<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Muhammad Ikhwan Fathulloh on Medium]]></title>
        <description><![CDATA[Stories by Muhammad Ikhwan Fathulloh on Medium]]></description>
        <link>https://medium.com/@ikhwanfathulloh?source=rss-300ff869a9a1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Jl-y3dKzR3XyRtrbklXjWA.png</url>
            <title>Stories by Muhammad Ikhwan Fathulloh on Medium</title>
            <link>https://medium.com/@ikhwanfathulloh?source=rss-300ff869a9a1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 19:59:09 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ikhwanfathulloh/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Cerita di Balik “Tiny Chip, Big Brain”: Pengalaman Saya Membawakan Materi Edge AI di PyCon ID 2026]]></title>
            <link>https://medium.com/@ikhwanfathulloh/cerita-di-balik-tiny-chip-big-brain-pengalaman-saya-membawakan-materi-edge-ai-di-pycon-id-2026-fa357188d369?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/fa357188d369</guid>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Sun, 16 Aug 2026 04:50:41 GMT</pubDate>
            <atom:updated>2026-08-16T04:50:41.844Z</atom:updated>
            <content:encoded><![CDATA[<p>Pada 8–9 Agustus 2026, saya berkesempatan membawakan sesi berjudul <strong>“Tiny Chip, Big Brain”</strong> di PyCon ID 2026, yang digelar di BINUS University, Anggrek Campus, Jakarta, pada track IoT/Edge AI. Ini bukan sekadar kesempatan naik panggung bagi saya, ini adalah puncak dari perjalanan panjang mengutak-atik chip $5, menulis ulang library machine learning dari nol, dan berkali-kali gagal sebelum akhirnya semuanya berjalan mulus di depan audiens. Materi lengkapnya bisa diakses di <a href="https://muhammad-ikhwan-fathulloh.github.io/Speaker-Material/pycon-id-2026">muhammad-ikhwan-fathulloh.github.io/Speaker-Material/pycon-id-2026</a>, sementara agenda resmi konferensinya ada di <a href="https://2026.pycon.id/">2026.pycon.id</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2oRMi3kokPPR9zT6Y9mTiQ.png" /><figcaption>Rekaman <a href="https://2026.pycon.id/">2026.pycon.id</a></figcaption></figure><p>Ide besar yang ingin saya sampaikan sebenarnya sederhana, tapi butuh waktu lama untuk saya rangkai jadi satu narasi yang utuh: <strong>satu bahasa pemrograman, dari chip $5 sampai ke cloud</strong>. Python yang selama ini identik dengan data science atau backend web, ternyata bisa mengisi seluruh lapisan sistem IoT dari firmware di mikrokontroler sampai gateway cloud yang melayani ribuan perangkat sekaligus. Menyusun bukti konkret untuk klaim ini, dan bukan sekadar slide teori, adalah bagian tersulit sekaligus paling memuaskan dari persiapan sesi ini.</p><h3>Titik Awal: Kenapa Saya Peduli dengan Connectivity Gap</h3><p>Motivasi sesi ini datang dari pengalaman langsung saya menangani proyek IoT di lapangan sensor kelembaban tanah di tengah sawah, atau sensor getaran pada motor pabrik yang jauh dari jaringan stabil. Saya sering menemukan bahwa jika setiap pembacaan sensor mentah selalu dikirim ke cloud untuk diproses, ada tiga masalah nyata yang saya hadapi berulang kali:</p><ol><li><strong>Latency tinggi</strong> setiap permintaan bolak-balik ke cloud menambah delay pada keputusan kritis.</li><li><strong>Boros bandwidth </strong>mengirim data mentah terus-menerus menguras kuota dan daya baterai.</li><li><strong>Sistem buta saat koneksi putus</strong> tanpa cloud, perangkat tidak bisa mengambil keputusan apa pun.</li></ol><p>Dari situlah saya mulai serius mendalami <strong>in-situ analytics</strong> atau <em>Edge Intelligence</em>: memproses dan mengambil keputusan langsung di titik sensor, baru mengirim hasil ringkasnya ke cloud. Prinsip inilah yang saya jadikan fondasi seluruh materi yang saya bawakan.</p><h3>Tiga Pilar Arsitektur</h3><p>Sesi ini dibangun di atas tiga pilar yang saling terhubung:</p><p>Pilar Peran Teknologi <strong>Edge AI</strong> Model ML berjalan langsung di mikrokontroler dengan RAM terbatas Raksa, NocML <strong>Real-time Sync</strong> Hasil inferensi dikirim ke server secara instan tanpa membebani baterai WebSocket, uasyncio <strong>Cloud Orchestration</strong> Mengelola ribuan perangkat edge sekaligus FastAPI, ASGI</p><h3>Raksa: Library yang Saya Bangun Sendiri dari Nol</h3><p>Salah satu bagian yang paling ingin saya tunjukkan ke audiens adalah <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Raksa">Raksa</a>, library open-source yang saya kembangkan sendiri untuk menjalankan machine learning langsung di mikrokontroler berbasis MicroPython seperti ESP32 dan RP2040. Saya sengaja mendesain API-nya mirip Scikit-Learn memanggil .fit() dan .predict() terasa familiar bagi siapa pun yang pernah memakai Python untuk data science, bedanya di Raksa method ini benar-benar saya eksekusi di atas chip, bukan di server.</p><p>Menyusun strukturnya modular dan rapi seperti ini butuh beberapa kali iterasi:</p><pre># Raksa - Scikit-Learn API for MicroPython<br><br>from .preprocessing import (<br>    MinMaxScaler, StandardScaler, PolynomialFeatures, LabelEncoder, PCA,<br>)<br>from .models import (<br>    KNN, NaiveBayes, KMeans, LogisticRegression, DecisionTree,<br>)<br>from .neural import TinyNeuralNetwork<br>from .evaluation import (<br>    TrainTestSplit, ConfusionMatrix, AnomalyDetector,<br>)<br>from .client import RaksaClient</pre><p>Yang paling saya banggakan dari Raksa, dan yang membedakannya dari sekadar port library ML biasa, adalah modul client.py yang berisi RaksaClient jembatan koneksi WebSocket sekaligus eksekusi inferensi yang saya rancang khusus untuk device yang selalu terhubung ke cloud.</p><h3>Perjuangan Menyiasati Keterbatasan Hardware</h3><p>Tantangan terbesar yang saya hadapi selama membangun Raksa adalah keterbatasan RAM. Perbandingannya cukup ekstrem dan sering saya tunjukkan ke audiens untuk memberi gambaran:</p><ul><li>Server/cloud: ~16 GB</li><li>ESP32: ~520 KB</li><li>Arduino Uno: 2 KB</li></ul><p>Dari situ saya menerapkan dua keputusan desain yang menurut saya krusial:</p><ul><li><strong>Zero dynamic allocation</strong> tidak ada malloc/new saat inferensi berjalan, agar mencegah memory fragmentation yang pernah membuat device saya crash setelah berjalan cukup lama.</li><li><strong>Consistent float32 </strong>semua komputasi saya buat memakai float 32-bit secara konsisten untuk menjaga presisi sambil tetap hemat memori.</li></ul><p>Saya juga memanfaatkan @micropython.native di seluruh hot-path bukan hanya di bagian komputasi model, tapi juga di operasi jaringan tingkat byte seperti _mask_payload pada RaksaClient. Fungsi yang didekorasi ini dikompilasi langsung menjadi machine code ARM/Xtensa saat load time, menghilangkan overhead interpreter Python biasa. Salah satu trik yang saya pakai supaya proses pengembangan tidak menyiksa diri sendiri adalah membungkus import micropython dalam try/except, sehingga kode yang sama bisa saya uji di laptop dengan CPython dan tetap dioptimalkan penuh saat dijalankan di ESP32 satu source, dua environment.</p><h3>Contoh Pemakaian yang Saya Tunjukkan di Panggung</h3><p>Preprocessing dan klasifikasi langsung di device ini salah satu cuplikan kode yang saya tampilkan live di depan audiens:</p><pre>from raksa import MinMaxScaler, KNN<br><br>scaler = MinMaxScaler(dims=2, min_vals=[0.0, 0.0], max_vals=[1023.0, 1023.0])<br>X_train = [[0.2, 0.7], [0.8, 0.3]]<br>y_train = [1, 0]  # 1 = butuh air, 0 = tidak<br>knn = KNN(k=3)<br>knn.fit(X_train, y_train)<br>decision = knn.predict([0.25, 0.65])  # → 1, nyalakan pompa</pre><p>Deteksi anomali berbasis Z-score untuk predictive maintenance:</p><pre>from raksa import AnomalyDetector<br><br>detector = AnomalyDetector(threshold=2.0)<br>detector.fit(baseline_vibration_data, n_samples=100, dims=3)<br>if detector.detect(raw_sample):<br>    trigger_alert()</pre><p>Bahkan neural network mini yang belajar langsung di device tanpa GPU sama sekali, lewat TinyNeuralNetwork.</p><p>Raksa punya saudara di dunia 8-bit yang juga saya kembangkan bersama komunitas: <a href="https://github.com/Nocturnailed-Community/NocML">NocML</a>, ditulis dalam C++/Arduino untuk board seperti Arduino Uno/Nano yang RAM-nya jauh lebih terbatas dan umumnya tanpa WiFi. Keduanya sengaja saya rancang berbagi filosofi API yang sama, sehingga siapa pun bisa memilih salah satu sesuai kebutuhan hardware dan skenario proyek mereka.</p><h3>Raksa Cloud: Backend dan Dashboard yang Saya Siapkan untuk Demo Live</h3><p>Salah satu keputusan paling penting dalam persiapan sesi ini adalah memastikan saya punya cara untuk mendemonstrasikan Raksa tanpa harus membawa banyak hardware fisik ke panggung. Untuk itu saya membangun <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Raksa-Cloud">Raksa Cloud</a> backend dinamis dan dashboard real-time yang saya rancang khusus untuk deployment cepat dan testing, sekaligus jadi “panggung kedua” bagi simulasi ESP32 di Wokwi.</p><h3>Arsitektur &amp; Fitur yang Saya Susun</h3><ul><li><strong>Dynamic FastAPI Backend </strong>mengumpulkan dan merutekan data telemetri JSON dari perangkat edge ESP32 secara mulus.</li><li><strong>Real-Time WebSocket </strong>mendorong data telemetri dan alert langsung ke UI tanpa delay, supaya audiens bisa melihat perubahan secara langsung tanpa saya perlu me-refresh apa pun.</li><li><strong>Dashboard Interaktif Terpadu</strong> antarmuka Bootstrap 5 responsif yang mengontekstualisasikan data secara dinamis berdasarkan “Study Case” (DHT Anomaly, Air Quality Logging, Ultrasonic Monitoring).</li><li><strong>Docker Ready</strong> frontend dan backend bisa saya jalankan sekaligus dengan satu perintah Docker, penting sekali mengingat saya harus setup ulang beberapa kali sebelum hari-H.</li></ul><p>Di sisi backend, saya menulis ConnectionManager sederhana untuk menangani broadcast WebSocket ke semua dashboard yang terhubung:</p><pre>class ConnectionManager:<br>    def __init__(self):<br>        self.active_connections = []<br><br>        async def connect(self, ws):<br>                await ws.accept()<br>                self.active_connections.append(ws)<br>    <br>        async def broadcast(self, msg):<br>            for conn in self.active_connections:<br>                await conn.send_text(msg)<br><br>    @app.post(&quot;/api/telemetry&quot;)<br>    async def receive_telemetry(payload):<br>        record = payload.model_dump()<br>        telemetry_db.append(record)<br>        await manager.broadcast(json.dumps({&quot;type&quot;: &quot;new_telemetry&quot;, &quot;data&quot;: record}))</pre><p>Saya menyiapkan direktori esp32 dengan dua varian implementasi firmware, supaya bisa menjelaskan kedua skenario ke audiens:</p><ul><li><strong>no_cloud</strong>beroperasi murni di edge, inferensi berjalan sepenuhnya offline.</li><li><strong>with_cloud</strong>memakai urequests untuk menyinkronkan hasil edge analytics ke backend cloud ini via JSON.</li></ul><blockquote><em>Salah satu insiden kecil yang sempat bikin saya deg-degan saat latihan run-through: simulator Wokwi kadang mengalami SSL EOF disconnect sesekali. Untungnya firmware edge sudah saya rancang untuk menangani putusnya telemetri secara graceful, jadi demo tetap jalan mulus.