Rumah Coding

Model kamu koefisiennya berubah-ubah setiap kali data ditambah sedikit?
Bisa jadi ada multicollinearity di antara fitur-fiturnya! 😅

Korelasi mengukur hubungan linear antar variabel dan bisa dicek cepat dengan df.corr(). Tapi hati-hati — jika dua fitur berkorelasi di atas 0.8, model kesulitan membedakan kontribusi masing-masing. Akibatnya koefisien tidak stabil dan interpretasi jadi menyesatkan.

- Deteksi dengan dua cara : heatmap untuk melihat pola korelasi secara visual, dan VIF untuk mengukur seberapa besar variance koefisien menggembung. Nilai VIF di atas 10 menandakan masalah serius yang perlu diatasi dengan drop fitur, PCA, atau regularisasi.

Simpan slide ini sebagai checklist sebelum membangun model berikutnya, dan share ke teman yang sedang belajar data science! 🚀

Pernah training model berjam-jam, lalu laptop restart dan semua hilang? 😱

Itu tidak akan terjadi kalau kamu tahu cara menyimpan model dengan benar.
TensorFlow menyediakan dua format utama : SavedModel (folder lengkap, recommended untuk production) dan HDF5 (satu file .h5 yang praktis). Cukup panggil model.save(path) setelah training, dan tf.keras.models.load_model(path) saat ingin memuatnya kembali.

Untuk kasus khusus seperti fine-tuning, kamu juga bisa menyimpan weights saja plus arsitektur JSON — hemat ruang dan lebih fleksibel. Pilih format sesuai kebutuhan: SavedModel untuk deployment, HDF5 untuk eksperimen cepat.

Simpan postingan ini sebagai panduan sebelum model kamu hilang! 🧠

Pernah bingung kenapa Rust mengizinkan let x = 5; lalu let x = x + 1; dengan nama yang sama? Itu namanya shadowing — dan ini salah satu fitur yang bikin kode Rust tetap bersih tanpa variabel berantakan.

Shadowing membuat binding baru dengan nama yang sama, jadi tipe datanya boleh berubah total. Cocok untuk konversi seperti String ke &str hasil trim(), atau transformasi nilai bertahap. Bedanya dengan mut: mut mengubah nilai pada binding yang sama (tipe tetap), sedangkan shadowing membuat binding baru (tipe bebas).
Shadowing di dalam blok juga otomatis "hilang" setelah blok selesai — variabel sementara tidak bocor ke luar.

Aturan praktisnya: butuh mengubah nilai berulang kali?
Pakai mut. Nilai berubah bentuk atau cuma sementara? Pakai shadowing.

Simpan postingan ini dan share ke sesama developer Rust! 🦀

Masih menulis assignment lalu memakai variabelnya di baris berikutnya?
Python 3.8 punya walrus operator := yang menggabungkan keduanya dalam satu ekspresi! 😄

Dengan :=, kamu bisa baca file baris per baris tanpa duplikasi assignment, cek panjang data sambil menghitungnya, dan menghindari perhitungan ganda di list comprehension.
Hasilnya : kode lebih pendek, lebih cepat, dan lebih mudah dibaca.

Tapi ingat — walrus bukan untuk semua kasus.
Jika membuat kode sulit dipahami atau butuh nested walrus, lebih baik tulis dengan cara biasa. Readability tetap nomor satu!

Simpan dan share ke teman developer-mu! 🚀

Pernah nunggu lama banget pas nge-loop DataFrame dengan iterrows()? 😴
Itu karena Pandas memproses baris per baris lewat Python loop — overhead-nya besar dan sangat lambat di dataset besar.

Solusinya : vectorized operations. Operasi langsung di level kolom seperti df["harga"] * 0.9 atau np.where() untuk conditional, dijalankan di level C dan bisa 10x lebih cepat dari loop. Kodenya juga lebih pendek dan mudah dibaca. 💡

Mulai sekarang, kalau kamu menulis loop di Pandas, tanyakan dulu :
"Apakah ada cara vectorized?" Jawabannya hampir selalu ada!

