Persahabatan dalam Hubungan: Kunci Biar Cinta Kamu Langgeng dan Harmonis

Banyak orang mikir kalau hubungan itu cuma soal cinta dan chemistry aja. Padahal, ada satu hal yang nggak kalah penting, yaitu persahabatan. Nah, Dr. John Gottman, pakar hubungan yang udah riset selama puluhan tahun, bilang kalau persahabatan itu adalah fondasi utama biar hubungan kamu bisa awet dan sehat.

Tapi jangan salah, kamu nggak harus jadi sahabat duluan sebelum pacaran. Persahabatan itu dibangun pelan-pelan lewat hal-hal kecil, seperti:

• Berbagi cerita tentang hidup kamu dan pasangan, mulai dari hal lucu sampai yang serius.

• Nanya hal-hal bermakna yang bikin kalian makin ngerti satu sama lain.

• Bikin kenangan bareng, misalnya coba aktivitas baru atau sekadar jalan santai.

Kalau kalian udah kayak teman dekat, biasanya pandangan kalian ke pasangan jadi lebih positif. Ini penting banget saat ada masalah, karena kamu jadi lebih sabar, bisa kasih maaf lebih gampang, dan nggak baper berlebihan kalau ada konflik.

Source: https://mail.google.com/mail/u/0/#inbox/FMfcgzQbfffgTgBffRFgQpWgcvQPfFFB?projector=1

Persahabatan juga bikin kamu dan pasangan jadi lebih percaya satu sama lain dan dekat secara emosional. Nah, dari situ deh keintiman yang sesungguhnya bisa muncul, baik dari sisi perasaan maupun fisik.

Jadi, kalau kamu mau hubungan kamu makin solid, mulailah dari membangun persahabatan yang kuat dulu, ya. Ingat, persahabatan itu bukan cuma bikin hubungan makin manis, tapi juga kunci biar cinta kamu tahan lama!

Tips Membangun Persahabatan dalam Hubungan:

1. Sisihkan waktu rutin buat quality time tanpa gangguan gadget.

2. Saling tanya hal-hal yang bikin kalian tahu impian dan ketakutan pasangan.

3. Lakukan kegiatan seru bareng, seperti olahraga, masak, atau nonton film favorit.

4. Jujur dan terbuka soal perasaan tanpa takut dihakimi.

5. Rayakan keberhasilan dan dukung satu sama lain di masa sulit.

Dengan melakukan hal-hal ini, kamu dan pasangan nggak cuma jadi kekasih, tapi juga sahabat sejati.

ref:

The Gottman Institute

Rumput yang Lebih Hijau

Dalam setiap interaksi, selalu ada pilihan untuk terhubung dengan pasangan atau menjauh. Satu momen mungkin tidak terlalu penting, tetapi jika berulang kali memilih untuk menjauh, kepercayaan dalam hubungan bisa terkikis. Saat hal ini terjadi, kita cenderung lebih fokus pada kekurangan pasangan dan melupakan kualitas positif mereka yang kita kagumi dan hargai. Pada akhirnya, seseorang bisa mulai melakukan "perbandingan negatif", seperti yang dijelaskan oleh peneliti Caryl Rusbult. Mereka membandingkan pasangan dengan orang lain, baik nyata maupun imajiner, dan mulai berpikir, "Aku bisa mendapatkan yang lebih baik."

sumber: kompas.com

Hubungan yang kuat tidak terbentuk secara kebetulan—ia dibangun dengan niat dan usaha. Pasangan yang saling percaya dan mendukung memahami bahwa hubungan harus terus dipupuk dari waktu ke waktu. Pasangan yang berhasil dalam hubungan mereka biasanya:

• Saling menunjukkan apresiasi dan penghargaan.
• Mendengarkan dengan empati, bahkan saat tidak setuju.
• Mempertimbangkan sudut pandang satu sama lain dalam konflik.
• Hadir dalam masa sulit dan merayakan momen kecil sehari-hari.
• Tetap berada di pihak yang sama, baik saat menyelesaikan masalah maupun dalam kegiatan sederhana seperti melipat cucian.

Minggu ini, luangkan waktu untuk merawat hubungan Anda. Langkah-langkah kecil bisa membawa perubahan besar. Berikut beberapa ide:

• Berikan kejutan kecil yang menunjukkan perhatian Anda.
• Luangkan waktu berkualitas berdua, tanpa gangguan.
• Katakan satu hal yang Anda kagumi dari pasangan, dan jelaskan alasannya.
• Ajukan pertanyaan tentang dirinya dan dengarkan dengan penuh perhatian.
• Jika ada ketegangan, tetap tenang dan coba lihat dari perspektifnya.
• Ringankan bebannya dengan menangani sesuatu yang ia sibuk dengan.
• Biarkan pasangan mencurahkan isi hati tanpa langsung memberikan solusi—kecuali jika diminta.
• Tunjukkan kasih sayang, baik melalui pelukan, ciuman, atau sentuhan sederhana.

Karena kenyataannya, rumput lebih hijau di tempat yang kita rawat. Jadi, rawatlah hubungan Anda minggu ini.

ref:

The Gottman Institute

Loud and Proud: Merayakan Cinta yang Teriak dengan Bangga

Frasa "Love Out Loud" mungkin sering terdengar, tetapi apa sebenarnya makna dari mencintai dengan cara yang teriakan ini? Konsep ini lebih dari sekadar slogan; ini adalah sebuah ajakan untuk secara aktif merayakan dan mengungkapkan cinta dengan cara yang terbuka dan jujur, baik dalam hubungan romantis, persahabatan, maupun dalam hubungan dengan orang-orang terdekat.

1. Menciptakan Budaya Kasih Sayang dan Kekaguman
• Salah satu cara untuk mencintai dengan bangga adalah dengan mengungkapkan apa yang dihargai dari pasangan atau orang terdekat. Penelitian Dr. John Gottman menunjukkan bahwa pasangan yang bahagia sering kali secara sadar mencari hal-hal positif yang dapat mereka hargai dan ungkapkan satu sama lain. Cinta yang teriakan dengan bangga adalah tentang memberi apresiasi melalui kata-kata yang menyentuh hati.
• Ungkapan sederhana seperti:
• "Kamu memberi pelukan terbaik."
• "Aku merasa tenang hanya dengan duduk di dekatmu."
• Meskipun tampaknya kecil, kata-kata semacam ini memiliki dampak yang besar dalam membangun rasa aman emosional dan hubungan yang lebih dalam. Dengan secara rutin mengungkapkan kekaguman dan rasa terima kasih, hubungan semakin kuat dan terjaga.
2. Membangun Peta Cinta (Love Maps)
• Peta Cinta adalah gambaran mental yang kita buat tentang dunia batin pasangan kita—dari hal-hal yang mereka sukai, harapan, ketakutan, hingga pengalaman hidup mereka. Semakin detail peta cinta yang dimiliki, semakin mendalam pula keintiman emosional yang terbentuk. Peta ini memungkinkan pasangan untuk benar-benar mengenal satu sama lain, menciptakan ikatan yang lebih kuat. Untuk membangun peta cinta, cobalah bertanya pertanyaan yang lebih dalam dan personal, seperti:
• "Apa kenangan masa kecil yang paling berkesan bagimu?"
• "Apa yang sedang membuatmu khawatir akhir-akhir ini?"
• "Apa impian terbesar yang kamu harapkan untuk diwujudkan?"
• Pertanyaan semacam ini memungkinkan terciptanya komunikasi yang lebih mendalam dan memperkaya pemahaman terhadap pasangan, sehingga kedekatan emosional pun semakin terjalin.
3. Tanya Pertanyaan Terbuka dan Dengarkan untuk Memahami
• Komunikasi yang sehat adalah fondasi utama dalam setiap hubungan yang kuat. Mengajukan pertanyaan terbuka adalah salah satu cara terbaik untuk menciptakan percakapan yang lebih berarti dan mendalam. Alih-alih bertanya pertanyaan yang hanya membutuhkan jawaban ya atau tidak, pilihlah pertanyaan yang membuka ruang bagi pasangan untuk berbagi lebih banyak, seperti:
• "Bagaimana perasaanmu tentang situasi ini?"
• "Apa yang kamu butuhkan dari aku sekarang?"
• Namun, yang lebih penting daripada pertanyaan itu sendiri adalah kemampuan untuk mendengarkan dengan empati. Cinta yang teriakan dengan bangga adalah tentang mendengarkan tanpa niat untuk membela diri atau memberi solusi, tetapi untuk benar-benar memahami pasangan. Ini adalah cara terbaik untuk memperkuat keintiman emosional.

sumber: https://play.google.com/store/apps/details?id=com.carddecks&hl=en_NZ&pli=1

Cinta yang Teriak dengan Bangga

Dengan datangnya bulan Juni, yang juga dikenal sebagai bulan Pride, ini menjadi momen yang tepat untuk merayakan keragaman cara kita mencintai. Cinta bukan hanya tentang hubungan romantis, tetapi juga tentang hubungan platonik, queer, neurodiverse, atau ikatan dalam keluarga yang kita pilih. Setiap ekspresi cinta adalah sah dan valid, asalkan didasarkan pada kepercayaan, persetujuan, dan komunikasi yang terbuka.