</em></blockquote><p>Semua data mentah saya normalisasi terlebih dahulu memakai MinMaxScaler agar model menerima input dalam skala terbatas</p><h3>Tiga Studi Kasus yang Saya Demokan Langsung</h3><p><strong>Kasus 1 DHT22 Environment Anomaly (</strong><strong>demo1.py)</strong> Ini kasus pembuka yang saya pilih karena paling mudah dipahami audiens. Sensor DHT22 di ESP32 membaca suhu dan kelembapan, dinormalisasi ke rentang [0.0, 1.0], lalu dibandingkan terhadap baseline memakai AnomalyDetector berbasis Z-score.</p><p>Jika Z &gt; threshold, sistem menandainya sebagai anomali lingkungan (misalnya indikasi kebakaran atau penurunan suhu drastis).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*r5-EdolMu8aLb32m.png" /></figure><p><em>ESP32 mendeteksi anomali lokal menggunakan scaled Z-score di Wokwi.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6SJH0aqDdmRO4Coe.png" /></figure><p><em>Cloud backend memfilter telemetri khusus untuk ESP32-DHT22–01.</em></p><p><strong>Kasus 2 Air Quality Pollution Detection (</strong><strong>demo2.py)</strong> Kasus kedua ini sengaja saya naikkan levelnya sedikit, dari deteksi anomali ke klasifikasi biner terlatih. Sensor gas ADC analog memberikan nilai mentah yang dinormalisasi lalu diklasifikasikan (Safe vs Danger) memakai LogisticRegression dengan bobot dan bias yang sudah saya latih sebelumnya.</p><p>Prediksi jatuh ke 1 (DANGER) jika nilai P diatas 0.5, dan 0 (SAFE) jika sebaliknya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Lryuq5pUdeYuTFxH.png" /></figure><p><em>Inferensi edge mengklasifikasikan level bahaya secara lokal memakai probabilitas sigmoid.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*R2C2qNNy_3EyF563.png" /></figure><p><em>Dashboard interaktif menyoroti alert polutan berbahaya untuk Device 2.</em></p><p><strong>Kasus 3 Ultrasonic Tank Monitoring (</strong><strong>demo3.py)</strong> Kasus penutup ini yang paling sering membuat audiens tersenyum, karena analoginya paling gampang dibayangkan: tangki air bocor. Sensor jarak HC-SR04 memantau permukaan air tangki secara satu dimensi. AnomalyDetector memastikan fluktuasi air normal, sementara penurunan jarak yang tiba-tiba dan ekstrem ditandai sebagai kebocoran karena melewati ambang Z-score statis.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*jw0z59xO9ZF8NKS5.png" /></figure><p><em>Edge mendeteksi simulasi kebocoran tangki lewat pemetaan jarak HC-SR04.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Rmufvguiafba0c8L.png" /></figure><p><em>Dashboard menampilkan telemetri volume tangki standar untuk Device 3.</em></p><h3>Cara Saya Menjalankan Raksa Cloud Sebelum Naik Panggung</h3><pre># 1. Deploy server dengan Docker<br>docker build -t raksa-cloud .<br>docker run -d -p 5000:5000 --name raksa raksa-cloud</pre><pre># Alternatif (docker-compose versi lama)<br># docker-compose up -d --build</pre><ul><li>Dashboard: <a href="http://localhost:5000/">http://localhost:5000</a></li><li>Dokumentasi API: <a href="http://localhost:5000/docs">http://localhost:5000/docs</a></li></ul><p>Untuk menghubungkan perangkat edge, cukup buka direktori /esp32/with_cloud/ dan sesuaikan BACKEND_URL dengan IP LAN lokal (misalnya http://192.168.1.XX:5000/api/telemetry) sebelum menjalankannya di IDE MicroPython pilihan atau di simulator Wokwi.</p><h3>Kenapa Saya Memilih WebSocket, Bukan REST Polling</h3><p>Salah satu poin yang paling ingin saya tekankan ke audiens adalah alasan saya memilih WebSocket dibanding REST polling biasa untuk sinkronisasi real-time. Dari pengalaman saya, pada REST polling device terus-menerus “bertanya” ke server lewat request GET berulang ini boros baterai karena device harus terus aktif, boros bandwidth karena header HTTP dikirim berulang, dan menghasilkan latency tinggi.</p><p>Karena itu saya membangun sistem ini di atas WebSocket, yang membentuk koneksi persisten di mana server “mendengarkan” perubahan dan device hanya mengirim data saat ada event penting. Ini menghemat daya karena device bisa sleep di antara event, menghemat bandwidth karena hanya data relevan yang dikirim, dan menghasilkan latensi yang jauh lebih rendah. Di sisi ESP32, saya memakai uasyncio agar proses membaca sensor, menjalankan inferensi, dan mengirim data berjalan secara asynchronous tanpa saling memblokir.</p><h3>FastAPI: Pilihan Saya sebagai Gateway Ribuan Perangkat</h3><p>Di lapisan cloud, saya memilih FastAPI sebagai gateway ASGI karena mampu menampung ribuan koneksi WebSocket secara bersamaan lewat async/await. Alurnya yang saya bangun cukup sederhana: setiap ESP32 mengirim data ke gateway FastAPI, yang kemudian menyimpannya ke database, menyiarkannya ke dashboard real-time, dan memicu notification engine bila diperlukan.</p><p>Arsitektur end-to-end yang saya susun ini sensor → ESP32 + Raksa (preprocessing &amp; inferensi) → WebSocket (transport real-time) → FastAPI (gateway ASGI) → database time-series → dashboard visualisasi saya sebut sebagai pendekatan <strong>Zero-Cost Cloud-Native IoT</strong>, karena bisa dibangun dengan biaya operasional yang sangat rendah. Proyek referensinya tersedia di <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Zero-Cost-Cloud-Native-IoT">Zero-Cost-Cloud-Native-IoT</a>.</p><h3>Tiga Hal yang Saya Bawa Pulang dari Panggung Ini</h3><p>Setelah sesi selesai dan saya sempat merenungkannya kembali, ada tiga pelajaran yang paling melekat buat saya:</p><ol><li><strong>Edge AI ringan itu benar-benar mungkin.</strong> Saya membuktikan sendiri bahwa model ML tidak harus besar dan tidak harus butuh GPU. Dengan teknik seperti @micropython.native, model ringan bisa saya jalankan real-time di chip seharga 5 dolar.</li><li><strong>WebSocket berarti real-time tanpa boros daya.</strong> Pengalaman membangun Raksa dan Raksa Cloud meyakinkan saya bahwa koneksi persisten dua arah jauh lebih hemat baterai dan bandwidth dibanding REST polling.</li><li><strong>FastAPI siap saya andalkan untuk skala ribuan device.</strong> Dari satu perangkat prototipe di meja kerja saya hingga potensi ribuan perangkat produksi, kombinasi ASGI dan async/await terbukti mampu menampung koneksi secara masif.</li></ol><p>Bagi saya, momen paling berkesan bukan hanya saat demo berjalan lancar di depan audiens, tapi menyadari bahwa perjalanan dari firmware hingga cloud ternyata bisa saya tempuh dengan satu bahasa saja: Python.</p><h3>Tautan yang Saya Bagikan ke Audiens</h3><ul><li>Materi lengkap slide: <a href="https://muhammad-ikhwan-fathulloh.github.io/Speaker-Material/pycon-id-2026">muhammad-ikhwan-fathulloh.github.io/Speaker-Material/pycon-id-2026</a></li><li>PyCon ID 2026: <a href="https://2026.pycon.id/">2026.pycon.id</a></li><li>Library Raksa (MicroPython): <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Raksa">github.com/Muhammad-Ikhwan-Fathulloh/Raksa</a></li><li>Backend &amp; dashboard Raksa Cloud: <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Raksa-Cloud">github.com/Muhammad-Ikhwan-Fathulloh/Raksa-Cloud</a></li><li>NocML (C++/Arduino): <a href="https://github.com/Nocturnailed-Community/NocML">github.com/Nocturnailed-Community/NocML</a></li><li>Demo Wokwi: <a href="https://wokwi.com/projects/471530915162252289">Demo #1</a> · <a href="https://wokwi.com/projects/471627268085700609">Demo #2</a> · <a href="https://wokwi.com/projects/471667874051783681">Demo #3</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fa357188d369" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Integrasi Google Analytics 4 (GA4) di Laravel]]></title>
            <link>https://medium.com/@ikhwanfathulloh/integrasi-google-analytics-4-ga4-di-laravel-7b1816a6da6d?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/7b1816a6da6d</guid>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Tue, 28 Apr 2026 07:53:50 GMT</pubDate>
            <atom:updated>2026-04-28T07:54:46.490Z</atom:updated>
            <content:encoded><![CDATA[<p>Pernahkah Anda merasa buta dengan apa yang dilakukan pengguna di aplikasi Laravel Anda? Atau mungkin Anda butuh mengirim data transaksi dari backend ke Google Analytics tanpa harus bergantung pada Javascript di sisi client?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TpVDrea6-0XH73tGcFaNUg.png" /></figure><p>Google Analytics 4 (GA4) membawa perubahan besar dibandingkan versi terdahulu. Di artikel ini, kita akan membedah langkah demi langkah integrasi GA4 ke dalam ekosistem Laravel melalui tiga pendekatan utama: <strong>Frontend Tracking</strong>, <strong>Backend Tracking (Measurement Protocol)</strong>, dan <strong>Reporting Dashboard</strong>.</p><h3>🛠 Persiapan Awal &amp; Link Penting</h3><p>Sebelum menyentuh kode, pastikan Anda memiliki akses ke beberapa <em>tools</em> berikut:</p><ol><li><a href="https://www.google.com/search?q=https://analytics.google.com/"><strong>Google Analytics Console</strong></a><strong>:</strong> Buat Properti GA4 dan dapatkan <strong>Measurement ID</strong> (G-XXXXXXXXXX).</li><li><a href="https://console.cloud.google.com/"><strong>Google Cloud Console</strong></a><strong>:</strong> Diperlukan untuk membuat <em>Service Account</em> (Bagian Reporting).</li><li><a href="https://ga-dev-tools.google/ga4/event-builder/"><strong>GA4 Event Builder</strong></a><strong>:</strong> Alat uji coba payload sebelum diimplementasikan di PHP.</li></ol><h3>1. Frontend Tracking: Mengamati Gerak-Gerik User</h3><p>Ini adalah cara termudah untuk melacak aktivitas standar menggunakan gtag.js.</p><h3>Konfigurasi Environment</h3><p>Tambahkan ID Anda ke file .env:</p><pre>GA4_MEASUREMENT_ID=G-XXXXXXXXXX</pre><h3>Implementasi pada Blade Layout</h3><p>Masukkan snippet ini di dalam tag &lt;head&gt; pada layout utama Anda (misal: app.blade.php):</p><pre>&lt;script async src=&quot;https://www.googletagmanager.com/gtag/js?id={{ config(&#39;services.ga4.measurement_id&#39;) }}&quot;&gt;&lt;/script&gt;<br>&lt;script&gt;<br>  window.dataLayer = window.dataLayer || [];<br>  function gtag(){dataLayer.push(arguments);}<br>  gtag(&#39;js&#39;, new Date());<br>  gtag(&#39;config&#39;, &#39;{{ config(&quot;services.ga4.measurement_id&quot;) }}&#39;);<br>&lt;/script&gt;</pre><h3>2. Backend Tracking: Melacak Event “Ghaib”</h3><p>Ada kalanya event terjadi tanpa interaksi langsung di browser, seperti pembayaran sukses via Webhook. Di sinilah <a href="https://developers.google.com/analytics/devguides/collection/protocol/ga4"><strong>Measurement Protocol</strong></a> berperan.</p><h3>Pembuatan Service Class</h3><p>Kita akan membuat service sederhana untuk menangani HTTP request ke server Google.</p><pre>namespace App\Services;<br>use Illuminate\Support\Facades\Http;<br><br>class AnalyticsService {<br>    public function sendServerEvent($eventName, $params = []) {<br>        return Http::post(&quot;https://www.google-analytics.com/mp/collect&quot;, [<br>            &#39;measurement_id&#39; =&gt; env(&#39;GA4_MEASUREMENT_ID&#39;),<br>            &#39;api_secret&#39; =&gt; env(&#39;GA4_API_SECRET&#39;),<br>        ], [<br>            &#39;client_id&#39; =&gt; session()-&gt;get(&#39;ga_client_id&#39;, uniqid()),<br>            &#39;events&#39; =&gt; [[&#39;name&#39; =&gt; $eventName, &#39;params&#39; =&gt; $params]],<br>        ]);<br>    }<br>}</pre><h3>3. Menampilkan Laporan di Dashboard Laravel</h3><p>Jangan biarkan tim admin Anda bolak-balik membuka tab Analytics. Gunakan package dari <a href="https://github.com/spatie/laravel-analytics"><strong>Spatie Laravel Analytics</strong></a>.</p><h3>Instalasi &amp; Konfigurasi</h3><ul><li>Jalankan composer require spatie/laravel-analytics.