Simpan slide ini sebagai pengingat, dan share ke teman yang masih pakai iterrows. Follow untuk tips Python setiap hari! 🚀

Pernah bingung bedanya np.random.rand dan np.random.randn? 🤔

Keduanya sama-sama menghasilkan angka acak, tapi dari distribusi yang berbeda!
rand memberi angka uniform di rentang [0, 1), sedangkan randn mengambil sampel dari distribusi normal standar. Ada juga randint untuk integer dan choice untuk sampling dari array.

- Yang paling penting : gunakan seed agar hasilnya reproducible. np.random.seed(42) mengatur seed global, tapi untuk kode modern lebih baik pakai np.random.default_rng(42) — Generator terpisah yang tidak mengganggu state global dan hasilnya konsisten.

Angka acak ini berguna untuk simulasi Monte Carlo, inisialisasi bobot model, atau sekadar membuat data sintetis untuk latihan.
Simpan slide ini sebagai referensi cepat! 📌

Aplikasi Go kamu terasa lambat tapi tidak tahu harus mulai dari mana? 😵

Jangan menebak-nebak — gunakan profiling! Di postingan ini kamu akan belajar :
- Mengaktifkan pprof cukup dengan blank import _ "net/http/pprof"
- Mengambil CPU profile dari HTTP server dengan go tool pprof
- Profiling manual untuk program non-HTTP menggunakan runtime/pprof
- Menganalisis hasil dengan perintah top, list, dan web

Dengan pprof, kamu bisa menemukan bottleneck secara ilmiah dan mengoptimasi bagian yang benar-benar penting.

Simpan postingan ini agar tidak lupa, dan share ke teman yang sedang belajar Go! 💾

Clone repo besar bikin nunggu berjam-jam? 😩
Sejarah commit yang panjang bisa membuat ukuran repo membengkak hingga ratusan MB — padahal kamu mungkin hanya butuh kode terbarunya.

Shallow clone adalah solusinya! Dengan git clone --depth 1, kamu hanya mengunduh commit terakhir dari branch yang dipilih. Butuh lebih banyak history? Atur dengan --depth N, --single-branch, atau --shallow-since. Dan jika suatu saat butuh history lengkap, cukup jalankan git fetch --unshallow.

Paling cocok untuk CI/CD pipeline, eksplorasi kode, dan build cepat. Simpan slide ini agar clone repo besar tidak lagi bikin kamu menunggu lama! ⚡

Image Docker kamu masih 150MB padahal aplikasinya cuma butuh 5MB?
Alpine Linux adalah distro minimal yang base image-nya hanya sekitar 5MB — jauh lebih kecil dari Debian atau Ubuntu yang bisa 100MB lebih.

Kuncinya ada di musl libc dan BusyBox yang menggantikan komponen besar dari distro standar, plus package manager apk yang ringan. Cukup ganti baris FROM di Dockerfile kamu, dan kombinasikan dengan multi-stage build untuk hasil paling ramping.

Tapi ingat : Alpine tidak selalu cocok. Aplikasi dengan native dependencies yang bergantung pada glibc bisa bermasalah — selalu test dulu sebelum pindah. 💡

Simpan postingan ini sebagai panduan minimal image kamu, dan mulai ramping-kan image berikutnya! 👇

Model kamu akurasinya jeblok padahal data sudah lengkap?
Mungkin ada outlier yang mengganggu! 😅

Outlier adalah data point yang nilainya jauh dari mayoritas data.
Jika dibiarkan, outlier bisa menggeser mean, memperbesar variance, dan merusak performa model. Dua metode deteksi yang wajib kamu kuasai : IQR (berbasis quartile, cocok untuk data non-normal) dan Z-Score (berbasis mean dan standar deviasi, cocok untuk data normal).

Setelah terdeteksi, pilih strategi penanganan yang tepat : hapus jika memang error, cap dengan clip() untuk membatasi nilai ekstrem, atau gunakan transformasi log untuk mengecilkan pengaruhnya. Ingat, jangan asal hapus — pertimbangkan konteks bisnisnya dulu!

Simpan slide ini sebagai referensi dan share ke teman yang sedang belajar data science! 🚀