Ketika prinsip-prinsip ini dijadikan dasar, cinta menjadi salah satu bagian yang paling kuat dan memuaskan dalam hidup kita. Merayakan cinta yang teriakan dengan bangga adalah tentang menghargai setiap bentuk cinta yang ada, sambil tetap mengutamakan nilai-nilai yang membantu hubungan menjadi lebih sehat dan berkembang.

ref:

Gottman Institute

Sejarah Candlesticks

The Candlestick Trading Bible adalah salah satu sistem trading yang paling kuat dalam sejarah pasar keuangan, yang ditemukan oleh Homma Munehisa, seorang trader legendaris asal Jepang. Homma dianggap sebagai Bapak Pola Candlestick, dan metode tradingnya telah menghasilkan keuntungan luar biasa yang diperkirakan setara dengan lebih dari $10 miliar (dalam nilai saat ini). Dengan keahliannya dalam membaca pasar melalui pola candlestick, Homma mampu memprediksi pergerakan harga dengan akurasi yang sangat tinggi, menjadikannya sebagai salah satu trader paling sukses dalam sejarah.

sumber: https://storage.googleapis.com/kitco_edu_prod/s3fs-public/inline-images/image002_0.png

Chart candlestick, yang dikembangkan di Jepang pada abad ke-17 oleh pedagang beras Munehisa Homma, adalah alat yang sangat kuat untuk melacak pergerakan harga pasar dan memahami emosi para pelaku pasar. Homma, yang dianggap sebagai salah satu pelopor awal analisis candlestick, menyadari bahwa emosi seperti ketakutan, keserakahan, dan harapan memainkan peran penting dalam penetapan harga. Pola candlestick memberikan representasi visual dari dinamika pasar, memberikan informasi yang lebih rinci dibandingkan dengan chart batang tradisional. Pola ini dapat digunakan bersama dengan alat analisis teknikal lainnya untuk membantu trader mengidentifikasi pergerakan harga, titik masuk dan keluar, serta sentimen pasar. Sejak menarik perhatian dunia Barat pada tahun 1980-an, pola candlestick telah menjadi alat yang banyak digunakan oleh trader profesional dan institusi untuk membantu mereka memahami psikologi pembeli dan penjual serta membuat keputusan trading yang lebih tepat.

Pada intinya, candlestick adalah cara untuk membaca emosi pasar melalui bentuk visual yang menggambarkan pergerakan harga dalam suatu periode waktu tertentu. Masing-masing candlestick mengandung informasi penting—seperti harga pembukaan, penutupan, harga tertinggi, dan terendah—yang, jika dianalisis dengan benar, dapat memberikan gambaran mengenai sentimen pasar. Pola-pola candlestick yang terbentuk di grafik harga bisa mengindikasikan pembalikan tren atau kelanjutan tren yang ada, sehingga memberi trader peluang untuk mengambil keputusan yang lebih baik dan lebih tepat waktu.

Namun, untuk dapat memahami dan memanfaatkan pola candlestick dengan efektif, dibutuhkan pemahaman yang mendalam—seperti belajar bahasa baru. Tanpa pemahaman tentang cara "membaca" pola candlestick, seorang trader akan kesulitan untuk memahami apa yang sebenarnya terjadi di pasar. Candlestick, dalam hal ini, bertindak sebagai bahasa pasar yang memberi tahu trader tentang kondisi pasar saat ini. Jika trader bisa menguasai bahasa ini, mereka akan bisa menangkap pesan yang disampaikan oleh pasar, dan pada gilirannya, bisa membuat keputusan trading yang lebih cerdas dan menguntungkan.

ref:

The Candlestick Trading Bible

Membangun Solusi Dengan Azure AI Document Intelligence

Banyak formulir dan dokumen yang digunakan dalam bisnis bersifat umum di berbagai sektor, seperti faktur dan tanda terima. Microsoft Azure AI Document Intelligence menyediakan model bawaan untuk menangani jenis dokumen umum dengan mudah. Sebuah perusahaan yang mengelola jajak pendapat untuk perusahaan swasta dan partai politik menerima tanggapan peserta dalam bentuk kertas atau PDF online. Untuk menyederhanakan entri data, teknologi ini dipertimbangkan sebagai solusi, dengan kebutuhan untuk memastikan bahwa model bawaan dapat mengekstrak data yang bermakna dari formulir yang digunakan.

Azure AI Document Intelligence menyediakan model bawaan untuk mengekstrak data dari berbagai dokumen bisnis umum seperti faktur, tanda terima, dan formulir pajak tanpa perlu pelatihan tambahan. Model bawaan meliputi ekstraksi data dari kartu identitas, laporan bank, slip gaji, dokumen hipotek, dan cek. Selain itu, tersedia model untuk dokumen dengan struktur lebih umum, seperti model pembacaan teks, model dokumen umum, dan model tata letak yang mengekstrak teks serta strukturnya.

Model bawaan dirancang untuk mengekstrak berbagai jenis data dari dokumen, termasuk teks dari tulisan tangan dan cetakan, pasangan kunci-nilai seperti Weight: 31 kg, entitas seperti nama dan tanggal, tanda pilihan seperti kotak centang, tabel dengan isi dan strukturnya, serta bidang spesifik dari formulir tertentu seperti CustomerName dalam faktur. Model ini cocok untuk dokumen umum, tetapi untuk formulir industri khusus atau unik, hasil yang lebih akurat dapat diperoleh dengan model khusus yang memerlukan pelatihan menggunakan contoh formulir agar dapat memprediksi data dengan lebih baik.

source: https://learn.microsoft.com/en-us/training/paths/extract-data-from-forms-document-intelligence/

Model dalam Azure AI Document Intelligence

1. Model Read
• Model Read mengekstrak teks cetak dan tulisan tangan dari dokumen serta mendeteksi bahasa yang digunakan. Model ini menjadi dasar bagi semua model bawaan lainnya. Selain itu, Read Model mendukung lebih banyak bahasa untuk teks cetak dibandingkan tulisan tangan dan dapat menganalisis rentang halaman pada file PDF atau TIFF. Model ini cocok untuk dokumen tanpa struktur tetap.
2. Model Dokumen Umum
• Model ini memperluas fungsi Read Model dengan menambahkan deteksi pasangan kunci-nilai, entitas, tanda pilihan, dan tabel. Satu-satunya model yang mendukung ekstraksi entitas, termasuk nama orang, organisasi, alamat, nomor telepon, email, URL, IP address, serta tanggal dan waktu.
3. Model Tata Letak
• Selain mengekstrak teks, model ini mengidentifikasi tanda pilihan dan tabel dalam dokumen. Model ini berguna untuk memahami struktur dokumen yang kompleks, termasuk tabel dengan sel yang digabung, tanpa header, atau sudut miring saat digitalisasi. Model ini mengekstrak teks dalam sel tabel, ukuran serta posisi bounding box, status header, dan indeks baris serta kolom.

source: https://learn.microsoft.com/en-us/training/wwl-data-ai/work-form-recognizer/media/how-optical-character-recognition-works.png

Azure Document Intelligence adalah layanan AI berbasis cloud yang menggunakan OCR dan model deep learning untuk mengekstrak teks, pasangan kunci-nilai, tanda pilihan, dan tabel dari dokumen. Teknologi OCR-nya mendeteksi struktur dokumen dengan membuat bounding box di sekitar objek yang terdeteksi, lalu mengembalikan data dalam format terstruktur yang mempertahankan hubungan dari file asli.

ref:

learn.microsoft

Menggunakan Fitur Advanced GitHub Copilot

GitHub Copilot merupakan asisten AI untuk programmer yang memberikan saran secara otomatis saat menulis kode. Copilot menganalisis file dan file terkait, menawarkan saran berdasarkan konteks kode yang telah ditulis, termasuk komentar, dan kemudian menyarankan baris kode atau bahkan fungsi lengkap. Sementara itu, GitHub Codespaces adalah lingkungan pengembangan berbasis cloud yang dapat dijalankan menggunakan Visual Studio Code. Saat GitHub Copilot diaktifkan maka ia akan memberikan saran berupa text yang disebut 'ghost text'. Ini dilakukan secara otomatis berdasarkan konteks file yang sedang dibuka. Namun, programmer dapat memberikan prompt dengan mengetik sesuatu yang berkaitan dengan kode agar lebih sesuai dengan konteks. Jika memang ada yang perlu untuk didiskusikan lebih lanjut dalam GitHub Copilot juga tersedia fitur chat terkait konteks dari file yang sedang dibuka. 

