<rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0"><channel><title>Semua Pos - Rualytics</title><link>https://rualytics.com/posts/</link><description>Semua Pos | Rualytics</description><generator>Hugo -- gohugo.io</generator><language>id</language><lastBuildDate>Sun, 26 Apr 2026 06:00:00 +0800</lastBuildDate><atom:link href="https://rualytics.com/posts/" rel="self" type="application/rss+xml"/><item><title>Exploratory Data Analysis (EDA)</title><link>https://rualytics.com/exploratory-data-analysis/</link><pubDate>Sun, 05 Apr 2026 06:00:00 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/exploratory-data-analysis/</guid><description>&lt;em>Exploratory Data Analysis&lt;/em> (EDA) adalah salah satu tahapan dalam analisis data yang bertujuan untuk mengenal dan memahami data sebelum melakukan pemodelan lebih lanjut melalui eksplorasi dan visualisasi data.</description></item><item><title>Data Cleaning</title><link>https://rualytics.com/data-cleaning/</link><pubDate>Sun, 12 Apr 2026 06:00:00 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/data-cleaning/</guid><description><![CDATA[<div class="featured-image">
                <img src="/data-cleaning/images/GIGO-edit2.jpg" referrerpolicy="no-referrer">
            </div>Data mentah di dunia nyata hampir tidak pernah datang dalam kondisi bersih. Ada banyak masalah kualitas data yang mungkin terjadi, misalnya data hilang, data inkonsisten, atau data rusak. Oleh karena itu, <em>data cleaning</em> merupakan satu tahapan penting untuk memastikan kualitas data yang akan dianalisis atau dimodelkan.]]></description></item><item><title>Pengenalan Machine Learning</title><link>https://rualytics.com/pengantar-ml-post1-pengenalan-ml/</link><pubDate>Sun, 26 Apr 2026 06:00:00 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/pengantar-ml-post1-pengenalan-ml/</guid><description>&lt;em>Machine Learning&lt;/em> (ML) adalah bidang ilmu yang berfokus pada pengembangan algoritma agar komputer mampu melakukan prediksi atau menghasilkan konten (seperti teks, gambar, audio, dan video) tanpa diprogram secara eksplisit untuk setiap tugas tersebut. Artikel ini merupakan bagian pertama dari seri Pengantar Machine Learning yang membahas konsep dasar &lt;em>Machine Learning&lt;/em>.</description></item><item><title>Pengenalan Macro di Microsoft Excel</title><link>https://rualytics.com/excel-macro/</link><pubDate>Tue, 24 Mar 2026 06:00:00 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/excel-macro/</guid><description><![CDATA[Macro adalah cara Excel &ldquo;mengingat&rdquo; dan &ldquo;mengulang&rdquo; serangkaian perintah secara otomatis. Tutorial ini menjelaskan langkah praktis penggunaan macro di Microsoft Excel.]]></description></item><item><title>Pivot Table</title><link>https://rualytics.com/pivot-table/</link><pubDate>Tue, 24 Mar 2026 06:00:00 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/pivot-table/</guid><description>&lt;div class="featured-image">
                &lt;img src="/pivot-table/images/thumbnail-pivot-table.png" referrerpolicy="no-referrer">
            &lt;/div>Pivot Table adalah tools Excel yang powerful untuk merangkum, membandingkan, dan menemukan pola dalam data besar. Artikel ini ditujukan bagi pemula, menjelaskan kapan menggunakan Pivot Table vs formula, beserta panduan praktisnya.</description></item><item><title>Pemodelan Neural Network Menggunakan Scikit Learn pada Planar Dataset</title><link>https://rualytics.com/pemodelan-nn-menggunakan-scikit-learn-pada-planar-dataset/</link><pubDate>Wed, 11 Mar 2026 15:57:53 +0800</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/pemodelan-nn-menggunakan-scikit-learn-pada-planar-dataset/</guid><description><![CDATA[<div class="featured-image">