</li><li>Aktifkan <a href="https://console.cloud.google.com/apis/library/analyticsdata.googleapis.com"><strong>Google Analytics Data API</strong></a> di GCP.</li><li>Simpan file JSON credentials di storage/app/analytics/.</li></ul><h3>Menarik Data di Controller</h3><pre>use Spatie\Analytics\Facades\Analytics;<br>use Spatie\Analytics\Period;<br><br>public function index() {<br>    // Ambil data 7 hari terakhir<br>    $data = Analytics::fetchTotalVisitorsAndPageViews(Period::days(7));<br>    return view(&#39;admin.dashboard&#39;, compact(&#39;data&#39;));<br>}</pre><h3>📊 Ringkasan Alur Integrasi</h3><ul><li><strong>Setup:</strong> Konfigurasi Properti di GA4 Admin.</li><li><strong>Tracking:</strong> Implementasi script di Frontend atau Service di Backend.</li><li><strong>Visualization:</strong> Tarik data kembali ke Laravel menggunakan Service Account.</li></ul><h3>💡 Best Practices &amp; Tips Debugging</h3><ul><li><strong>Privacy (UU PDP):</strong> Selalu berikan transparansi kepada user mengenai pelacakan data.</li><li><strong>Caching:</strong> API Reporting Google memiliki <em>rate limit</em>. Gunakan Cache::remember agar dashboard Anda tetap ringan.</li><li><strong>Verification:</strong> Gunakan <a href="https://support.google.com/analytics/answer/7201382"><strong>GA4 DebugView</strong></a> untuk memastikan event yang Anda kirim masuk secara real-time.</li><li><strong>Chrome Extension:</strong> Pasang <a href="https://www.google.com/search?q=https://chrome.google.com/webstore/detail/google-analytics-debugger/jnkmfdaklooeidehlnoicfmgeibokmbb"><strong>Google Analytics Debugger</strong></a> untuk memantau data layer langsung dari browser.</li></ul><h3>Kesimpulan</h3><p>Integrasi GA4 dengan Laravel memberikan kekuatan penuh bagi pengembang untuk memahami perilaku pengguna secara holistik. Baik itu melalui pelacakan halaman di frontend maupun logika bisnis di backend, semua data kini bisa Anda kendalikan dalam satu ekosistem.</p><p><strong>Apakah Anda memiliki kendala atau use-case spesifik? Mari berdiskusi di kolom komentar!</strong></p><p>#Laravel #GoogleAnalytics #WebDevelopment #PHP #CodingTips #TechTutorial</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7b1816a6da6d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[NocML: Bringing Machine Learning to the Arduino Ecosystem]]></title>
            <link>https://medium.com/@ikhwanfathulloh/nocml-bringing-machine-learning-to-the-arduino-ecosystem-16ec041b414f?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/16ec041b414f</guid>
            <category><![CDATA[arduino]]></category>
            <category><![CDATA[cpp-programming]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Sun, 12 Apr 2026 03:41:53 GMT</pubDate>
            <atom:updated>2026-04-12T03:41:53.102Z</atom:updated>
            <content:encoded><![CDATA[<p><em>A lightweight C++ library that lets your microcontroller think from KNN to Decision Trees, all without dynamic memory allocation.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*nHYWAbj6HLtpHHuk" /><figcaption>Photo by <a href="https://unsplash.com/@spen?utm_source=medium&amp;utm_medium=referral">Spencer</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Machine learning on a microcontroller sounds like a contradiction in terms. Arduino Uno boards ship with 2 KB of SRAM and a 16 MHz clock the kind of constraints that make data scientists wince. Yet embedded ML is rapidly becoming a real discipline, and the gap between a Python sklearn model and a deployed firmware binary has never been more bridgeable.</p><p>Enter <strong>NocML </strong>an open-source C++ library built specifically for this gap. Created by Muhammad Ikhwan Fathulloh under the Nocturnailed Community, NocML brings a curated set of classic ML algorithms to the Arduino ecosystem with a Scikit-Learn-inspired API, a zero-malloc inference guarantee, and enough built-in preprocessing to handle real sensor data.</p><h3>Why Run ML on a Microcontroller?</h3><p>The standard workflow for embedded ML goes like this: train a model in Python, export its parameters, flash them into firmware, run inference locally. This keeps latency near zero, eliminates cloud dependency, and lets devices make decisions even when offline.</p><p>The challenge has always been the last mile translating trained coefficients into something a memory-starved 8-bit chip can actually execute. Libraries like TensorFlow Lite Micro exist for neural networks, but they’re heavy and complex to configure. For a smart agriculture sensor or a predictive maintenance detector, you often don’t need a neural net. A KNN classifier or a Gaussian Naive Bayes model is faster, lighter, and just as accurate if you have a library that implements them cleanly.</p><p>That’s exactly what NocML provides.</p><h3>What’s Inside the Library</h3><p>NocML organizes its functionality into four categories, mirroring the structure of Scikit-Learn:</p><p><strong>Preprocessing </strong>MinMaxScaler, StandardScaler, and PolynomialFeatures for normalizing raw sensor readings and expanding feature sets before inference.</p><p><strong>Classification </strong>KNN, NaiveBayes, LogisticRegression, and DecisionTreeClassifier cover the most common supervised learning scenarios on structured sensor data.</p><p><strong>Clustering </strong>KMeans for unsupervised grouping of unlabeled readings, useful when you don&#39;t have pre-labeled training examples.</p><p><strong>Forecasting </strong>LinearForecaster (Simple Linear Regression) for predicting the next value in a time series, such as a rising temperature trend.</p><p>The entire inference path is free of dynamic memory allocation. No malloc, no new during prediction. Every data structure is statically sized at compile time, making it safe and predictable even on an Arduino Uno with virtually no heap to spare.</p><h3>Getting Started</h3><p>Installation takes four steps: download the repository, rename the folder to NocML, drop it into your Arduino/libraries/ directory, and restart the Arduino IDE. The library then appears under Sketch → Include Library like any other.</p><h3>Real-World Examples</h3><p>Rather than toy examples, let’s look at what NocML was designed to do in practice.</p><h3>Plant Health Prediction (KNN + MinMaxScaler)</h3><p>A soil sensor reads moisture and temperature. You want the device to decide whether a plant needs watering — with no cloud call, no latency. You define your training data directly in the sketch, scale the raw ADC readings with MinMaxScaler, and run KNN inference in the loop. The classifier checks the three nearest neighbors and returns a label: 1 for &quot;needs water,&quot; 0 for &quot;healthy.&quot; Total heap overhead during prediction: zero.</p><h3>Motor Anomaly Detection (K-Means)</h3><p>When you don’t have labeled data, clustering lets you separate normal from abnormal behavior without supervision. KMeans runs at training time in setup(), fitting two centroids to a set of vibration readings. In loop(), each new reading is assigned to the nearest centroid if that centroid&#39;s value exceeds a threshold, the device flags a maintenance alert. The entire model lives in a statically allocated array.</p><h3>Smart Thermostat Forecasting (LinearForecaster)</h3><p>Linear regression is often underrated for IoT. Fitting a trend over the last five temperature samples and calling forecastNext() gives you a prediction for the next time step. If the forecast crosses a threshold, the firmware proactively activates the air conditioner before the room gets too warm. Simple, fast, and entirely on-device.</p><h3>Full Pipeline: StandardScaler + PolynomialFeatures + LogisticRegression</h3><p>One of the most powerful patterns NocML enables is chaining transformers exactly as you would in a Scikit-Learn Pipeline. Scale a raw gas sensor reading with StandardScaler, expand it to degree-3 polynomial features with PolynomialFeatures, then classify the result with LogisticRegression. Three calls, one inference, no heap allocation. This is the pattern you&#39;d reach for when your raw sensor signal has a nonlinear relationship with the label.</p><h3>The Python → Arduino Export Workflow</h3><p>NocML is not an on-device training library and it doesn’t need to be. The intended workflow mirrors what most embedded ML practitioners already do: train in Python with Scikit-Learn, export the learned parameters, and hard-code them into the firmware.</p><p>For Logistic Regression, that means printing model.coef_[0] and model.intercept_[0] from Python and pasting those values into a const float array in your sketch. The NocML constructor accepts them directly. The same pattern applies to Decision Trees export the node structure from Scikit-Learn&#39;s tree introspection API, translate it into DecisionNode structs, and instantiate a DecisionTreeClassifier with that array.</p><p>The result is a clean separation of concerns: all the heavy training computation stays in Python where it belongs, and the Arduino only ever does inference.</p><h3>Memory Considerations</h3><p>NocML is designed for tight resource limits, but you still need to plan ahead. On 8-bit AVR boards (Uno, Nano), keep training sample counts small and Decision Tree depth shallow the ATmega328P has only 2 KB of SRAM, and a KNN classifier with 50 samples and 5 features will consume roughly 1 KB for the training matrix alone. On ESP32, ESP8266, or STM32 targets, you have significantly more headroom, so larger sample sets and deeper trees are feasible.</p><p>All arithmetic uses 32-bit float a deliberate tradeoff between precision and memory footprint. There is no double precision or fixed-point mode.</p><h3>Who Should Use NocML</h3><p>NocML hits a specific sweet spot. If you’re building a prototype IoT sensor node that needs local intelligence without a neural network, without a cloud API, and without a full Linux SBC this library is a compelling choice. The API is familiar to anyone who’s used Scikit-Learn, and the real-world examples cover enough scenarios to get you started fast.</p><p>It’s less suitable for deep learning inference tasks like image classification or wake-word detection, where TensorFlow Lite Micro remains the better option. But for structured sensor data temperature, pressure, vibration, gas concentration classical ML models are often sufficient, and NocML makes them genuinely accessible on hardware.</p><h3>Final Thoughts</h3><p>Embedded machine learning is maturing fast. NocML represents a pragmatic approach to it: don’t try to run a transformer on an ATmega chip. Instead, choose the right model for the constraint, export clean parameters from Python, and let a well-designed C++ library handle the rest.</p><p>If you’re working on an Arduino project that needs some intelligence a sensor that classifies, clusters, or forecasts NocML is worth a serious look. The code is readable, the examples are practical, and the zero-allocation design philosophy means it won’t surprise you in production.</p><p><em>Find the library at github.com/Nocturnailed-Community/NocML. MIT licensed. Contributions welcome.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=16ec041b414f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mengenal Saka-NLP: Library NLP Bahasa Indonesia Modern selain NLTK & Sastrawi]]></title>