1. Inline Chat
• Ctrl + i
• Slash Commands
• /tests
• /docs
2. Copilot Chat
• Agents
• @terminal
• @workspace
3. Command Line
• gh copilot explain "sudo apt-get"

GitHub Copilot sendiri menyediakan robust support untuk bahasa seperti Python, JavaScript, TypeScript, Ruby, Go, C#, dan C++. Dalam memberikan sugesti biasanya ada auto dan multiple. 

source: learn.microsoft

Untuk membantu organisasi tetap mematuhi persyaratan hukum, GitHub Copilot menawarkan beberapa fitur, seperti IP indemnity pada paket bisnis dan enterprise yang memberikan perlindungan hukum terhadap klaim hak kekayaan intelektual terkait penggunaan saran Copilot. Jika saran Copilot terbukti melanggar hak IP pihak ketiga, GitHub akan mengambil tanggung jawab hukum, asalkan pengaturan "Matching public code" diblokir. Selain itu, GitHub menyediakan Data Protection Agreement (DPA) untuk menjamin perlindungan data dan kepatuhan terhadap regulasi privasi. GitHub Copilot Trust Center juga menyediakan informasi mendetail tentang keamanan, privasi, kepatuhan, dan perlindungan IP untuk memberikan transparansi dan memastikan penggunaan Copilot sesuai dengan praktik terbaik dan persyaratan hukum.

source: learn.microsoft

Untuk memblokir saran yang cocok dengan kode publik di GitHub Copilot, klik foto profil di sudut kanan atas, pilih "Your enterprises" atau "Your organizations", lalu pilih "Settings". Di sidebar kiri, pilih "Copilot", lalu di bawah "Suggestions", pilih "Matching public code" dan pilih "Block". Terakhir, klik "Save" untuk menyimpan pengaturan. Selanjutnya, lanjutkan dengan pengelolaan pengecualian konten dari perspektif internal. 

ref:

learn.microsoft

Prompt Engineering with GitHub Copilot

Prompt engineering bekerja berdasarkan bagaimana seseorang bercerita ke generative AI tentang kebutuhannya. Kualitas dari kode akan bergantung pada seberapa bersih dan akurat prompt yang disampaikan. Dengan demikian yang dimaksud dari prompt engineering adalah proses menyusun instruksi yang jelas untuk memandu sistem AI, seperti GitHub Copilot agar menghasilkan kode yang sesuai dengan konteks dan kebutuhan. Ada 4 prinsip untuk membuat prompt yang efektif yaitu:

1. Single
2. Specific
3. Short
4. Surround

Perhatikan contoh penerapan dari prinsip single and specific berikut:

source: jokourno

Perlu diperhatikan praktek-praktek terbaik dalam prompt engineering seperti sajikan kejelasan yang cukup, sajikan konteks dengan detail yang cukup, sajikan contoh untuk AI dapat belajar, dan yang terakhir ada kondisi-kondisi tertentu yang AI tidak cukup untuk memahami lebih detail sehingga perlu dilakukan iterasi secara terus-menerus. Untuk memahami mengapa itu termasuk pada praktek terbaik maka perlu juga diketahui bagaimana generative AI seperti GitHub Copilot belajar melalui prompt yang diberikan misalnya zero-shot learning, one-shot learning, dan few-shot learning. Maksudnya adalah tanpa contoh, dengan satu contoh, dan dengan beberapa contoh.

source: learn.microsoft

Proses GitHub Copilot dalam memproses permintaan pengguna dimulai dengan pengiriman prompt yang aman melalui HTTPS, menjaga kerahasiaan dan keamanan informasi pengguna. Setelah itu, Copilot mengumpulkan konteks dengan mempertimbangkan kode sebelum dan setelah posisi kursor, nama file, tipe file, serta informasi terkait struktur proyek dan bahasa pemrograman yang digunakan. Selanjutnya, prompt dan konteks ini diteruskan ke server proxy yang menyaring lalu lintas untuk melindungi sistem dari manipulasi. Copilot juga menyaring konten berbahaya seperti ujaran kebencian dan data pribadi sebelum melanjutkan ke tahap berikutnya. Akhirnya, prompt yang telah difilter dan dianalisis diteruskan ke model bahasa besar (LLM) untuk menghasilkan saran kode yang relevan, fungsional, dan sesuai dengan kebutuhan proyek pengguna.

source: learn.microsoft

Setelah model menghasilkan respons, Copilot melakukan post-processing dengan menyaring konten berbahaya atau ofensif menggunakan filter toksisitas. Selanjutnya, server proxy melakukan pemeriksaan terakhir untuk memastikan kualitas, keamanan, dan standar etika kode yang dihasilkan. Pemeriksaan ini meliputi deteksi bug atau kerentanannya, seperti cross-site scripting (XSS) atau SQL injection. Jika ada bagian yang mencurigakan atau mirip dengan kode publik yang ada di GitHub, saran tersebut akan dipotong atau dibuang. Hanya respons yang lolos semua pemeriksaan yang dikirim ke pengguna. Setelah itu, Copilot memulai feedback loop untuk memperbaiki pengetahuan berdasarkan saran yang diterima, modifikasi, atau penolakan saran, sehingga meningkatkan pemahaman dan kemampuan penghasilannya. Proses ini diulang setiap kali pengguna memberikan permintaan baru, dengan Copilot terus belajar dari interaksi untuk meningkatkan kualitas kode yang dihasilkan.

GitHub Copilot menggunakan Large Language Models (LLM), khususnya model OpenAI Codex, untuk menghasilkan saran kode otomatis berdasarkan perintah dalam bahasa alami yang diberikan pengguna. Copilot dilatih dengan data besar dari kode sumber di GitHub, memungkinkan model untuk memahami konteks kode yang sedang ditulis dan memberikan saran yang relevan. Proses ini melibatkan pemrosesan input dari pengguna, penyaringan untuk menjaga keamanan dan kualitas, serta terus belajar dari umpan balik untuk meningkatkan akurasi dan kegunaannya. Dengan LLM, Copilot membantu pengembang menulis kode lebih cepat, akurat, dan efisien. GitHub Copilot lebih mengandalkan teknik LoRA (Low-Rank Adaptation) daripada fine-tuning tradisional untuk menyesuaikan model seperti Codex pada tugas tertentu. LoRA memungkinkan Copilot untuk melakukan penyesuaian yang efisien dengan menambahkan matriks adaptasi berperingkat rendah pada model besar, tanpa mengubah parameter utama model secara langsung. 

ref: 
https://learn.microsoft.com

Minuman Cayenne Pepper

source: https://favpng.com/png_view/chilli-with-chicken-cayenne-pepper-chili-pepper-peppers-food-bell-pepper-png/xiXNdS3r

Cayenne pepper (Capsicum annuum) adalah jenis cabai yang berasal dari keluarga solanaceae, yang dikenal dengan rasa pedasnya yang kuat. Cabai ini biasanya digunakan sebagai bahan bumbu dalam masakan untuk memberikan rasa pedas dan sedikit rasa manis. Cayenne pepper memiliki bentuk panjang dan tipis dengan warna merah cerah saat matang, namun pada umumnya dapat ditemukan dalam bentuk bubuk yang lebih praktis digunakan dalam masakan sehari-hari. Cayenne pepper mengandung senyawa aktif yang disebut capsaicin, yang memberikan rasa pedas dan memiliki berbagai manfaat kesehatan. Capsaicin diketahui dapat merangsang metabolisme, meningkatkan pembakaran lemak, serta memiliki sifat antiinflamasi dan analgesik. Oleh karena itu, cayenne pepper sering digunakan dalam pengobatan tradisional untuk membantu mengatasi masalah pencernaan, meredakan nyeri otot, dan meningkatkan peredaran darah.

