman Cahyadi Wiratama Ilham Rizki Hidayat Imelda Atastina Intan Nurma Yunita Intan Ramadhani Joshua Tanuraharja Keri Nurhidayat Kurniawan Adina Kusuma Latifa, Agisni Zahra M.Syahrul Mubarok Marcello Rasel Hidayatullah Moch Arif Bijaksana Mohamad Mubarok Mohamad Syahrul Mubarok Muh. Akib A. Yani Muhammad Fadhil Mubaraq Muhammad Husein Adnan Muhammad, Noryanti Niken Dwi Wahyu Cahya Nugraha, Endri Rizki Nugroho, Bayu Seno Nungki Selviandro Nur Ghaniaviyanto Ramadhan Nyoman Rizkha Emillia Pratama, Rio Ferdinand Putra Prati Hutari Gani Prati Hutari Gani Prisla Novia Anggreyani Pursita Kania Praisar Purwanto, Zadosaadi Brahmantio Putri Ester Sumolang Putri Samapa Hutapea Rachdian Habi Yahya Raihan Nugraha Setiawan Rasyad, Gerald Shabran Ria Aniansari Rianda Khusuma Rifki Wijaya Ryan Armiditya Pratama Salsabila Anza Salasa Sendika Panji Anom Serventine Andhara Evhen Setiawan, Abiyyu Daffa Haidar Suyanto Suyanto Tiara Nabila Tri Ayu Syifa'ur Rohmah Trysha Cintantya Dewi Tsaqif, Muhammad Abiyyu Veronikha Effendy Wijaya, Yaffazka Afazillah Yantrisnandra Akbar Maulino Yanuar Ega Ariska Yanuar Firdaus AW Yusup, Axel Haikal