            <link>https://medium.com/@ikhwanfathulloh/mengenal-saka-nlp-library-nlp-bahasa-indonesia-modern-selain-nltk-sastrawi-f8a3df646df7?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/f8a3df646df7</guid>
            <category><![CDATA[tutorial]]></category>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[bahasa-indonesia]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Thu, 09 Apr 2026 03:58:58 GMT</pubDate>
            <atom:updated>2026-04-09T10:56:13.912Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Library asynchronous, plug-and-play, dan kaya fitur untuk pemrosesan teks Bahasa Indonesia dari normalisasi slang hingga aksara Sunda.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rZbf57Wzjul611W6tRHaZQ.png" /><figcaption>Sumber: <a href="https://saka-nlp.netlify.app/">https://saka-nlp.netlify.app/</a></figcaption></figure><p>Dunia NLP (Natural Language Processing) untuk Bahasa Indonesia selama ini banyak bergantung pada dua tool: <strong>NLTK</strong> yang bersifat general-purpose dan <strong>Sastrawi</strong> yang fokus pada stemming. Keduanya bagus, tapi ada celah besar yang belum terisi terutama untuk kebutuhan modern seperti normalisasi bahasa gaul, analisis morfologi yang detail, dan dukungan bahasa daerah.</p><p>Di sinilah <strong>Saka-NLP</strong> hadir. Nama “Saka” diambil dari bahasa Jawa/Sunda yang berarti <em>tiang penyangga</em> atau <em>pilar</em> sesuai visinya sebagai fondasi arsitektur NLP Bahasa Indonesia yang solid dan modern.</p><blockquote><em>💡 Saka-NLP bukan pengganti NLTK atau Sastrawi ia melengkapi keduanya dengan fitur yang spesifik untuk ekosistem bahasa Indonesia, termasuk bahasa daerah seperti Sunda.</em></blockquote><h3>Instalasi</h3><p>Pastikan Python 3.8 atau lebih baru sudah terpasang. Instalasi sangat mudah, cukup satu perintah:</p><pre>pip install saka-nlp</pre><p>Verifikasi instalasi berhasil:</p><pre>import saka<br>print(saka.__version__)<br># Output: 0.1.5</pre><blockquote><em>⚠️ Untuk fitur </em><em>query_kbbi, pastikan koneksi internet aktif karena Saka melakukan live scraping ke kbbi.web.id menggunakan </em><em>requests dan </em><em>beautifulsoup4.</em></blockquote><h3>1. Tokenisasi Cerdas</h3><p>Tokenisasi di Saka dirancang dengan memahami struktur kalimat Bahasa Indonesia, bukan sekadar memisahkan berdasarkan spasi atau tanda baca generik.</p><pre>import saka<br><br>text = &quot;Belajar sambil beramal di era konektivitas.&quot;<br>tokens = saka.tokenize(text)<br>print(tokens)<br># Output: [&#39;Belajar&#39;, &#39;sambil&#39;, &#39;beramal&#39;, &#39;di&#39;, &#39;era&#39;, &#39;konektivitas&#39;]</pre><h3>2. Normalisasi Bahasa Gaul (Slang)</h3><p>Ini adalah fitur yang paling membedakan Saka dari library lain. Menggunakan leksikon dari Twitter COVID-19 Indonesia, Saka mampu mengubah teks non-formal menjadi Bahasa Indonesia baku krusial untuk analisis sentimen media sosial.</p><pre>import saka<br><br>texts = [<br>    &quot;klo gimana gw&quot;,<br>    &quot;gue udah makan, lu?&quot;,<br>    &quot;bete bgt hari ini&quot;,<br>]<br><br>for t in texts:<br>    result = saka.normalize(t)<br>    print(f&quot;&#39;{t}&#39; → &#39;{result}&#39;&quot;)<br><br># Output:<br># &#39;klo gimana gw&#39; → &#39;kalau bagaimana saya&#39;<br># &#39;gue udah makan, lu?&#39; → &#39;saya sudah makan, kamu?&#39;<br># &#39;bete bgt hari ini&#39; → &#39;kesal sekali hari ini&#39;</pre><p>Use case utamanya adalah <strong>preprocessing data media sosial</strong> sebelum masuk ke pipeline sentiment analysis atau text classification.</p><h3>3. Analisis Morfologi</h3><p>Berbeda dari stemming biasa yang hanya menghasilkan kata dasar, saka.analyze() memberikan penjabaran lengkap: kata dasar, awalan (prefiks), akhiran (sufiks), dan tipe kata. Cocok untuk linguistic research dan feature engineering NLP.</p><pre>import saka<br><br>kata_uji = [<br>    &quot;mempertanggungjawabkan&quot;,<br>    &quot;pembelajaran&quot;,<br>    &quot;ketidakhadiran&quot;,<br>]<br><br>for kata in kata_uji:<br>    hasil = saka.analyze(kata)<br>    print(f&quot;\n🔍 {kata}&quot;)<br>    print(f&quot;   Akar    : {hasil[&#39;root&#39;]}&quot;)<br>    print(f&quot;   Prefiks : {hasil[&#39;prefixes&#39;]}&quot;)<br>    print(f&quot;   Sufiks  : {hasil[&#39;suffixes&#39;]}&quot;)<br><br># Output:<br># 🔍 mempertanggungjawabkan<br>#    Akar    : tanggung jawab<br>#    Prefiks : [&#39;mem&#39;, &#39;per&#39;]<br>#    Sufiks  : [&#39;kan&#39;]<br>#<br># 🔍 pembelajaran<br>#    Akar    : ajar<br>#    Prefiks : [&#39;pe&#39;]<br>#    Sufiks  : [&#39;an&#39;]<br>#<br># 🔍 ketidakhadiran<br>#    Akar    : hadir<br>#    Prefiks : [&#39;ke&#39;, &#39;tidak&#39;]<br>#    Sufiks  : [&#39;an&#39;]</pre><h3>4. Live Integrasi KBBI</h3><p>Dengan satu fungsi, kamu bisa langsung mengambil definisi resmi dari Kamus Besar Bahasa Indonesia Daring (kbbi.web.id) tanpa perlu membuka browser.</p><pre>import saka<br><br>result = saka.query_kbbi(&quot;belajar&quot;)<br><br>if result[&quot;status&quot;] == &quot;found&quot;:<br>    print(f&quot;📖 Definisi &#39;{result[&#39;kata&#39;]}&#39;:\n&quot;)<br>    for i, arti in enumerate(result[&quot;definitions&quot;], 1):<br>        print(f&quot;  {i}. {arti}&quot;)<br>else:<br>    print(&quot;Kata tidak ditemukan di KBBI.&quot;)<br><br># Output:<br># 📖 Definisi &#39;belajar&#39;:<br>#   1. berusaha memperoleh kepandaian atau ilmu<br>#   2. berlatih<br>#   3. berubah tingkah laku yang disebabkan oleh pengalaman</pre><p>Fitur ini sangat berguna untuk aplikasi <strong>kamus digital</strong>, <strong>autocorrect berbasis KBBI</strong>, atau pipeline validasi teks formal.</p><h3>5. Stopwords Indonesia dengan O(1) Lookup</h3><p>Stopwords dikembalikan sebagai objek Set Python ini penting untuk performa! Dengan Set, pengecekan apakah suatu token adalah stopword berjalan dalam waktu konstan O(1), sangat efisien untuk preprocessing dataset besar.</p><pre>import saka<br><br>stopwords = saka.get_stopwords()<br>print(f&quot;Total stopwords: {len(stopwords)}&quot;)<br><br># Output: Total stopwords: 757<br># Filter token dari kalimat<br><br>tokens = [&quot;saya&quot;, &quot;sedang&quot;, &quot;belajar&quot;, &quot;NLP&quot;, &quot;di&quot;, &quot;rumah&quot;]<br>filtered = [t for t in tokens if t.lower() not in stopwords]<br>print(f&quot;Setelah filter: {filtered}&quot;)<br><br># Output: Setelah filter: [&#39;belajar&#39;, &#39;NLP&#39;, &#39;rumah&#39;]</pre><p>Dataset stopwords Saka diadopsi dari <strong>Tala Stopwords Dataset</strong> salah satu corpus stopword Bahasa Indonesia paling terpercaya.</p><h3>6. Dukungan Bahasa Daerah: Sunda &amp; Aksara</h3><p>Ini fitur yang paling unik di Saka. Tidak ada library NLP Indonesia lain yang menyediakan integrasi kamus bahasa Sunda dan konversi aksara Sunda secara built-in.</p><h3>Pencarian Kamus SundaDigi</h3><pre>import saka<br><br>result = saka.query_sundadigi(&quot;wilujeng&quot;)<br>print(f&quot;Arti &#39;wilujeng&#39;: {result[&#39;definitions&#39;]}&quot;)<br># Output: [&#39;Selamat&#39;]</pre><h3>Transliterasi Aksara Sunda</h3><pre>import saka<br><br># Latin → Aksara Sunda<br>aksara = saka.latin_to_aksara_sunda(&quot;saka&quot;)<br>print(f&quot;Latin → Aksara: {aksara}&quot;)<br># Output: ᮞᮊ<br># Aksara Sunda → Latin<br>latin = saka.aksara_sunda_to_latin(&quot;ᮞᮊ&quot;)<br>print(f&quot;Aksara → Latin: {latin}&quot;)<br># Output: saka</pre><p>Fitur ini sangat relevan untuk proyek <strong>digital humanities</strong>, pelestarian budaya, dan pemrosesan teks dari sumber berbahasa Sunda.</p><h3>7. Asynchronous Processing untuk Dataset Besar</h3><p>Untuk skala produksi, Saka menyediakan versi async_* dari setiap fungsi utamanya menggunakan asyncio. Ini memungkinkan pemrosesan ribuan dokumen tanpa blocking I/O jauh lebih efisien dibanding memanggil fungsi sinkron satu per satu.</p><pre>import saka<br>import asyncio<br>import nest_asyncio<br><br>nest_asyncio.apply()<br><br>async def proses_dataset(corpus):<br>    # Proses semua dokumen secara concurrent<br>    tasks = [saka.async_tokenize(doc) for doc in corpus]<br>    hasil = await asyncio.gather(*tasks)<br>    return hasil<br><br>corpus = [<br>    &quot;Belajar NLP sangat menyenangkan.&quot;,<br>    &quot;klo mau belajar, hrs rajin latihan.&quot;,<br>    &quot;Aksara Sunda adalah warisan budaya.&quot;,<br>]<br><br># Get the current event loop and run the async function<br>loop = asyncio.get_event_loop()<br>hasil = loop.run_until_complete(proses_dataset(corpus))<br><br>for i, tokens in enumerate(hasil):<br>    print(f&quot;Doc {i+1}: {tokens}&quot;)<br><br># Output:<br># Doc 1: [&#39;Belajar&#39;, &#39;NLP&#39;, &#39;sangat&#39;, &#39;menyenangkan&#39;]<br># Doc 2: [&#39;klo&#39;, &#39;mau&#39;, &#39;belajar&#39;, &#39;hrs&#39;, &#39;rajin&#39;, &#39;latihan&#39;]<br># Doc 3: [&#39;Aksara&#39;, &#39;Sunda&#39;, &#39;adalah&#39;, &#39;warisan&#39;, &#39;budaya&#39;]</pre><h3>8. CLI: Langsung dari Terminal</h3><p>Tidak perlu buka Python REPL Saka bisa digunakan langsung dari command line, cocok untuk quick check atau scripting di pipeline data:</p><pre># Analisis morfologi langsung<br>saka --stem &quot;mempertanggungjawabkan&quot;<br><br># Normalisasi slang<br>saka --normalize &quot;ngapain ke kampus klo libur&quot;<br><br># Lihat semua opsi<br>saka --help</pre><h3>Kapan Pakai Saka? Panduan Use Case</h3><p><strong>Analisis Sentimen Media Sosial</strong> → Gunakan saka.normalize() untuk bersihkan slang Twitter/Instagram sebelum masuk ke model klasifikasi.</p><p><strong>Information Retrieval / Search Engine Lokal</strong> → Kombinasikan query_kbbi() + get_stopwords() + tokenize() untuk pipeline pencarian berbasis makna kata.</p><p><strong>Preprocessing ML/Deep Learning</strong> → get_stopwords() yang mengembalikan Set memastikan filtering cepat di skala jutaan dokumen.</p><p><strong>Digital Humanities &amp; Pelestarian Budaya</strong> → Fitur transliterasi aksara Sunda dan integrasi SundaDigi cocok untuk proyek digitalisasi naskah daerah.</p><p><strong>Production NLP Pipeline</strong> → Gunakan async_* methods untuk pemrosesan concurrent tanpa blocking.</p><h3>Kesimpulan</h3><p>Saka-NLP mengisi kekosongan nyata dalam ekosistem NLP Bahasa Indonesia. Dibandingkan NLTK yang terlalu general atau Sastrawi yang hanya fokus stemming, Saka menawarkan:</p><ul><li>✅ Normalisasi slang yang tidak ada di library manapun</li><li>✅ Analisis morfologi dengan breakdown afiks lengkap</li><li>✅ Integrasi KBBI live tanpa konfigurasi tambahan</li><li>✅ Dukungan bahasa daerah (Sunda) pertama di kelasnya</li><li>✅ Arsitektur async-first untuk production pipeline</li><li>✅ CLI built-in untuk kemudahan penggunaan</li></ul><p>Untuk project NLP Bahasa Indonesia yang lebih dari sekadar stemming, Saka-NLP adalah pilihan yang patut dicoba.</p><p><strong>🔗 Links:</strong></p><ul><li>PyPI: <a href="https://pypi.org/project/saka-nlp/">https://pypi.org/project/saka-nlp/</a></li><li>Dokumentasi: <a href="http://saka-nlp.netlify.app/">http://saka-nlp.netlify.app/</a></li><li>Google Colab Playground: <a href="https://colab.research.google.com/drive/1MJ6fwJruR6B-UVT1sqKyqWXukjGe2UCH?usp=sharing">https://colab.research.google.com/drive/1MJ6fwJruR6B-UVT1sqKyqWXukjGe2UCH?usp=sharing</a></li><li>GitHub: <a href="https://github.com/Muhammad-Ikhwan-Fathulloh/Saka-NLP">https://github.com/Muhammad-Ikhwan-Fathulloh/Saka-NLP</a></li></ul><p><strong>Referensi Data:</strong> Saka-NLP menggunakan data dari KBBI Online (kbbi.web.id), Twitter COVID-19 Indonesia Sentiment Lexicon, SundaDigi Dictionary, dan Tala Indonesian Stopwords Dataset. Dikembangkan oleh Muhammad Ikhwan Fathulloh, tersedia di bawah MIT License.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f8a3df646df7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cara Investasi di Bibit: Nabung Reksadana Mulai Rp10.000 dan Potensi Cuan dalam Setahun]]></title>