Cayenne pepper juga dikenal memiliki manfaat untuk kesehatan jantung, karena dapat membantu menurunkan kadar kolesterol dan meningkatkan sirkulasi darah. Selain itu, beberapa penelitian menunjukkan bahwa cayenne pepper dapat membantu mengurangi nafsu makan dan meningkatkan pembakaran kalori, yang menjadikannya populer dalam berbagai produk suplemen penurunan berat badan. Minuman cayenne pepper dapat dibuat dengan cara sederhana dan cepat, dan banyak orang mengonsumsinya sebagai cara alami untuk meningkatkan metabolisme, melancarkan pencernaan, atau bahkan meningkatkan energi. Berikut adalah cara umum untuk membuat minuman cayenne pepper:

Bahan-bahan:

• 1/4 sendok teh bubuk cayenne pepper
• 1 gelas air hangat (sekitar 250 ml)
• 1 sendok makan air perasan lemon (opsional, untuk tambahan rasa dan manfaat)
• 1 sendok teh madu (opsional, untuk menyeimbangkan rasa pedas dan memberi rasa manis alami)

Langkah-langkah:

1. Panaskan air: Rebus air hingga mencapai suhu hangat (bukan mendidih), sekitar 40-50°C.
2. Campurkan bahan: Dalam gelas, tambahkan bubuk cayenne pepper. Jika ingin, tambahkan air perasan lemon dan madu untuk menambah rasa dan manfaat.
3. Aduk rata: Aduk campuran tersebut hingga cayenne pepper larut dalam air. Pastikan semuanya tercampur rata.
4. Minum: Nikmati minuman cayenne pepper ini selagi hangat. Anda bisa meminumnya di pagi hari untuk memulai hari atau setelah makan untuk membantu pencernaan.

Manfaat Minuman Cayenne Pepper:

• Meningkatkan metabolisme: Capsaicin yang terkandung dalam cayenne pepper dapat meningkatkan metabolisme tubuh, membantu pembakaran kalori, dan meningkatkan energi.
• Membantu pencernaan: Minuman ini dapat merangsang produksi enzim pencernaan, sehingga membantu proses pencernaan dan mengurangi kembung.
• Detoksifikasi: Lemon dan madu juga memiliki manfaat detoksifikasi, membantu membersihkan tubuh dari racun.
• Meredakan peradangan: Sifat antiinflamasi dari cayenne pepper bisa membantu mengurangi peradangan dalam tubuh.

Cayenne pepper memang terkenal dengan rasa pedasnya, jadi bagi yang belum terbiasa, sebaiknya mulai dengan jumlah yang lebih sedikit dan tambahkan perlahan sesuai kenyamanan. Minuman ini sangat efektif untuk meningkatkan stamina atau sebagai penghangat tubuh di pagi hari.

ref:

https://www.wikihow.com/Make-Cayenne-Pepper-Tea

https://www.alodokter.com/cayenne-pepper-kenali-manfaat-di-balik-rasa-pedasnya

Minuman Brotowali

source: https://lindungihutan.com/blog/kenal-lebih-jauh-dengan-brotowali/

Brotowali (Tinospora crispa) adalah tanaman merambat yang banyak ditemukan di kawasan Asia Tenggara, termasuk Indonesia. Tanaman ini dikenal dengan nama lokal seperti meniran atau beluntas, dan sering dimanfaatkan dalam pengobatan tradisional. Brotowali memiliki batang berbintil dan kulit berwarna coklat kehijauan, serta daun berbentuk hati atau bulat telur yang hijau terang. Tanaman ini terkenal karena manfaat kesehatan yang luar biasa, seperti menurunkan demam, membantu mengontrol kadar gula darah, meningkatkan daya tahan tubuh, serta meredakan gangguan pencernaan. Meskipun rasanya sangat pahit, brotowali sering digunakan dalam bentuk ramuan atau ekstrak untuk pengobatan berbagai penyakit. Sifat antioksidan, antimikroba, dan antiinflamasi dari brotowali menjadikannya sebagai salah satu tanaman obat yang berharga dalam pengobatan herbal tradisional.

Minuman brotowali adalah ramuan herbal yang terbuat dari tanaman brotowali (Tinospora crispa), yang dikenal karena khasiatnya dalam pengobatan tradisional. Meskipun rasanya sangat pahit, minuman ini memiliki banyak manfaat kesehatan, seperti meningkatkan daya tahan tubuh, menurunkan demam, mengatur kadar gula darah, dan membantu meredakan gangguan pencernaan. Brotowali mengandung senyawa aktif yang memiliki sifat antimikroba, antiinflamasi, dan antioksidan, menjadikannya bermanfaat dalam memperkuat sistem imun dan meningkatkan energi. Minuman brotowali sering disajikan dalam bentuk rebusan atau ekstrak, dan meskipun rasa pahitnya dapat diatasi dengan tambahan bahan lain seperti madu atau jahe, manfaat kesehatannya tetap menjadi daya tarik utama bagi mereka yang mencari alternatif pengobatan alami. Minuman ini sering dikonsumsi sebagai suplemen untuk menjaga kesehatan secara keseluruhan atau untuk meredakan berbagai masalah kesehatan ringan.

Cara Membuat Minuman Brotowali:

1. Rebusan Brotowali:
• Batang brotowali yang sudah dibersihkan dipotong kecil-kecil, kemudian direbus dalam air mendidih. Biasanya, sekitar 10-20 gram batang brotowali direbus dalam 2 gelas air selama 15-20 menit.
• Setelah rebusan mengental dan mengeluarkan warna kehijauan, air rebusan ini dapat diminum.
• Rasanya yang sangat pahit membuat banyak orang menambahkan bahan lain, seperti madu, jahe, atau daun sambiloto, untuk mengurangi rasa pahit dan menambah manfaat kesehatan.
2. Ekstrak Brotowali:
• Selain rebusan, brotowali juga bisa diolah menjadi ekstrak cair yang lebih praktis. Ekstrak ini sering ditemukan di toko obat herbal dalam bentuk botol, dan cukup untuk diminum dalam dosis yang direkomendasikan pada kemasan.
• Beberapa ekstrak brotowali sudah dicampur dengan ramuan herbal lain untuk memperkuat khasiatnya.

Minuman dari brotowali dikenal memiliki berbagai manfaat kesehatan, antara lain:

• Meningkatkan sistem kekebalan tubuh: Brotowali mengandung senyawa yang dapat meningkatkan daya tahan tubuh, menjadikannya bermanfaat untuk mencegah penyakit dan mempercepat pemulihan dari sakit.
• Menurunkan demam: Rebusan brotowali sering digunakan sebagai obat penurun panas atau demam, karena sifat antimikroba dan antiinflamasi yang dimilikinya.
• Membantu mengatur kadar gula darah: Beberapa penelitian menunjukkan bahwa brotowali dapat membantu menurunkan kadar gula darah, yang bermanfaat bagi penderita diabetes.
• Mengatasi gangguan pencernaan: Minuman brotowali juga dipercaya dapat meredakan gangguan pencernaan, seperti diare dan nyeri perut, berkat sifat antispasmodiknya.
• Meningkatkan stamina dan energi: Brotowali juga sering digunakan untuk meningkatkan vitalitas dan mengurangi kelelahan.