                <img src="/pemodelan-nn-menggunakan-scikit-learn-pada-planar-dataset/images/cell-5-output-1.png" referrerpolicy="no-referrer">
            </div><p>Notebook ini membangun Neural Network untuk mengklasifikasikan flower/planar dataset (non-linearly separable).</p>]]></description></item><item><title/><link>https://rualytics.com/rencana-series/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><author><name>Muhammad Edy Rizal</name></author><guid>https://rualytics.com/rencana-series/</guid><description><![CDATA[<h1 id="series-pengantar-machine-learning" class="headerLink">
    <a href="#series-pengantar-machine-learning" class="header-mark"></a>SERIES: PENGANTAR MACHINE LEARNING</h1><h2 id="post-1-pengenalan-machine-learning" class="headerLink">
    <a href="#post-1-pengenalan-machine-learning" class="header-mark"></a>Post 1: Pengenalan Machine Learning</h2><p>Rasional: Fondasi konseptual yang koheren</p>
<h3 id="1-definisi-machine-learning" class="headerLink">
    <a href="#1-definisi-machine-learning" class="header-mark"></a>1 Definisi machine learning</h3><h3 id="2-perbedaan-ml-dengan-pemrograman-konvensional" class="headerLink">
    <a href="#2-perbedaan-ml-dengan-pemrograman-konvensional" class="header-mark"></a>2 Perbedaan ML dengan pemrograman konvensional</h3><h3 id="3-mengapa-ml-dibutuhkan-dalam-sains-data" class="headerLink">
    <a href="#3-mengapa-ml-dibutuhkan-dalam-sains-data" class="header-mark"></a>3 Mengapa ML dibutuhkan dalam sains data</h3><h3 id="4-anatomi-pipeline-machine-learning" class="headerLink">
    <a href="#4-anatomi-pipeline-machine-learning" class="header-mark"></a>4 Anatomi Pipeline Machine Learning</h3><h4 id="41-gambaran-end-to-end-dari-raw-data--model--deployment" class="headerLink">
    <a href="#41-gambaran-end-to-end-dari-raw-data--model--deployment" class="header-mark"></a>4.1 Gambaran end-to-end: dari raw data → model → deployment</h4><h4 id="42-tahapan-utama-data-collection-preprocessing-training-evaluation-deployment" class="headerLink">
    <a href="#42-tahapan-utama-data-collection-preprocessing-training-evaluation-deployment" class="header-mark"></a>4.2 Tahapan utama: data collection, preprocessing, training, evaluation, deployment</h4><h3 id="5-jenis-jenis-data-dalam-ml" class="headerLink">
    <a href="#5-jenis-jenis-data-dalam-ml" class="header-mark"></a>5 Jenis-jenis Data dalam ML</h3><h4 id="51-structured-vs-unstructured-data" class="headerLink">
    <a href="#51-structured-vs-unstructured-data" class="header-mark"></a>5.1 Structured vs unstructured data</h4><h4 id="52-tabular-time-series-text-image-audio" class="headerLink">
    <a href="#52-tabular-time-series-text-image-audio" class="header-mark"></a>5.2 Tabular, time series, text, image, audio</h4><h3 id="6-peran-statistika-dan-matematika-dalam-ml" class="headerLink">
    <a href="#6-peran-statistika-dan-matematika-dalam-ml" class="header-mark"></a>6 Peran Statistika dan Matematika dalam ML</h3><h4 id="61-konsep-probabilitas-dasar" class="headerLink">
    <a href="#61-konsep-probabilitas-dasar" class="header-mark"></a>6.1 Konsep probabilitas dasar</h4><h4 id="62-linear-algebra-sederhana-vektor-matriks" class="headerLink">
    <a href="#62-linear-algebra-sederhana-vektor-matriks" class="header-mark"></a>6.2 Linear algebra sederhana (vektor, matriks)</h4><h2 id="post-2-supervised-learning" class="headerLink">
    <a href="#post-2-supervised-learning" class="header-mark"></a>Post 2: Supervised Learning</h2><p>Rasional: Fokus pada satu paradigma dengan aplikasi konkret</p>]]></description></item></channel></rss>