            <link>https://medium.com/@ikhwanfathulloh/cara-investasi-di-bibit-nabung-reksadana-mulai-rp10-000-dan-potensi-cuan-dalam-setahun-d6383149d7d3?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/d6383149d7d3</guid>
            <category><![CDATA[bibit]]></category>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[reksadana]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Fri, 27 Mar 2026 02:13:20 GMT</pubDate>
            <atom:updated>2026-03-27T02:13:20.799Z</atom:updated>
            <content:encoded><![CDATA[<p>Panduan lengkap untuk pemula dari daftar akun, atur SIP, hingga simulasi keuntungan nyata dengan strategi Dollar Cost Averaging.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_a7vTkRX0KWbSScR" /><figcaption>Photo by <a href="https://unsplash.com/@nick604?utm_source=medium&amp;utm_medium=referral">Nick Chong</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Banyak orang ingin berinvestasi tapi ragu karena merasa modal belum cukup atau prosesnya terlalu rumit. Bibit hadir sebagai solusi — platform reksadana, saham, dan obligasi yang dirancang khusus untuk pemula dengan antarmuka yang sederhana dan fitur nabung otomatis.</p><p>Artikel ini mengurai langkah-langkah konkret: mulai dari membuka akun hingga memilih reksa dana yang tepat, dilengkapi simulasi nyata seberapa besar potensi cuanmu dalam 12 bulan ke depan.</p><p>Apa itu Bibit.id?</p><p>Bibit adalah aplikasi investasi berbasis robo-advisor yang terdaftar dan diawasi oleh Otoritas Jasa Keuangan (OJK). Platform ini memudahkan investor pemula untuk memilih produk reksadana sesuai profil risiko — tanpa perlu memahami dinamika pasar modal secara mendalam.</p><p>Bibit menawarkan tiga kategori produk utama:</p><p>- Reksadana saham — potensi return tinggi, cocok untuk jangka panjang (&gt;5 tahun)<br>- Reksadana pasar uang — stabil dan likuid, cocok untuk dana darurat<br>- Reksadana syariah — portofolio sesuai prinsip Islam</p><p>Algoritma Robo Advisor Bibit akan mengalokasikan portofoliomu secara otomatis berdasarkan usia, tujuan, dan profil risiko yang kamu isi saat registrasi.</p><p>Langkah 1 — Daftar Akun Bibit</p><p>Proses registrasi sepenuhnya digital dan bisa diselesaikan dalam waktu kurang dari 10 menit. Berikut tahapannya:</p><p>1. Download aplikasi Bibit dari Play Store (Android) atau App Store (iOS), lalu buka dan ketuk tombol “Daftar”. Atau daftar langsung via link referral ini untuk langsung terhubung: <a href="https://bibit.id/referral/2u9d3zn">https://bibit.id/referral/2u9d3zn</a></p><p>2. Masukkan nomor HP aktif untuk menerima kode OTP (One-Time Password) sebagai verifikasi identitas awal.</p><p>3. Jawab kuesioner profil risiko — serangkaian pertanyaan tentang tujuan investasi, jangka waktu, dan toleransi terhadap fluktuasi nilai portofolio. Hasilnya menentukan rekomendasi alokasi dari Robo Advisor.</p><p>4. Unggah foto KTP dan isi data diri lengkap: email aktif, nomor rekening bank, serta NPWP (opsional) untuk proses verifikasi KYC (Know Your Customer).</p><p>5. Akun diverifikasi secara otomatis oleh sistem yang terintegrasi dengan OJK. Notifikasi persetujuan biasanya diterima dalam hitungan menit hingga 1×24 jam.</p><p>Catatan penting: Pastikan data yang kamu masukkan sesuai dengan KTP dan atas nama yang sama dengan rekening bank. Ketidaksesuaian data dapat menyebabkan proses KYC gagal atau tertunda.</p><p>Langkah 2 — Cara Nabung Rutin dengan Fitur SIP</p><p>SIP (Systematic Investment Plan) adalah fitur unggulan Bibit yang memungkinkan kamu berinvestasi secara otomatis dan terjadwal. Ini adalah penerapan strategi Dollar Cost Averaging (DCA) — membeli unit reksadana secara rutin tanpa memedulikan kondisi pasar.</p><p>Mengapa DCA efektif? Karena kamu membeli lebih banyak unit saat harga sedang turun dan lebih sedikit saat harga naik — secara alami meratakan harga beli rata-rata (average cost) dan mengurangi risiko timing yang buruk.</p><p>Cara mengaktifkan SIP di Bibit:</p><p>1. Buka aplikasi Bibit → pilih menu SIP di halaman utama (home).<br>2. Pilih jenis portofolio: reksadana saham, pasar uang, obligasi, atau syariah.<br>3. Tentukan nominal — minimum Rp10.000 per transaksi.<br>4. Atur frekuensi: harian, mingguan, atau bulanan sesuai kemampuan cashflow-mu.<br>5. Aktifkan autodebit dari rekening bank, tentukan tanggal penarikan, lalu konfirmasi.</p><p>Setelah diaktifkan, investasi berjalan otomatis setiap periode yang kamu tentukan — tanpa perlu ingat atau melakukan transfer manual.</p><p>Simulasi Cuan: Nabung Berapa, Dapat Berapa?</p><p>Berikut simulasi berdasarkan return historis reksadana saham sekitar 7% per tahun. Angka ini adalah estimasi dan tidak menjamin hasil di masa depan.</p><p>Simulasi A — Nabung Rp100.000/minggu</p><p>- Total setoran 1 tahun (52 minggu): Rp5.200.000<br>- Estimasi nilai akhir portofolio: Rp5.300.000 — Rp5.600.000<br>- Estimasi keuntungan (sebelum biaya): ~Rp385.000<br>- Asumsi return historis: ~7% per tahun</p><p>Simulasi B — Nabung Rp20.000/hari (~Rp600.000/bulan)</p><p>- Total setoran 1 tahun: Rp7.200.000<br>- Estimasi nilai akhir portofolio: Rp7.500.000 — Rp7.900.000<br>- Estimasi keuntungan (sebelum biaya): ~Rp300.000 — Rp700.000<br>- Catatan: Hasil aktual tergantung kondisi pasar</p><p>Penting untuk dicatat: Return masa lalu tidak menjamin kinerja di masa depan. Reksadana saham bersifat volatil dan paling cocok untuk tujuan investasi jangka panjang (&gt;3–5 tahun). Selalu investasikan uang yang tidak kamu butuhkan dalam waktu dekat.</p><p>Rekomendasi Reksa Dana Saham Terbaik di Bibit</p><p>Berikut reksa dana saham dengan track record return tinggi yang tersedia di Bibit, berdasarkan data performa 2025–2026:</p><p>Sucorinvest Maxi Fund (Sucor AM)<br>Return 1 tahun: 56,82% | Konsisten mengalahkan IHSG</p><p>Sucorinvest Equity Fund (Sucor AM)<br>Return YTD: 17,67% | Top performer historis jangka panjang</p><p>TRIM Syariah Saham (Trimegah AM)<br>Return YTD: 5,71% | Pilihan syariah, return 3 tahun: 36,49%</p><p>Schroder Dana Prestasi Plus (Schroder AM)<br>Return YTD: 2,67% | Track record panjang dan stabil</p><p>Bahana Dana Prima (Bahana TC)<br>Return: Stabil bluechip | Fokus pada saham berkualitas tinggi</p><p>Gunakan fitur Robo Advisor Bibit untuk alokasi portofolio otomatis yang disesuaikan dengan profil risikomu.</p><p>5 Tips Memaksimalkan Investasi di Bibit</p><p>1. Mulai lebih awal, bukan lebih besar. Konsistensi jauh lebih penting dari nominal. Nabung Rp50.000/minggu selama 5 tahun jauh lebih efektif dari menunggu punya Rp5 juta sekaligus.</p><p>2. Percayakan pada Robo Advisor. Fitur ini mengalokasikan portofoliomu secara otomatis berdasarkan profil risiko dan usia — mengurangi bias emosional dalam keputusan investasi.</p><p>3. Diversifikasi portofolio. Jangan taruh semua di satu produk. Kombinasikan reksadana saham (growth) dengan pasar uang (safety net) untuk portofolio yang lebih seimbang.</p><p>4. Pantau, tapi jangan panik. Cek portofolio secukupnya. Volatilitas jangka pendek adalah hal normal — fokuslah pada tujuan jangka panjang (&gt;5 tahun untuk reksadana saham).</p><p>5. Manfaatkan koreksi pasar. Saat pasar turun, ini adalah kesempatan DCA lebih agresif — kamu membeli lebih banyak unit dengan harga lebih murah, yang menguntungkan jangka panjang.</p><p>Daftar Sekarang — Gunakan Kode Referral 2u9d3zn</p><p>Kalau artikel ini membantu dan kamu tertarik mulai investasi di Bibit, daftar sekarang menggunakan kode referral atau link berikut:</p><p>Kode referral: 2u9d3zn<br>Link daftar: <a href="https://bibit.id/referral/2u9d3zn">https://bibit.id/referral/2u9d3zn</a></p><p>Caranya mudah — saat proses registrasi, masukkan kode 2u9d3zn di kolom “Kode Referral”. Dengan menggunakan kode ini, kamu sudah mendukung konten edukasi investasi seperti artikel ini agar terus bisa dibuat secara gratis.</p><p>Tidak ada biaya tambahan sama sekali — daftar Bibit memang gratis untuk semua pengguna baru.</p><p>Kesimpulan</p><p>Bibit membuat investasi reksadana menjadi mudah dan terjangkau untuk siapa saja. Dengan modal awal hanya Rp10.000, fitur SIP untuk nabung otomatis, dan Robo Advisor yang membantu alokasi portofolio, tidak ada lagi alasan untuk menunda memulai investasi.</p><p>Kuncinya sederhana: mulai sekarang, konsisten, dan biarkan waktu bekerja untuk kamu.</p><p>Siap mulai? → <a href="https://bibit.id/referral/2u9d3zn">https://bibit.id/referral/2u9d3zn</a> (kode: 2u9d3zn)</p><p>Referensi</p><p>[1] bibit.id/saham — Halaman resmi produk saham Bibit<br><a href="https://bibit.id/saham">https://bibit.id/saham</a></p><p>[2] Bibit Blog — Nabung Rp100 ribu tiap minggu, berapa keuntungannya dalam setahun?<br><a href="https://blog.bibit.id/blog-1/2022/12/23/nabung-reksadana-100-ribu-tiap-minggu-berapa-keuntungannya-dalam-setahun">https://blog.bibit.id/blog-1/2022/12/23/nabung-reksadana-100-ribu-tiap-minggu-berapa-keuntungannya-dalam-setahun</a></p><p>[3] Wikipedia Indonesia — Bibit.id<br><a href="https://id.wikipedia.org/wiki/Bibit.id">https://id.wikipedia.org/wiki/Bibit.id</a></p><p>[4] Artikel Bibit — Berapa minimal uang nabung rutin di aplikasi Bibit?<br><a href="https://artikel.bibit.id/investasi1/berapa-minimal-uang-nabung-rutin-di-aplikasi-bibit">https://artikel.bibit.id/investasi1/berapa-minimal-uang-nabung-rutin-di-aplikasi-bibit</a></p><p>[5] Bibit Blog — 3 Langkah Mudah Registrasi Akun di Bibit<br><a href="https://blog.bibit.id/blog-1/3-langkah-mudah-registrasi-akun-di-bibit">https://blog.bibit.id/blog-1/3-langkah-mudah-registrasi-akun-di-bibit</a></p><p>[6] FAQ Bibit — Cara registrasi akun Bibit<br><a href="https://faq.bibit.id/id/article/bagaimana-cara-registrasi-akun-bibit-kfixro/">https://faq.bibit.id/id/article/bagaimana-cara-registrasi-akun-bibit-kfixro/</a></p><p>[7] Bibit Blog — 4 Langkah mulai nabung reksa dana di Bibit<br><a href="https://blog.bibit.id/blog-1/2021/12/6/4-langkah-mulai-nabung-reksa-dana-di-bibit">https://blog.bibit.id/blog-1/2021/12/6/4-langkah-mulai-nabung-reksa-dana-di-bibit</a></p><p>[8] FAQ Bibit — Systematic Investment Plan (SIP) Saham di Bibit<br><a href="https://faq.bibit.id/id/article/systematic-investment-plan-sip-saham-di-bibit-1gixowr/">https://faq.bibit.id/id/article/systematic-investment-plan-sip-saham-di-bibit-1gixowr/</a></p><p>[9] Bibit Blog — Simulasi nabung Rp20 ribu per hari<br><a href="https://blog.bibit.id/blog-1/rajin-nabung-reksa-dana-rp20-ribu-per-hari-begini-simulasi-keuntungannya">https://blog.bibit.id/blog-1/rajin-nabung-reksa-dana-rp20-ribu-per-hari-begini-simulasi-keuntungannya</a></p><p>[10] Bibit Blog — Investasi rutin 10 tahun, return hingga 116%<br><a href="https://blog.bibit.id/blog-1/jika-berinvestasi-rutin-10-tahun-lalu-kamu-bisa-mendapatkan-return-hingga-116">https://blog.bibit.id/blog-1/jika-berinvestasi-rutin-10-tahun-lalu-kamu-bisa-mendapatkan-return-hingga-116</a></p><p>[11] Artikel Bibit — Reksa dana return tertinggi di Bibit untuk keuntungan maksimal<br><a href="https://artikel.bibit.id/investasi1/reksadana-return-tertinggi-di-bibit-untuk-keuntungan-maksimal">https://artikel.bibit.id/investasi1/reksadana-return-tertinggi-di-bibit-untuk-keuntungan-maksimal</a></p><p>[12] Bareksa — Reksa dana terbaik 2025 berdasarkan return<br><a href="https://www.bareksa.com/berita/reksa-dana/2025-12-31/reksadana-terbaik-2025-berdasarkan-return-mana-yang-paling-untung">https://www.bareksa.com/berita/reksa-dana/2025-12-31/reksadana-terbaik-2025-berdasarkan-return-mana-yang-paling-untung</a></p><p>[13] Pusat Studi Jatim — Reksa dana terbaik 2026 untuk pemula hingga investor berpengalaman<br><a href="https://pusatstudijatim.id/reksadana-terbaik-2026-pilihan-per-jenis-untuk-pemula-hingga-investor-berpengalaman/">https://pusatstudijatim.id/reksadana-terbaik-2026-pilihan-per-jenis-untuk-pemula-hingga-investor-berpengalaman/</a></p><p>[14] Makmur.id — Reksa dana saham terbaik 2026 berdasarkan return<br><a href="https://www.makmur.id/id/blog/artikel/reksa-dana-saham-terbaik-2026-berdasarkan-return">https://www.makmur.id/id/blog/artikel/reksa-dana-saham-terbaik-2026-berdasarkan-return</a></p><p>[15] Rankia Indonesia — Reksa dana terbaik pilihan editor<br><a href="https://rankia.id/reksa-dana-terbaik/">https://rankia.id/reksa-dana-terbaik/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d6383149d7d3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Menjalankan pgvector dan pgweb dengan Docker Compose: Panduan Lengkap untuk Pemula]]></title>