Namun, karena rasanya yang sangat pahit, minuman dari brotowali biasanya tidak diminum secara rutin tanpa adanya campuran bahan lain. Bagi sebagian orang, rasa pahit tersebut menjadi tantangan tersendiri, namun manfaat kesehatan yang besar membuatnya tetap banyak dikonsumsi, terutama dalam pengobatan alternatif atau sebagai suplemen kesehatan.

ref:

https://repository.pertanian.go.id/items/7c4f5bc8-828e-4724-9f3a-45e80bf9b17a

https://health.grid.id/read/354100606/3-cara-mengolah-brotowali-untuk-asam-urat-bisa-dikonsumsi-jadi-jus-juga-teh?page=all

Perancangan Machine Learning

Pemrograman dibuat untuk menyelesaikan permasalahan. Dalam pemrograman konvensional akan dibuat deretan kode yang memecah masalah tersebut menjadi solusi yang lebih kecil. Sayangnya ketika masalah itu begitu kompleks maka deretan kode yang diperlukan akan sangat banyak. Pada kondisi inilah machine learning dimungkinkan sebagai solusi. Alih-alih membuat deretan kode yang sangat banyak dari suatu permasalahan konteks, machine learning akan membuat penyelesaian lebih sederhana. Tipe machine learning sendiri ada 4, yaitu supervised, unsupervised, semi-supervised, dan reinforcement. Pada tipe reinforcement, mesin menggunakan teknik pengambilan keputusan terbaik, secara berurutan, untuk memaksimalkan ukuran sukses kehidupan nyata. Ada 4 komponen utama pada mesin tipe reinforcement, yaitu action, agent, environment, dan rewards. Semua itu menggambarkan Marcove Decision Process (MDP).

sumber: https://magnitt.com/news/world%E2%80%99s-most-valuable-resource-no-longer-oil-data-21035

Sebagaimana diketahui bahwa oil atau minyak adalah energi utama saat ini. Minyak banyak digunakan untuk kendaraan bermotor atau alat transportasi. Tidak heran jika sebuah negara dengan penghasil minyak yang besar menjadi berlimpah keuntungan. Namun, kedepannya ada sebuah minyak baru, yaitu data. Karena banyaknya data maka sangat dimungkinkan adanya penambangan data sebagai akibat data yang terus tertumpuk. Tentu saja machine learning akan membutuhkan data. Sayangnya saat seluruh data telah terkumpul, seringkali data belum memberikan kualitas yang baik sehingga masih perlu di bersihkan. Tujuannya adalah untuk meningkatkan kualitas dari data. Hal-hal seperti format, skala, duplikasi, missing value, hingga distribusi data akan mempengaruhi kualitas dari data.

Setelah data bersih maka data tersebut sudah siap untuk diproses oleh machine learning. Biasanya machine learning akan menggunakan library seperti pandas untuk memanipulasi data. Data sendiri akan ada 2 jenis yaitu data numerik dan kategorik. Untuk data kategorik perlu diubah dengan skala tertentu seperti skala linkert misalnya atau dalam dunia machine learning dikenal dengan teknik one-hot-encoding. Hal-hal penting yang perlu dilakukan untuk mempersiapkan data seperti:

1. Outlier Removal
2. Normalization
3. Standardization

Setelah data siap, tentu saja akan disimpan dalam satu pool data yang disebut data warehouse. Karena banyaknya data dalam gudang tentu saja diperlukan perhitungan untuk melakukan training terhadap dataset. Biasanya setelah mendapatkan model yang cocok dan ternyata ada beberapa model yang cocok maka tidak bisa dipastikan melalui nilai error terendah, sebab itu hanya berupa sampling. Oleh sebab itu diperlukan langkah setelah training yaitu data validation. Cara paling familiar bagi machine learning adalah supervised, unsupervised, dan semi-supervised. Masing-masing tentu memiliki algoritma yang populer. Supervised memiliki algoritma populer seperti linear regression, logistic regression, classification, decision trees, support vector machines, dan neural networks. Saat akan membedakan sebuah objek dengan class berbeda mungkin decision trees lebih memungkinkan. Jika data memiliki pola linear atau seperti garis lurus maka linear regression mungkin pilihannya, sedangkan jika data hanya untuk memutuskan keberhasilan atau kegagalan maka logistic regression mungkin pilihannya.

Berbeda dengan supervised yang menggunakan data dengan label, di machine learning dengan tipe unsupervised digunakan data tanpa label, jadi machine akan belajar dari pola dan struktur data. Model akan mengumpulkan data ke dalam klaster berbeda. Teknik ini biasa disebut clustering. Seperti di supervised, di unsupervised juga ada algoritma yang populer yaitu clustering, dimensionality reduction, anomaly detection, dan density estimation. Seperti namanya, clustering adalah pengelompokan data yang memiliki kemiripan tertentu. Teknik clustering seringkali digunakan untuk membuat segmentasi pasar. Penting untuk menentukan jumlah cluster yang optimal. Teknik clustering yang cukup populer adalah K-means. Saat melakukan clustering data yang sangat banyak tentu saja itu akan membutuhkan sumber daya komputasi yang besar, terutama data yang berupa pixel. Oleh sebab itu diperlukan metode untuk mereduksi. Teknik populer untuk mereduksi biasanya seperti principal component analysis (PCA), linear discriminant analysis (LDA), dan t-Distributed Stochastic Neighbor Embedding (t-SNE). 

Sumber: https://softscients.com/2020/03/25/klasifikasi-menggunakan-svm/#google_vignette

Tentu saja data-data yang lebih kompleks memerlukan teknik yang lebih baik. Terutama pada data berdimensi tinggi, mungkin saja diperlukan algoritma Support Vector Machine. Support Vector Machine (SVM) adalah suatu metode dalam pembelajaran mesin yang digunakan untuk tugas klasifikasi dan regresi. SVM bekerja dengan mencari hyperplane (bidang pemisah) optimal yang memaksimalkan margin antara dua kelas dalam ruang fitur. Hyperplane ini disebut "support vector". Sebagai contoh sebuah data yang diplot ke dalam 2 dimensi ternyata ada 2 klaster dimana klaster pertama ada di tengah dan klaster kedua ada di sekeliling dari klaster pertama. Dalam kondisi tersebut tentu saja sulit untuk dipisahkan. Oleh sebab itu diperlukan teknik kernel yang mengubah data itu menjadi dimensi lebih tinggi. Secara konsep SVM ini bersifat binary atau hanya membagi menjadi 2 kelas. Selain klasifikasi, SVM dimungkinkan membuat peramalan dengan regresi. 

Sumber: https://medium.com/@rahulanelka10/machine-learning-workflow-c6e51e4c0752

Karena machine learning dibuat dengan data historis kemudian dibuat model maka ada pencocokan atau fitting. Ada 2 tipe fitting yang perlu dihindari yaitu overfitting dan underfitting. Kondisi overfitting adalah saat model terlalu memastikan data dengan model sehingga memungkinkan terjadinya kesalahan dalam prediksi, sebaliknya dengan underfitting yang terlalu memudahkan prediksi yang memungkinkan juga terjadinya kesalahan dalam prediksi. Jadi model yang dibuat harus good fitting atau tidak over dan under. Model yang telah terklasifikasi good fitting masih perlu di tuning untuk mendapatkan hasil yang optimal. Tuning parameter, atau yang sering disebut sebagai hyperparameter tuning, adalah proses mencari kombinasi nilai optimal untuk parameter-parameter yang tidak dapat dipelajari oleh model dalam konteks pembelajaran mesin (machine learning). Parameter ini tidak diajarkan oleh model selama proses pelatihan, tetapi mereka memengaruhi kinerja model dan harus diatur secara manual sebelum atau selama proses pelatihan. Karena adanya beberapa parameter yang akan diuji di model maka digunakan grid search agar beberapa parameter tersebut bisa secara bersamaan diuji ke model.

Menurut Andrew NG, machine learning pada dasarnya adalah rekayasa fitur. Cara populer untuk merekayasa fitur tersebut biasanya berupa binning (pengelompokkan nilai dengan batas tertentu), splitting (memisahkan sebuah atribut menjadi beberapa atribut sehingga lebih mudah dipahami), dan interaction fiture (mengkombinasikan beberapa atribut menjadi satu atribut baru). Dalam melakukan rekayasa ada prinsin yang perlu diperhatikan, yaitu tidy data. Ada 5 prinsip utama dalam tidy data, yaitu setiap variabel sebagai kolom, setiap observasi sebagai baris, setiap jenis pengamatan sebagai tabel, tidak ada kolom yang berisi beberapa variabel, dan nama variabel sebaiknya deskriptif. Banyak dari ilmuan membuat rekayasa berdasarkan fenomena alam seperti ciri khas hewan tertentu atau cara kerja organ tertentu. Teknik rekayasa yang cukup powerful, banyak kegunaan, dan memiliki skalabilitas tinggi misalnya adalah artificial neural network atau jaringan saraf buatan. ANN di dasari dengan cara kerja saraf pada otak manusia. Neuron pada sarap memiliki istilah perceptron di ANN. Teknik rekayasa ANN ada 3 lapis yaitu input layer, hidden layer, dan output layer. Lapisan tersebut yang menjadi satu kesatuan disebut sebagai perceptron. Ketika perceptron ada banyak maka akan membentuk multi layer perceptron. Sekalipun ANN dibuat dengan multi layer, tetap saja kesalahan dalam memberikan keputusan tidak terhindarkan. Oleh sebab itu muncul konsep propagasi balik. Secara sederhana propagasi balik adalah feedback atau penyampaian kesalahan pada komputer agar komputer dapat memperbaiki kesalahannya sehingga menghasilkan output yang lebih diharapkan.