            <link>https://medium.com/@ikhwanfathulloh/menjalankan-pgvector-dan-pgweb-dengan-docker-compose-panduan-lengkap-untuk-pemula-c0fc42220de0?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/c0fc42220de0</guid>
            <category><![CDATA[database]]></category>
            <category><![CDATA[postgresql]]></category>
            <category><![CDATA[pgvector]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[docker]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Thu, 26 Feb 2026 22:34:10 GMT</pubDate>
            <atom:updated>2026-02-26T22:35:13.326Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>Simpan dan visualisasikan data vektor PostgreSQL dalam hitungan menit menggunakan Docker</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*OWd1eAAojAs_VCjZ" /><figcaption>Photo by <a href="https://unsplash.com/@casparrubin?utm_source=medium&amp;utm_medium=referral">Caspar Camille Rubin</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>Apa Itu pgvector?</h3><p>Di era kecerdasan buatan dan machine learning, kebutuhan untuk menyimpan dan mencari <strong>data vektor</strong> semakin meningkat. pgvector adalah ekstensi open-source untuk PostgreSQL yang memungkinkan kita menyimpan, mengindeks, dan melakukan pencarian kemiripan (<em>similarity search</em>) pada data vektor langsung di dalam database relasional.</p><p>Dengan pgvector, kamu bisa membangun fitur seperti:</p><ul><li><strong>Semantic search</strong> (pencarian berbasis makna)</li><li><strong>Rekomendasi konten</strong></li><li><strong>Pencarian gambar atau audio yang mirip</strong></li><li><strong>RAG (Retrieval-Augmented Generation)</strong> untuk aplikasi AI</li></ul><h3>Apa Itu pgweb?</h3><p>pgweb adalah antarmuka web ringan untuk PostgreSQL. Alih-alih menggunakan terminal atau tools seperti pgAdmin yang berat, pgweb memungkinkan kamu menjelajahi database melalui browser dengan tampilan yang bersih dan sederhana.</p><h3>Prasyarat</h3><p>Sebelum memulai, pastikan kamu sudah menginstal:</p><ul><li><strong>Docker</strong> (versi 20+)</li><li><strong>Docker Compose</strong> (versi 2+)</li></ul><p>Cek versi dengan perintah:</p><pre>docker --version<br>docker compose version</pre><h3>Struktur Proyek</h3><p>Kita hanya butuh satu file konfigurasi: docker-compose.yml. File ini akan mendefinisikan dua layanan:</p><ol><li><strong>db </strong>PostgreSQL dengan ekstensi pgvector</li><li><strong>pgweb </strong>Antarmuka web untuk mengakses database</li></ol><h3>Langkah 1: Buat File docker-compose.yml</h3><p>Buka terminal, lalu buat file dengan editor nano:</p><pre>nano docker-compose.yml</pre><p>Tempel kode berikut ke dalam editor:</p><pre>services:<br>  db:<br>    image: ankane/pgvector:latest<br>    container_name: pgvector_db<br>    ports:<br>      - &quot;5432:5432&quot;<br>    environment:<br>      POSTGRES_USER: user<br>      POSTGRES_PASSWORD: password<br>      POSTGRES_DB: mydatabase<br>    volumes:<br>      - pgdata:/var/lib/postgresql/data<br>  pgweb:<br>      image: sosedoff/pgweb:latest<br>      container_name: pgweb_ui<br>      ports:<br>        - &quot;8081:8081&quot;<br>      environment:<br>        DATABASE_URL: postgres://user:password@db:5432/mydatabase?sslmode=disable<br>      depends_on:<br>        - db<br>volumes:<br>  pgdata:</pre><p>Simpan file dengan menekan <strong>Ctrl + O</strong>, lalu <strong>Enter</strong>, kemudian keluar dengan <strong>Ctrl + X</strong>.</p><h3>Langkah 2: Jalankan Docker Compose</h3><p>Setelah file tersimpan, jalankan semua layanan dengan perintah:</p><pre>docker-compose up -d</pre><p>Flag -d berarti <em>detached mode</em> — container berjalan di latar belakang.</p><p>Tunggu beberapa detik hingga Docker mengunduh image dan menjalankan container. Untuk memverifikasi bahwa semua berjalan dengan baik:</p><pre>docker ps</pre><p>Kamu akan melihat dua container aktif: pgvector_db dan pgweb_ui.</p><h3>Langkah 3: Akses pgweb di Browser</h3><p>Buka browser dan kunjungi:</p><pre>http://localhost:8081</pre><p>Kamu akan disambut dengan antarmuka pgweb yang memperlihatkan struktur database mydatabase. Dari sini kamu bisa:</p><ul><li>Menjalankan query SQL secara langsung</li><li>Melihat tabel, kolom, dan data</li><li>Meng-export hasil query ke CSV</li></ul><h3>Langkah 4: Aktifkan Ekstensi pgvector</h3><p>Sambungkan ke database dan aktifkan ekstensi pgvector melalui tab <strong>Query</strong> di pgweb:</p><pre>CREATE EXTENSION IF NOT EXISTS vector;</pre><p>Setelah ekstensi aktif, kamu bisa membuat tabel dengan kolom vektor:</p><pre>CREATE TABLE items (<br>  id SERIAL PRIMARY KEY,<br>  name TEXT,<br>  embedding vector(3)<br>);</pre><p>Lalu masukkan data contoh:</p><pre>INSERT INTO items (name, embedding) VALUES<br>  (&#39;apel&#39;, &#39;[0.1, 0.2, 0.3]&#39;),<br>  (&#39;mangga&#39;, &#39;[0.4, 0.5, 0.6]&#39;),<br>  (&#39;jeruk&#39;, &#39;[0.7, 0.8, 0.9]&#39;);</pre><p>Lakukan pencarian kemiripan menggunakan operator &lt;-&gt; (jarak Euclidean):</p><pre>SELECT name, embedding &lt;-&gt; &#39;[0.1, 0.2, 0.4]&#39; AS distance<br>FROM items<br>ORDER BY distance<br>LIMIT 3;</pre><h3>Memahami Konfigurasi docker-compose.yml</h3><h3>Service db</h3><p>Service ini menggunakan image ankane/pgvector:latest, yaitu image PostgreSQL yang sudah dilengkapi ekstensi pgvector. Port 5432 diteruskan ke host agar bisa diakses dari luar container. Tiga variabel environment POSTGRES_USER, POSTGRES_PASSWORD, dan POSTGRES_DB digunakan untuk mengatur kredensial dan nama database yang akan dibuat secara otomatis. Volume pgdata dipasang agar data tidak hilang saat container di-restart.</p><h3>Service pgweb</h3><p>Service ini menggunakan image sosedoff/pgweb:latest dan mengekspos antarmuka web di port 8081. Koneksi ke database dikonfigurasi melalui variabel DATABASE_URL yang mengarah ke service db. Properti depends_on: db memastikan pgweb hanya akan start setelah container database siap berjalan.</p><h3>Volume pgdata</h3><p>Volume ini memastikan data PostgreSQL tersimpan secara persisten di host. Jika container dihentikan atau dihapus, data tetap aman.</p><h3>Menghentikan dan Membersihkan Container</h3><p>Untuk menghentikan semua layanan:</p><pre>docker-compose down</pre><p>Jika ingin menghapus semua data (termasuk volume):</p><pre>docker-compose down -v</pre><h3>Tips dan Praktik Terbaik</h3><p><strong>Keamanan:</strong> Jangan gunakan username user dan password password di lingkungan produksi. Gunakan environment variable atau Docker Secrets untuk menyimpan kredensial sensitif.</p><p><strong>Monitoring:</strong> Pantau log container secara real-time dengan:</p><pre>docker-compose logs -f db</pre><p><strong>Backup:</strong> Lakukan backup database secara rutin menggunakan pg_dump:</p><pre>docker exec pgvector_db pg_dump -U user mydatabase &gt; backup.sql</pre><h3>Kesimpulan</h3><p>Dengan Docker Compose, kamu bisa menjalankan lingkungan PostgreSQL + pgvector lengkap dengan antarmuka visual dalam hitungan menit — tanpa perlu menginstal apa pun secara manual di sistem operasi.</p><p>Setup ini sangat ideal untuk:</p><ul><li><strong>Prototyping</strong> aplikasi AI dan pencarian semantik</li><li><strong>Belajar</strong> cara kerja vector database</li><li><strong>Development lokal</strong> sebelum deploy ke production</li></ul><p>Langkah selanjutnya, kamu bisa mengintegrasikan database ini dengan framework seperti <strong>LangChain</strong>, <strong>LlamaIndex</strong>, atau library Python pgvector untuk membangun aplikasi AI yang sesungguhnya.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c0fc42220de0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Thinking Dulu Sebelum Programming]]></title>
            <link>https://medium.com/@ikhwanfathulloh/thinking-dulu-sebelum-programming-904e7f37b435?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/904e7f37b435</guid>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[computational-thinking]]></category>
            <category><![CDATA[thinking]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Sat, 11 Oct 2025 10:47:03 GMT</pubDate>
            <atom:updated>2025-10-11T10:47:03.566Z</atom:updated>
            <content:encoded><![CDATA[<p>Mengapa Pola Pikir Komputasional Lebih Penting daripada Sekadar Ngetik Kode…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9FFIHxO_uL9lkWK9" /><figcaption>Photo by <a href="https://unsplash.com/@codzilla_swiss?utm_source=medium&amp;utm_medium=referral">AbsolutVision</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Pernah nggak kamu ngerasa bingung mau mulai dari mana saat ngerjain tugas ngoding?<br>Baru buka editor, langsung <em>stuck</em>.<br>Padahal sudah nonton tutorial dan <em>copy paste</em> contoh kode dari internet, tapi program tetap nggak jalan sesuai harapan.</p><p>Masalahnya sering bukan di kodenya.<br>Masalahnya ada di <strong>cara berpikirnya.</strong></p><p>Inilah kenapa Inggriani Liem yang akrab disapa <strong>Bu Inge</strong>, Ketua Pembina TOKI dan Bebras Indonesia dalam sesi <strong>BukaTalks: “Pentingnya Berpikir Komputasi untuk Kehidupan dan Menjadi Inggriani Liem”</strong>, bilang bahwa <strong>sebelum bisa programming, seseorang harus bisa <em>thinking</em> dulu.</strong></p><h3>Apa Sih Maksudnya “Thinking Dulu”?</h3><p>Kalau programming itu seperti <strong>memasak</strong>, maka <em>thinking</em> adalah <strong>menyiapkan resep dan bahan</strong>.</p><p>Bayangkan kamu mau bikin mie goreng.<br>Kalau langsung asal masak tanpa tahu urutan langkah, hasilnya bisa gosong, asin, atau malah nggak matang.</p><p>Nah, <em>Computational Thinking</em> (CT) itu seperti kemampuan menyusun resep yang tepat dari memecah masalah, mengenali pola, sampai menyusun langkah yang bisa “dieksekusi” oleh komputer.</p><h3>Empat Pilar Thinking ala Komputasi</h3><p>Konsep ini pertama kali dipopulerkan oleh <strong>Jeannette M. Wing</strong> dalam artikelnya di <em>Communications of the ACM</em> tahun 2006.