Jaringan yang terbentuk dalam multi layer perceptron akan memiliki bobot. Bobot tersebutlah yang digunakan untuk menghasilkan output harapan. Jika MLP tersebut diterapkan untuk mendeteksi sebuah gambar maka secara otomatis gambar akan diperiksa setiap pixel. Dengan karakteristik dari pixel tersebut maka dapat diidentifikasi apa gambar tersebut. Sayangnya pemeriksaan setiap pixel dari gambar akan membuat proses menjadi tidak efisien. Oleh sebab itu digunakan CNN atau convolutional neural network. Dengan CNN, gambar yang akan diidentifikasi tidak perlu diperiksa setiap pixelnya. Pada proses konvolusi ada proses operasi perkalian matriks terhadap filter dan area pada gambar. hasil dari perhitungan konvolusi tersebut dapat diajadikan masukan untuk MLP. 

Begitu kompleksnya dalam membangun machine learning mendorong komunitas untuk saling berkontribusi. Google menjadi kontributor atas terciptanya framework TensorFlow. Dapat dikatakan TensorFlow merupakan framework end-to-end karena mulai dari data di-train hingga production dapat digunakan. Biasanya TensorFlow digunakan untuk backend dari machine learning dan Keras digunakan untuk frontend dari machine learning. Artinya ada keterkaitan antara TensorFlow dan Keras. Keduanya dapat dikolaborasikan untuk membuat MLP dan CNN. Setelah model dilatih dan didapatkan hasil yang memuaskan maka model tersebut akan diterapkan di production. Model tersebut disimpan dalam satu file untuk di deploy pada server. Sebagaimana diketahui bahwa model tersebut didapatkan dari latihan data sehingga dapat dikatakan model itu representasi dari function khusus untuk menghasilkan output yang diharapkan. Setelah model di deploy pada production, model tersebut masih perlu terus dimonitor untuk memperbaiki kinerjanya. Karena adanya monitoring maka sangat dimungkinkan adanya pengaturan ulang dan pembelajaran ulang.

ref:

discuss.tensorflow.org

python.org

tensorflow.org

Pramusaji Data

Data merupakan serangkaian angka yang merepresentasikan kondisi tertentu. Pada era digitalisasi, sumber data menjadi sangat banyak. Bahkan beberapa ahli mengatakan bahwa data adalah new oil. Data mengandung informasi penting jika bisa dilakukan ekstraksi dengan baik dan benar. Seorang pramusaji data bertugas menyederhanakan tampilan data yang kompleks kepada pengambil manfaat dari data tersebut. Ada 3 jenis media visualisasi data yang paling dasar yaitu diagram batang, diagram garis, dan diagram lingkaran. Diagram batang digunakan untuk membuat perbandingan antara data satu, data dua, dan seterusnya. Diagram garis biasanya digunakan untuk melihat trend perubahan berdasarkan waktu. Sedangkan diagram lingkaran biasanya digunakan untuk melihat komposisi dari suatu keadaan.

Setelah beberapa data penting atau yang menjadi prioritas dibuat dengan media visualisasi maka akan ditampilkan dalam bentuk scorecard (spesifik pada data tertentu), dashboard (menampilkan secara keseluruhan), report (menampilkan nilai-nilai tertentu), dan report analytical (nilai-nilai tertentu yang tampil dianalisis mengapa bisa seperti itu). Seorang pramusaji data harus mengetahui data tersebut akan disampaikan. Tentu saja bentuk data akan berbeda jika ditampilkan untuk seorang pengusaha dan untuk seorang data analis. Jika salah dalam melakukan penyajian data maka bukan tidak mungkin pengguna akan menilai itu hal yang tidak perlu dan kurang relevan. Ada 3 pertanyaan penting bagi seorang pramusaji sebelum menyajikan data pada target audiens, yaitu siapa, apa, dan bagaimana.

Alat paling umum yang digunakan untuk menyajikan data adalah pengolah angka seperti Excel, Calc, dan Google Sheet. Adanya operator, rumus, logika memungkinkan dibuatnya pengolahan data secara lebih mudah. Biasanya penyaji data menggunakan tektik pivot untuk menghindari pembuatan rumus secara manual. Tentu saja jika ingin mendapatkan hasil olahan yang lebih baik diperlukan pendekatan statistik yang lebih detail seperti pengujian distribusi data hingga pada pengambilan keputusan. Data di bawah contoh penggunaan Google sheet dengan pivot.

Dalam menyajikan data perlu disusun prioritas, yaitu mana data yang perlu ditampilkan dan mana data yang tidak perlu ditampilkan. Sebagai informasi seperti diagram lingkaran lebih efektif jika hanya menyampaikan 4 data proporsi. Itu artinya jika ada lebih dari 4 data maka nilai efektivitasnya berkurang sedangkan jika kurang dari 4 data maka nilai efisiensinya berkurang. Kesalahan umum yang perlu dihindari seorang pramusaji data adalah nilai persentase yang tidak sesuai, terlalu banyak data, tidak mengikuti standar penulisan, terdapat sumbu yang terpotong, penggunaan grafik 3D yang tidak sesuai, dan data sulit dibandingkan. Termasuk pencatatan data atau history dari data harus ada. Hal ini diatur di dalam ISO 19115-2:2019 tentang metadata.

Sebagai seorang pramusaji data penting untuk membedakan cara menyampaikan informasi dari hasil pengolahan data. Ini berkaitan dengan mengajak pendengar untuk mengetahui hasil eksplorasinya atau mengajak pendengar untuk mengetahui inti dari hasil. Pramusaji data tentu saja lebih cenderung untuk mengajak pendengar untuk mengetahui hasil eksplorasinya karena itu akan menunjukkan kerjanya. Namun, secara umum kebanyakan pendengar hanya ingin mengetahui inti dari hasil dan tampak tidak terlalu perduli dengan darimana inti dari hasil tersebut didapatkan. Jadi alih-alih mengajak pendengar untuk mengetahui hasil eksplorasinya, lebih baik seorang pramusaji data untuk menyampaikan inti dari hasilnya. Sayangnya untuk menyampaikan inti dari hasil diperlukan 3 hal, yaitu:

1. Siapa pendengar kita? (posisi struktural)
2. Bagaimana mengkomunikasikannya? (tools, attitude)
3. Cara menggunakan data untuk menegaskan inti dari hasil? (5W)

Ada beberapa tips untuk menyajikan data secara efektif dan efisien, yaitu gunakan teks untuk data yang sedikit (misalnya hanya 2 data), hindari penggunaan tabel dengan garis yang tebal, buat gradasi warna berdasarkan nilai data, dan usahakan menggunakan grafik untuk data yang banyak. Inti dari penyajian data adalah agar informasi dari data tersebut sampai dengan mudah kepada pendengar. Dengan kata lain jika informasi dari data tersebut sulit dicerna oleh pendengar maka penyajian data masih buruk. Sebisa mungkin untuk data yang berbeda letakkan di tempat yang berjarak, gunakan warna untuk membedakan data, dan perhatikan pola yang mungkin salah dibaca oleh pendengar.

Sebagai seorang pramusaji data merupakan hal penting untuk membuat pendengar itu nyaman yaitu dengan menghindari pendengar berpikir terlalu berat dan kerumitan dari data. Perlu dicatat selain data yang disajikan itu nyaman untuk pendengar, data tersebut harus cepat dapat dicerna oleh pendengar. Jangan sampai menyajikan data yang nyaman namun informasi yang ingin disampaikan tidak dicerna dengan baik oleh pendengar. Agar pendengar dapat lebih cepat mencerna informasi biasanya digunakan font yang berbeda pada teks atau gradasi warna pada grafik.