<br>Wing mendefinisikan CT sebagai <em>“cara berpikir untuk merumuskan masalah dan solusi sehingga bisa dikerjakan oleh komputer.”</em></p><p>Ada empat cara berpikir utama yang jadi pilar CT:</p><ol><li><strong>Decomposition (Memecah Masalah)</strong><br> Seperti saat kamu mau bersih-bersih kamar. Kamu pecah tugasnya jadi: nyapu, ngepel, buang sampah, rapikan meja.<br> Dalam ngoding, ini berarti memecah proyek besar jadi fungsi-fungsi kecil yang jelas.</li><li><strong>Pattern Recognition (Mengenali Pola)</strong><br>Misalnya kamu sadar setiap pagi kamu ngantuk karena tidur lewat tengah malam.<br>Pola itu bisa kamu ubah dengan tidur lebih cepat.<br>Dalam pemrograman, mengenali pola membantu kamu menemukan solusi yang bisa dipakai ulang (<em>reusable code</em>).</li><li><strong>Abstraction (Menyederhanakan Masalah)</strong><br>Waktu kamu pesan ojek online, kamu nggak perlu tahu algoritma GPS atau server database-nya.<br>Kamu cuma lihat antarmuka yang sederhana.<br>Abstraksi dalam CT membantu kita fokus ke hal penting dan nggak tenggelam di detail yang belum perlu.</li><li><strong>Algorithmic Thinking (Berpikir Langkah demi Langkah)</strong><br>Saat kamu bikin teh: panaskan air → masukkan teh → tunggu → tambahkan gula → aduk.<br>Itu algoritma.<br>Dalam programming, algoritma memastikan komputer paham urutan logis yang harus dikerjakan.</li></ol><h3>Thinking dalam Kehidupan Sehari-hari</h3><p>Bu Inge pernah bilang, “Berpikir komputasional itu bukan cuma buat programmer. Semua orang bisa pakai.”<br> Dan itu benar banget.</p><p>Contohnya:</p><ul><li>Saat kamu bikin daftar prioritas tugas harian → kamu sedang <strong>mengurutkan (sorting)</strong>.</li><li>Saat kamu cari jalan tercepat ke kampus lewat Google Maps → kamu sedang <strong>menggunakan algoritma pencarian jalur terpendek (shortest path)</strong>.</li><li>Saat kamu memutuskan “kalau hujan, bawa payung; kalau nggak, bawa topi” → kamu sedang membuat <strong>struktur percabangan (if–else)</strong>.</li></ul><p>Jadi sebenarnya kita semua sudah <em>ngoding</em> di kepala, bahkan sebelum belajar sintaks!</p><h3>Tantangan di Kelas: Mahasiswa Langsung Ngoding</h3><p>Sebagai pengajar <strong>Algoritma dan Pemrograman</strong>, saya melihat pola yang sama berulang:<br>Banyak mahasiswa ingin langsung mengetik kode tanpa mau berpikir dulu.</p><p>Padahal, logika yang tidak dibangun dengan baik akan menghasilkan kode yang panjang, tidak efisien, dan sulit dipahami.</p><p>Maka, langkah pertama yang harus dilatih adalah <strong>membangun pola pikir komputasional</strong> berpikir terstruktur, sistematis, dan logis sebelum menulis satu baris kode pun.</p><h3>Cara Melatih Thinking Sebelum Programming</h3><p>Beberapa latihan sederhana bisa membantu kamu melatih CT tanpa harus langsung ngoding:</p><ol><li><strong>Latihan logika tanpa komputer</strong><br>Buat <em>flowchart</em> aktivitas harianmu dari bangun tidur sampai berangkat kuliah. Kamu akan kaget betapa banyak keputusan logis yang kamu buat setiap pagi.</li><li><strong>Main game strategi atau puzzle</strong><br>Sudoku, catur, atau game seperti <em>Portal</em> dan <em>Human Resource Machine</em> bisa melatih pola berpikir sistematis dan logis.</li><li><strong>Gunakan analogi kehidupan nyata</strong><br>Bayangkan kamu sedang bikin sistem antrean kantin atau sistem parkir kampus. Gimana alur masuk, keluar, bayar, dan validasi datanya?</li><li><strong>Diskusi dan refleksi bareng teman</strong><br>Kadang solusi paling efisien muncul bukan dari yang paling jago ngoding, tapi dari yang paling jago mikir.</li></ol><h3>Thinking Dulu = Fondasi Developer Hebat</h3><p>Jeannette Wing menulis bahwa <strong>Computational Thinking adalah keterampilan dasar untuk semua orang, bukan hanya ilmuwan komputer.</strong><br> Bu Inge menambahkan, “Kita perlu berpikir komputasional supaya bisa menghadapi dunia yang semakin kompleks.”</p><p>Ketika kamu membangun kebiasaan berpikir sebelum ngoding:</p><ul><li>Kamu lebih mudah memahami masalah.</li><li>Kode yang kamu tulis jadi lebih rapi dan efisien.</li><li>Kamu bisa berkolaborasi dan menjelaskan ide dengan jelas ke orang lain.</li></ul><p>Karena menjadi developer bukan soal bisa <em>coding</em>, tapi bisa <strong>menyelesaikan masalah</strong> dengan logika yang kuat.</p><h3>Referensi</h3><ul><li>BukaTalks: <em>“Pentingnya Berpikir Komputasi untuk Kehidupan dan Menjadi Inggriani Liem (Bu Inge)”</em> — <a href="https://www.youtube.com/watch?v=C2Pq4N-iE4I">YouTube</a></li><li>Wing, J. M. (2006). <em>Computational Thinking</em>. <em>Communications of the ACM</em>.</li><li>Lockwood, J., &amp; Mooney, A. (2017). <em>Computational Thinking in Education: Where Does It Fit?</em> arXiv:1703.07659.</li><li>Ribeiro, L., Foss, J., &amp; Cavalheiro, S. (2017). <em>Entendendo o Pensamento Computacional</em>. arXiv:1707.00338.</li><li>ResearchGate (2024). <em>Pendampingan Implementasi Materi Berpikir Komputasional pada Kurikulum Merdeka SMP di Kabupaten Bandung</em>.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=904e7f37b435" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Inersia: Gaya yang Menjaga Alam Semesta Tetap Utuh (dan Menghambat Perubahan Kita)]]></title>
            <link>https://medium.com/@ikhwanfathulloh/inersia-gaya-yang-menjaga-alam-semesta-tetap-utuh-dan-menghambat-perubahan-kita-ccba1773ecb5?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/ccba1773ecb5</guid>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Sun, 21 Sep 2025 14:19:00 GMT</pubDate>
            <atom:updated>2025-09-21T14:19:50.469Z</atom:updated>
            <content:encoded><![CDATA[<p>Inersia adalah kekuatan yang menjaga alam semesta tetap kokoh. Secara harfiah. Tanpanya, segala sesuatu akan runtuh menjadi satu gumpalan materi. Namun di sisi lain, inersia juga merupakan kekuatan yang membuat kita terjebak dalam kebiasaan lama, enggan berubah, bahkan mempertahankan hal yang sudah jelas tidak lagi bermanfaat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x6FpeZl7cjeorUTpDzuqXA.png" /><figcaption>Source: <a href="https://fs.blog/inertia/">https://fs.blog/inertia/</a></figcaption></figure><blockquote>“If it were possible to flick a switch and turn off inertia, the universe would collapse in an instant to a clump of matter.”<em><br> — Peter &amp; Neal Garneau, </em>In the Grip of the Distant Universe: The Science of Inertia</blockquote><h3>Apa Itu Inersia?</h3><p>Secara fisik, <strong>inersia</strong> adalah kecenderungan benda untuk mempertahankan keadaan diam atau bergerak lurus beraturan, kecuali ada gaya dari luar yang memaksanya berubah. Inilah yang disebut oleh Newton dalam <strong>Hukum Pertama Newton</strong>.</p><p>Johannes Kepler, astronom Jerman, pertama kali memperkenalkan istilah <em>inertia</em> dari bahasa Latin yang berarti <em>ketidakmampuan</em> atau <em>kemandekan</em>. Sesuai namanya, inersia membuat kita tetap di tempat tidur di pagi hari minggu yang malas, kecuali ada dorongan kuat untuk bangun.</p><p>Contoh sederhana inersia dalam kehidupan sehari-hari:</p><ul><li>Mobil yang berhenti di parkiran membutuhkan energi (bensin &amp; tenaga mesin) untuk bergerak.</li><li>Semakin berat kendaraan, semakin sulit menghentikannya. Kereta penumpang delapan gerbong butuh jarak lebih dari satu kilometer untuk berhenti.</li><li>Roda memiliki <strong>inersia rotasi</strong>, yaitu resistensi terhadap perubahan kecepatan rotasinya, tergantung pada distribusi massa terhadap sumbu.</li></ul><h3>Dari Newton ke Pikiran Manusia</h3><p>Inersia bukan hanya milik benda fisik, tapi juga pikiran manusia.</p><h3>1. Inersia Kognitif (Cognitive Inertia)</h3><p>Menurut <em>Alós-Ferrer (2016)</em>, inersia kognitif adalah kecenderungan untuk mempertahankan cara berpikir, keyakinan, atau strategi lama meski sudah ada bukti yang membantahnya. (<a href="https://pmc.ncbi.nlm.nih.gov/articles/PMC4754398/?utm_source=chatgpt.com">PMC</a>)</p><p>Contoh sehari-hari:</p><ul><li>Kita tetap percaya pada informasi lama meskipun sudah ada data baru yang lebih akurat.</li><li>Tetap menggunakan bank lama meskipun tahu ada layanan yang lebih baik di bank lain.</li></ul><h3>2. Bias Status Quo (Status Quo Bias)</h3><p>Penelitian klasik Samuelson &amp; Zeckhauser (1988) menunjukkan bahwa manusia cenderung memilih opsi default atau keadaan yang ada (<em>status quo</em>), meski ada pilihan yang lebih baik. (<a href="https://scholar.harvard.edu/files/rzeckhauser/files/status_quo_bias_in_decision_making.pdf?utm_source=chatgpt.com">Harvard Scholar</a>)</p><p>Kenapa kita begitu suka status quo?</p><ul><li><strong>Loss aversion</strong>: kita lebih takut kehilangan daripada berharap mendapat keuntungan.</li><li><strong>Keakraban</strong>: yang sudah biasa terasa lebih aman.</li><li><strong>Biaya transisi</strong>: pindah butuh waktu, tenaga, dan bisa berisiko.</li><li><strong>Norma sosial</strong>: perubahan sering dipandang menyimpang.</li></ul><blockquote>“The great enemy of any attempt to change men’s habits is inertia. Civilization is limited by inertia.”<em><br> — Edward L. Bernays, </em>Propaganda</blockquote><h3>Dampak Inersia dalam Kehidupan</h3><ol><li><strong>Menghambat perubahan</strong>: sulit menerima ide baru meski lingkungan sudah berubah.</li><li><strong>Menyebabkan stagnasi</strong>: organisasi, individu, atau masyarakat yang “terjebak” status quo menjadi lambat beradaptasi.</li><li><strong>Menciptakan perangkap keyakinan (belief traps)</strong>: penelitian Scheffer et al. (2022) di <em>PNAS</em> menunjukkan keyakinan yang terlalu kaku bisa membahayakan masyarakat. (<a href="https://www.pnas.org/doi/10.1073/pnas.2203149119?utm_source=chatgpt.com">PNAS</a>)</li><li><strong>Resistensi terhadap inovasi</strong>: misalnya, orang tetap memakai metode lama meski teknologi baru terbukti lebih efisien.</li></ol><h3>Cara Mengatasi Inersia</h3><p>Seperti hukum Newton, inersia hanya bisa dikalahkan dengan dorongan dari luar. Berikut beberapa strategi:</p><ul><li><strong>Mulai dengan langkah kecil</strong><br> Hemingway mengatasi inersia menulis dengan berhenti saat masih punya ide. Keesokan harinya, ia mudah melanjutkan.</li><li><strong>Sadar akan bias</strong><br> Mengenali bahwa kita rentan terhadap <em>status quo bias</em> membantu mengambil keputusan lebih rasional.</li><li><strong>Ubah default</strong><br> Jika dalam organisasi, ubah opsi default ke arah yang lebih baik. Penelitian menunjukkan orang cenderung menerima default apa pun yang ditetapkan.</li><li><strong>Evaluasi biaya tidak berubah</strong><br> Buat daftar kerugian yang terjadi jika tetap bertahan. Kadang risiko terbesar justru berasal dari tidak melakukan apa-apa.</li><li><strong>Ciptakan norma perubahan</strong><br> Lingkungan yang terbuka terhadap ide baru membantu mengurangi hambatan psikologis.</li></ul><h3>Referensi &amp; Bacaan Lanjutan</h3><ol><li>Samuelson, W. &amp; Zeckhauser, R. (1988). <em>Status quo bias in decision making</em>. Journal of Risk and Uncertainty. <a href="https://scholar.harvard.edu/files/rzeckhauser/files/status_quo_bias_in_decision_making.pdf?utm_source=chatgpt.com">PDF Harvard</a></li><li>Alós-Ferrer, C. (2016). <em>Inertia and Decision Making</em>. Frontiers in Psychology. <a href="https://pmc.ncbi.nlm.nih.gov/articles/PMC4754398/?utm_source=chatgpt.com">PMC</a></li><li>Miceli, A.C. et al. (2023). <em>The Role of Attention in Status Quo Bias</em>. <a href="https://pubmed.ncbi.nlm.nih.gov/36301176/?utm_source=chatgpt.com">PubMed</a></li><li>Godefroid, M.E. et al. (2022). <em>How to measure the status quo bias?</em> Review of Managerial Science. <a href="https://link.springer.com/article/10.1007/s11301-022-00283-8?utm_source=chatgpt.com">Springer</a></li><li>He, Y. &amp; Cunha Jr., M. (2020). <em>Short-Term Mating Mindset Mitigates the Status-Quo Bias</em>. Journal of Consumer Psychology. <a href="https://www.terry.uga.edu/wp-content/uploads/J-Consum-Psychol-2020-He.pdf?utm_source=chatgpt.com">PDF</a></li><li>Samadi, A.H., Panahi, M., Raanaei, A. (2024). <em>The Roots of Cognitive Inertia</em>. In <em>Institutional Change and Economic Transformation</em>. <a href="https://link.springer.com/chapter/10.1007/978-3-031-51175-2_6?utm_source=chatgpt.com">Springer</a></li><li>Scheffer, M. et al. (2022). <em>Belief traps: Tackling the inertia of harmful beliefs</em>. PNAS. <a href="https://www.pnas.org/doi/10.1073/pnas.2203149119?utm_source=chatgpt.com">PNAS</a></li></ol><h3>Penutup</h3><p>Inersia adalah paradoks. Ia menjaga alam semesta tetap utuh, tetapi juga membuat manusia sulit berubah. Di satu sisi, inersia memberi stabilitas di sisi lain, ia bisa menghambat kemajuan.</p><p>Menyadari keberadaannya adalah langkah pertama. Setelah itu, keberanian untuk memberi “dorongan awal” akan menentukan apakah kita tetap terjebak dalam status quo atau mampu bergerak maju.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ccba1773ecb5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[n8n vs Flowise AI: Membandingkan Dua Alat Otomasi dan AI Orchestration]]></title>
            <link>https://medium.com/@ikhwanfathulloh/n8n-vs-flowise-ai-membandingkan-dua-alat-otomasi-dan-ai-orchestration-02785f98a337?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/02785f98a337</guid>
            <category><![CDATA[n8n]]></category>
            <category><![CDATA[flowiseai]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Sat, 16 Aug 2025 15:26:55 GMT</pubDate>
            <atom:updated>2025-08-16T15:26:55.464Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4yhjAmDW6YFzLMs57hLlKA.png" /></figure><h3>Pendahuluan</h3><p>Dalam era integrasi sistem dan kecerdasan buatan, kebutuhan akan alat yang mampu menghubungkan aplikasi, mengelola data, dan membangun workflow cerdas semakin meningkat. Dua solusi yang sering dibandingkan adalah <strong>n8n</strong> dan <strong>Flowise AI</strong>. Keduanya sama-sama open-source dan berbasis <em>low-code</em>, namun memiliki fokus dan keunggulan yang berbeda. Artikel ini akan membahas perbandingan keduanya agar Anda dapat memilih sesuai kebutuhan.</p><h3>Apa itu n8n?</h3><p><strong>n8n</strong> adalah <em>workflow automation tool</em> open-source yang mirip dengan Zapier atau Make. Alat ini memungkinkan pengguna menghubungkan berbagai API, layanan cloud, database, dan aplikasi internal melalui <em>drag-and-drop workflow builder</em>.</p><h3>Kelebihan n8n</h3><ul><li><strong>Open-source &amp; self-hosted</strong> → memberi kontrol penuh pada pengguna dan bisa dijalankan di server sendiri.</li><li><strong>Integrasi luas</strong> → ratusan konektor resmi ke layanan populer (Google, Slack, PostgreSQL, dll).</li><li><strong>Fleksibilitas tinggi</strong> → mendukung custom node berbasis JavaScript.</li><li><strong>Skalabilitas</strong> → dapat dijalankan di Docker maupun Kubernetes untuk kebutuhan enterprise.</li><li><strong>Komunitas besar</strong> → banyak tutorial, plugin, dan workflow siap pakai.</li></ul><h3>Kekurangan n8n</h3><ul><li><strong>Kurva belajar menengah</strong> → perlu pengetahuan dasar API dan logika workflow.</li><li><strong>UI relatif teknis</strong> → kurang ramah bagi pemula dibandingkan Zapier.</li><li><strong>Butuh resource server</strong> untuk workflow besar dengan banyak proses paralel.</li><li><strong>Monitoring terbatas</strong> untuk kebutuhan enterprise skala besar.</li></ul><h3>Apa itu Flowise AI?</h3><p><strong>Flowise AI</strong> adalah platform <em>low-code/no-code</em> untuk membangun aplikasi berbasis LLM (Large Language Model), seperti chatbot, sistem RAG (Retrieval-Augmented Generation), atau AI agent. Flowise memanfaatkan node-node modular untuk menghubungkan <em>prompt chain</em>, memory, embedding, dan vector database.</p><h3>Kelebihan Flowise AI</h3><ul><li><strong>Fokus pada AI</strong> → dirancang khusus untuk pengembangan aplikasi AI generatif.</li><li><strong>Integrasi cepat dengan LLM</strong> → mendukung OpenAI, Anthropic, Gemini, LLaMA, HuggingFace, dan lainnya.</li><li><strong>Antarmuka ramah pengguna</strong> → <em>drag-and-drop</em> untuk membangun pipeline AI tanpa coding intensif.</li><li><strong>Open-source</strong> → fleksibel untuk di-host sendiri atau disesuaikan.</li><li><strong>Cocok untuk prototyping AI</strong> → ideal untuk membuat proof-of-concept chatbot dan sistem RAG dengan cepat.</li></ul><h3>Kekurangan Flowise AI</h3><ul><li><strong>Terbatas di domain AI</strong> → tidak seluas n8n untuk integrasi aplikasi bisnis umum.</li><li><strong>Ekosistem lebih kecil</strong> → dokumentasi dan komunitas belum sebesar n8n.</li><li><strong>Skalabilitas terbatas</strong> → lebih cocok untuk proyek kecil–menengah, belum enterprise-ready.</li><li><strong>Ketergantungan API/LLM</strong> → tidak bisa berjalan mandiri tanpa API AI eksternal atau GPU.</li></ul><h3>Tabel Perbandingan</h3><p>Aspek n8n Flowise AI <strong>Fokus Utama</strong> Workflow automation (umum, lintas aplikasi) AI workflow (LLM, RAG, chatbot) <strong>Open-source</strong> ✅ ✅ <strong>Integrasi</strong> Ratusan konektor (API, database, SaaS) LLM, LangChain, Vector DB <strong>UI/UX</strong> Lebih teknis Lebih sederhana untuk AI pipeline <strong>Skalabilitas</strong> Enterprise-ready (Docker, K8s) Terbatas, lebih ke prototyping <strong>Komunitas</strong> Besar &amp; aktif Masih berkembang <strong>Kelebihan</strong> Fleksibel, cocok untuk otomasi bisnis Cepat bikin chatbot/AI agent <strong>Kelemahan</strong> Rumit bagi pemula Terbatas di domain AI, ekosistem kecil</p><h3>Kapan Menggunakan yang Mana?</h3><ul><li><strong>Pilih n8n</strong> jika tujuan Anda adalah <strong>otomasi workflow bisnis</strong> lintas aplikasi, seperti CRM → Slack → Database → Email.</li><li><strong>Pilih Flowise AI</strong> jika fokus Anda pada <strong>pembangunan aplikasi AI</strong>, seperti chatbot cerdas, dokumentasi otomatis, atau RAG.</li></ul><p>Menariknya, kedua alat ini bisa saling melengkapi:</p><ul><li><strong>Flowise AI</strong> berperan sebagai <em>AI brain</em> untuk menangani logika percakapan atau pemrosesan bahasa.</li><li><strong>n8n</strong> bertindak sebagai <em>backend orchestrator</em> yang menghubungkan hasil AI dengan sistem bisnis lain (database, API eksternal, notifikasi).</li></ul><h3>Kesimpulan</h3><p>Baik n8n maupun Flowise AI sama-sama menawarkan nilai penting di dunia otomasi modern.</p><ul><li><strong>n8n</strong> unggul dalam hal <strong>integrasi aplikasi dan otomasi bisnis</strong>.</li><li><strong>Flowise AI</strong> lebih cocok untuk <strong>eksperimen dan implementasi cepat aplikasi AI berbasis LLM</strong>.</li></ul><p>Untuk solusi komprehensif, keduanya bahkan bisa digunakan bersamaan, di mana Flowise mengelola AI pipeline dan n8n mengatur integrasi sistem yang lebih luas.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=02785f98a337" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cara Mengintegrasikan Google Analytics 4 (GA4) di Nuxt 2]]></title>
            <link>https://medium.com/@ikhwanfathulloh/cara-mengintegrasikan-google-analytics-4-ga4-di-nuxt-2-8e76632065a6?source=rss-300ff869a9a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/8e76632065a6</guid>
            <category><![CDATA[google-analytics]]></category>
            <category><![CDATA[nuxt2]]></category>
            <category><![CDATA[javascript]]></category>
            <dc:creator><![CDATA[Muhammad Ikhwan Fathulloh]]></dc:creator>
            <pubDate>Wed, 30 Jul 2025 03:08:43 GMT</pubDate>
            <atom:updated>2026-04-28T07:13:35.298Z</atom:updated>
            <content:encoded><![CDATA[<p>Google Analytics 4 (GA4) adalah versi terbaru dari Google Analytics yang memberikan insight berbasis event, pelacakan lintas platform, serta dukungan machine learning. Di proyek Nuxt 2, GA4 bisa diintegrasikan dengan pendekatan ringan dan aman melalui konfigurasi plugin sederhana.</p><p>Artikel ini membahas bagaimana kamu bisa mengaktifkan tracking GA4 untuk proyek Nuxt 2 secara efektif.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*6EUiNCSiBgg5Tlw_" /><figcaption>Photo by <a href="https://unsplash.com/@mjessier?utm_source=medium&amp;utm_medium=referral">Myriam Jessier</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h3>1. Siapkan Measurement ID</h3><p>Masuk ke akun Google Analytics kamu dan buat properti baru (jika belum ada). Setelah itu, salin Measurement ID milikmu dengan format seperti G-XXXXXXXXXX.</p><h3>2. Buat Plugin GA4 di Nuxt</h3><p>Tambahkan file baru ke dalam direktori plugin Nuxt:</p><p><strong>plugins/gtag.client.js</strong></p><pre>export default () =&gt; {<br>  if (process.env.NODE_ENV !== &#39;production&#39;) return<br><br>  const script1 = document.createElement(&#39;script&#39;)<br>    script1.async = true<br>    script1.src = &#39;https://www.googletagmanager.com/gtag/js?id=G-XXXXXXXXXX&#39; // ganti dengan ID kamu<br>    document.head.appendChild(script1)<br>    script1.onload = () =&gt; {<br>      window.dataLayer = window.dataLayer || []<br>      function gtag() { dataLayer.push(arguments) }<br>      window.gtag = gtag<br>      gtag(&#39;js&#39;, new Date())<br>      gtag(&#39;config&#39;, &#39;G-XXXXXXXXXX&#39;, {<br>        anonymize_ip: true<br>      })<br>  }<br>}</pre><blockquote><em>Pastikan kamu mengganti </em><em>G-XXXXXXXXXX dengan Measurement ID dari properti Google Analytics milikmu.</em></blockquote><h3>3. Tambahkan Plugin ke nuxt.config.js</h3><p>Buka file nuxt.config.js dan tambahkan plugin di bagian plugins:</p><pre>export default {<br>  ssr: false,<br>  plugins: [<br>    { src: &#39;~/plugins/gtag.client.js&#39;, mode: &#39;client&#39; }<br>  ],<br>  // konfigurasi lain...<br>}</pre><p>Pastikan mode-nya adalah &#39;client&#39;, karena GA4 hanya perlu dijalankan di sisi klien.</p><h3>4. Jalankan dan Uji</h3><p>Setelah semua konfigurasi selesai, jalankan proyek Nuxt kamu dengan:</p><pre>yarn dev</pre><p>Lalu buka browser dan akses situsmu. Buka dashboard Google Analytics → bagian <strong>Realtime</strong> untuk memastikan kunjungan sudah terdeteksi.</p><h3>5. Tambahan: Tracking Event</h3><p>Jika kamu ingin melacak interaksi pengguna seperti klik tombol atau form submit, kamu bisa menambahkan event tracking seperti ini:</p><pre>window.gtag(&#39;event&#39;, &#39;click&#39;, {<br>  event_category: &#39;button&#39;,<br>  event_label: &#39;cta_register_homepage&#39;<br>})</pre><h3>Penutup</h3><p>Dengan mengikuti langkah-langkah di atas, kamu dapat mengaktifkan pelacakan pengunjung di Nuxt 2 menggunakan Google Analytics 4. Pendekatan ini memberikan fleksibilitas penuh untuk menyesuaikan pelacakan sesuai kebutuhan produkmu, sekaligus menjaga keamanan dan performa aplikasi.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8e76632065a6" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>