Alat-alat seperti Excel, Calc, atau Google Sheet masih terbatas untuk menyajikan data secara premium. Untuk mencapai penyajian data yang lebih premium diperlukan bantuan bahasa pemrograman seperti Python. Bahasa Python sudah menjadi rahasia umum untuk digunakan pada pengolahan data. Sebelum menggunakan Python ada baiknya melakukan instalasi Pycharm sebagai IDE yang khusus dibuat untuk pengembangan dengan Python. Rilis pertama dari bahasa Python adalah pada tahun 1991 oleh Guido van Rossum. Di bahasa Python ada 4 tipe data koleksi yang fundamental, yaitu list [], tuple (), set {}, dan dictionary {:}.

Sumber: python

Dalam meramu data dengan bantuan Python sangat dimungkinkan akan menggunakan struktur data list. Sayangnya penggunaan struktur data list akan menggunakan banyak memori saat data yang diolah besar. Untuk mengatasinya perlu digunakan library seperti NumPy. Jalankan kode di bawah untuk mendapatkan perbandingan:

• import sys
• import numpy as np
• 
  
• # List Python
• data_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
• size_list = sys.getsizeof(data_list)
• 
  
• # NumPy Array
• data_numpy = np.array(data_list)
• size_numpy = data_numpy.nbytes  # Numpy menyediakan nbytes untuk menghitung ukuran dalam byte
• 
  
• print(f"Ukuran memori List Python: {size_list} bytes")
• print(f"Ukuran memori NumPy Array: {size_numpy} bytes")

Dengan memperhatikan perbandingan penggunaan memori tersebut maka perlu dipertimbangkan pemilihan metode untuk meramu data oleh seorang pramusaji data seperti penggunaan library apa dan sebaiknya menghindari cara-cara tradisional. Perlu dibedakan antara modul, package, dan library. Modul adalah kumpulan function yang saling berkaitan, package adalah kumpulan modul, dan library adalah kumpulan modul. Contoh modul adalah file.py yang terdiri atas beberapa function saling berkaitan, contoh package adalah NumPy, dan contoh library adalah TensorFlow. Inti dari semuanya adalah kumpulan function yang akan berulangkali digunakan. Dalam function dikenal adanya parameter dan argumen. Perlu diketahui, parameter adalah variable dari function misalnya a, b, c, sedangkan argumen adalah nilai dari variable tersebut yang akan dimasukkan misalnya a=2, b=5, c=10.

• Argumen
• Deklarasi
• def penjumlahan(a,b):
•    m = a+b
•    return m
• 
  
• print(penjumlahan(b=3,a=7))
• Tanpa Deklarasi
• def penjumlahan(a,b):
•    m = a+b
•    return m
• 
  
• print(penjumlahan(7,3))
• Parameter
• def penjumlahan(angka1, angka2): bisa deklarasi dan tidak
• def penjumlahan(a, b, /): tanpa perlu mendeklarasi
• def penjumlahan(*, angka1, angka2): harus menggunakan keyword
• def penjumlahan(*args): bisa memasukkan angka tanpa batas
• def penjumlahan(*kwargs): menerima argumen dictionary

Bagi pramusaji data yang membutuhkan kecepatan dalam pengolahan data yang besar maka sulit dihindari penggunaan bahasa seperti Python. Dengan menggunakan Python sebagai alat mempercepat pengolahan data maka akan memberikan konsekuensi pemahaman yang baik mengenai Object Oriented Programming atau OOP. Konsep seperti class, object, method, decorator tidak akan terhindarkan untuk membuat sajian data yang lebih optimal. Misalnya saja dalam pembuatan kode yang sama, maka cukup menggunakan super dalam konsep OOP. Super dapat digunakan untuk memanggil method yang ada di kelas induk dalam pewarisan atau inheritance.

Seperti bahasa pemrograman lain, tentu saja Python memiliki panduan gaya menulis. Paket-paket yang dapat membantu menyesuaikan dengan panduan menulis di Python seperti pylint (mengoreksi tulisan) dan black (format kode). Sebagai catatan akhir ada beberapa library penting yaitu string, regex (re), math, argparse, Pandas, NumPy, matplotlib, seaborn, os, json, pickle, beautifulsoup, urllib, scikit-learn, tensorflow, PyTorch, Django, Flask, dan Fast API.

ref:

python.org

aws.amazon.com

Dasar Arsitektur Teknologi Informasi

Dahulu untuk seseorang bertemu dengan keluarganya di tempat yang jauh maka diperlukan perjalanan yang panjang, bahkan melewati lautan dan padang pasir. Selanjutnya ada kemudahan karena munculnya teknologi seperti kendaraan bermotor dan pesawat. Namun itu semua masih membutuhkan waktu yang seringkali menjadi penghambat. Dewasa ini dengan perkembangan teknologi informasi seseorang dapat langsung bertukar informasi secara real-time melalui video conference. Dengan adanya kemajuan tersebut membuat setiap perkumpulan berlomba-lomba membuat sistem teknologi informasi yang memanjakan pelanggannya. Sayangnya terkadang pembuatan sistem teknologi informasi tersebut mengabaikan arsitektur yang dipersyaratkan.

sumber: https://pixabay.com/illustrations/video-conference-webinar-5352757/

Untuk membuat sistem informasi yang baik diperlukan pemahaman setidaknya 2 hal yaitu software dan hardware. Keduanya tentu saja memiliki arsitektur tersendiri seperti object oriented programming, functional programming, sql, nosql, monolithict, microservices, dan serverless. Pemilihan teknologi akan mengikuti kebutuhan proyek, biasanya adalah berapa banyak user yang akan menggunakan. Sekarang akan dibahas menjadi 4 kelompok besar, yaitu front end, back end, database, dan enterprise resource planning.

1. Front End
• Pelanggan tidak perduli apa yang dilakukan oleh aplikasi di belakang, yang mereka inginkan adalah menggunakan aplikasi secara nyaman dan sesuai kebutuhan. Hal ini menjadikan front end merupakan ujung tombak dari aplikasi karena front end-lah yang dilihat pertama kali oleh pelanggan yang kebanyakan awam. Ada 2 arsitektur utama dalam membangun front end yaitu object oriented programming dan functional programming. Kadang kedua konsep tersebut di kombinasikan. Secara umum front end akan melakukan fetching data dari endpoint yang disediakan oleh back end. Saat membentuk front end yang kompleks maka arsitektur yang bersifat monolithict perlu dihindari. Sebagai alternatifnya digunakan arsitektur yang bersifat microservices. Ciri khas dari arsitektur microservices pada level perangkat lunak adalah adanya kontainerisasi. Hal demikian memungkinkan adanya perbedaan teknologi dan dependensi. Yang paling utama saat suatu layanan misalnya registrasi terjadi masalah maka tidak akan mempengaruhi layanan lain selama berada di kontainer yang berbeda.
2. Back End
• Cara kerja back end adalah menghubungkan antara front end dan basis data. Sebagai penghubung tentu saja, back end perlu ramah dan cepat. Mirip seperti di front end, di back end juga ada 2 arsitektur utama yaitu object oriented programming dan functional programming. Jika terjadi kompleksitas juga perlu dialihkan dari arsitektur monolithic ke microservices. Back end juga bisa menggunakan kontainerisasi sehingga memungkinkan berbagai teknologi digunakan.
3. Database
• Sebagai basis data yang akan menyimpan seluruh data user maka diperlukan performa yang baik. Secara kecepatan tentu saja database dengan arsitektur nosql lebih baik dibandingkan database sql. Namun, sql lebih unggul untuk menyimpan data dengan integritas yang kuat.
4. Enterprise Resource Planning
• Lebih dalam daripada front end, back end, dan database. Biasanya ERP digunakan untuk pihak internal dari suatu kelompok. Seperti namanya perencanaan sumber daya maka ERP akan menjadi alat utama untuk mengelola hubungan dengan pelanggan.

Penggunaan teknologi yang semakin kompleks tentu saja akan membutuhkan banyak sumber daya seperti CPU, Memory, dan Storage. Ada saatnya pemilihan sumber daya terlalu tinggi dari yang dibutuhkan, ada juga saat tertentu memilih sumber daya yang terlalu rendah dari yang dibutuhkan. Biasanya untuk menghindari risiko tidak berjalannya sistem akan dipilih sumber daya yang lebih tinggi dibandingkan yang dibutuhkan. Nah, penerapan arsitektur serverless memungkinkan penggunaan sumber daya hanya saat dibutuhkan saja. Serverless merupakan layanan paling modern di cloud computing.

ref:

reactjs

expressjs

aws

odoo

Cara Mengalahkan Antiforensik

Tentu saja untuk mengalahkan anti forensik maka harus diketahui teknik apa yang dilakukan oleh pelaku untuk menghindari forensik. Anti forensik sendiri berarti seperangkat teknik yang digunakan penjahat untuk menghilangkan jejak atau menghalang-halangi proses investigasi forensik. Perhatikan teknik-teknik anti forensik yang sering digunakan:

1. Data/File Deletion
• Ini merupakan kasus yang paling sering terjadi. Namun, penghapusan yang dilakukan sistem operasi sebenarnya hanya menghapus pointer saja dan seperti memberikan flag bahwa area tersebut sudah bisa untuk di re-write. Artinya selama sektor tidak di-rewrite maka data masih mungkin untuk dipulihkan. Penghapusan file pada file system yang berbeda tentu saja memiliki perbedaan. Pada FAT File System, sistem operasi akan mengganti file yang terhapus dengan hex byte berkode E5h, sedangkan pada NTFS File System, sistem operasi hanya akan memberikan markah file yang telah dihapus sebagai unallocated. Recycle Bin menjadi tempat pertama setelah file dihapus. Apabila file masih di Recycle Bin maka file masih sangat mungkin untuk di restore. Recycle Bin pada FAT File system berada di drive:\RECYCLED sedangkan pada NTFS File System berada di drive:\$Recycle.Bin\<SID>.
• Teknik untuk memulihkan file yang dihapus ketika metadata tidak ditemukan salah satunya adalah file carving. Alat yang dapat digunakan misalnya Autopsy, Recall My Files, EaseUS Data Recovery Wizard Pro, dan R-Studio for Windows. Sedangkan untuk Linux dapat menggunakan alat seperti Stellar Phoenix Linux Data Recovery, R-Studio for Linux, TestDisk, PhotoRec, dan Kernel for Linux Data Recovery. Bukan hanya file saja yang dihapus oleh pelaku kejahatan siber, mereka juga bisa menghapus partisi dari disk dan bahkan menggabungkannya ke primary disk. Ketika disk partition dihapus maka MBR partition table akan merekam, oleh sebab itu perlu dilakukan pemindaian secara menyeluruh dengan menggunakan R-Studio dan EaseUS Data Recovery misalnya.
2. Password Protection
• File finding yang berada di dalam evidence kadang juga dilakukan penguncian dengan password, oleh sebab itu digital forensics harus bisa meretas password tersebut untuk mendapatkan info dari file tersebut. Tipe dari password ada 3, yaitu cleartext password (berisi huruf, angka, karakter), obfuscated password (biasanya terenkripsi), dan password hashes (password yang di-hash tidak dapat dikembalikan). Teknik untuk meretas ketiga tipe password tersebut ada beberapa seperti dictionary attack (menggunakan diksi yang mungkin digunakan), brute forcing attacks (mengkombinasikan huruf, angka, karakter sehingga cukup lama), dan rule-based attack (ada clue yang didapatkan mengenai password). Alat yang dapat digunakan untuk melakukan crack password seperti Passware Kit Forensic (https://www.passware.com).
3. Steganography
• Steganography merujuk pada seni untuk menyembunyikan data dibalik data lain tanpa pengetahuan target. Misalnya pelaku dapat menyembunyikan keylogger didalam image yang terlegitimasi sehingga ketika korba mengklik gambar maka keylogger ter-capture. Contoh alat untuk mendeteksi adanya steganography seperti OpenStego (https://www.openstego.com) dan StegSpy (http://www.spy-hunter.com).
4. Data Hiding in File System Structures
5. Trail Obfuscation
• File dibuat oleh pelaku dengan kondisi yang membingungkan sehingga dapat menghalangi proses investigasi. Misalnya log tampering, memuat header email yang salah, timestamp yang dimodifikasi, hingga variasi dari header file. Pelaku bisa menggunakan zombie account atau trojan commands. Alat yang mungkin digunakan pelaku seperti Timestomp untuk memodifikasi timestamp pada metadata.
6. Artifact Wiping
• Melakukan penghapusan file secara permanen sehingga sulit untuk dipulihkan. Sulit untuk mendapatkan data kembali jika file sudah dilakukan wipe. Rekomendasi yang dilakukan sebaiknya korban melakukan file backup untuk menghindari data yang di-wiped oleh pelaku.
7. Overwriting Data/Metadata
• Metadata digunakan oleh investigator untuk membuat timeline sehingga dapat merekonstruksi apa yang terjadi. Namun, ketika metadata telah ditulis ulang oleh pelaku kejahatan siber maka tugas menjadi lebih menantang.
8. Encryption
• Data temuan di evidence dilakukan enkripsi sehingga tidak dapat dibaca secara mudah kecuali ditemukan kunci untuk decrypt.
9. Program Packers
10. Minimizing Footprint
11. Exploiting Forensics Tool Bugs
12. Detecting Forensics Tool Activities

Ketika file dihapus dari hard drive sebenarnya pointernya dihapus oleh sistem operasi dan akan diberikan markah bahwa siap untuk di rewrite. Artinya file yang dihapus belum sepenuhnya hilang jika belum di-rewrite. Dengan demikian file yang dihapus tersebut masih mungkin untuk dipulihkan kembali. Alat yang dapat digunakan untuk memperbaiki hal tersebut seperti Autopsy, Recover My Files, EaseUS Data Recovery Wizard Pro, R-Studio dan sebagainya. Di Windows sendiri ketika file dihapus pada file system FAT maka akan diubah menjadi hex byte code E5h. Sedangkan pada file system NTFS, file yang dihapus akan ditandai sebagai tidak teralokasi di dalam $BitMap.

File carving merupakan teknik untuk memperbaiki file atau file yang terfragmentasi dari hard disk dengan memanfaatkan metadatanya. Alat untuk melakukan carving di windows seperti EaseUS Data Recovery Wizard Trial (https://www.easeus.com), Recover My Files (https://getdata.com), DiskDigger (https://diskdigger.org), Handy Recovery (https://www.handyrecovery.com), Quick Recovery (https://www.recoveryourdata.com), dan Stellar Phoenix Windows Data Recovery (https://www.stellarinfo.com). Sedangkan untuk Linux bisa menggunakan Stellar Phoenix Linux Data Recovery, R-Studio for Linux, TestDisk, PhotoRec, dan Kernel for Linux Data Recovery.

Saat sebuah dokumen dibuat password maka digital forensics harus dapat membuka password tersebut untuk mendapatkan informasi dari dokumen. Password dapat di cracking dengan ophcrack atau RainbowCrack. Password sendiri ada 3 tipe, yaitu cleartext password (misalnya password querty12345), obfuscated passwords (misalnya password yang dienkripsi), dan password hashes (ini password yang sulit untuk dicari). Setelah diketahui tipe dari password maka ada 3 teknik untuk cracking password yaitu dictionary attacks (melalui kamus yang dihasilkan dari profiling), brute forcing attacks (menggunakan perangkat lunak yang menyerbu), dan rule-based attack (ketika informasi dari password diketahui misalnya diketahui password pertama qwerty123 maka mungkin saja password lainnya qwerty1234567).

Selain sebuah password yang dibuat untuk menghalangi tindak forensik, ada teknik lain yaitu steganografi yang merupakan teknik menyembunyikan data di balik data lain tanpa pengetahuan target. Tempanya berupa bit yang tidak digunakan pada data seperti di garfik, sound, text, audio, dan video. Ini tentu tidak mudah dan memerlukan kejelian yang baik. Ada beberapa alat yang dapat digunakan untuk mendeteksi adanya steganography, yaitu OpenStego (https://www.openstego.com) dan StegSpy (https://www.spy-hunter.com). Selain itu dengan menggunakan Alternate Data Streams (ADS) pada Windows NTFS dapat membuat data menjadi hide.

sumber: https://pixabay.com/photos/communication-workplace-imac-2805785/

Untuk melawan dan mengalahkan antiforensik tersebut diperlukan pemahaman yang baik mengenai teknik apa yang digunakan oleh pelaku. Hal yang perlu diperhatikan seperti melakukan pelatihan dan edukasi ke investigator forensics, memvalidasi hasil pemeriksaan dengan banyak alat, paksakan hukum yang ketat, dan gunakan CFT yang terbarukan. Gunakan alat-alat untuk melawan antiforensik yaitu Steganographu Studio, CryptaPix, GiliSoft File, wbStego, Data Stash, OmniHide PRO, Masker, DeepSound, DBAN, dan east-tec InvisibleSecrets.

ref:

ec-council