Pada Oktober 2026, dua kerentanan kritis pada PHP diumumkan dengan nama PHP2Shell, yaitu CVE-2026-109618 dan CVE-2026-109619. Kedua kerentanan tersebut berkaitan dengan pengelolaan memori dan penanganan permintaan pada runtime PHP. Eksploitasi yang berhasil dapat memungkinkan penyerang menjalankan kode dari jarak jauh atau mengakses informasi sensitif dari memori proses PHP.

Kedua kerentanan tersebut dilaporkan memiliki skor CVSS 4.0 sebesar 9,2 dari 10, sehingga memerlukan perhatian serius dari administrator server dan pengelola aplikasi web.

PHP2Shell bukan nama sebuah framework, library, atau plugin PHP. Istilah ini merujuk pada sepasang kerentanan yang memengaruhi runtime PHP dan dapat berdampak pada aplikasi yang berjalan di atasnya.

Materi ini membahas tahapan Machine Learning dari awal sampai model siap digunakan, termasuk apa yang harus dilakukan, bagaimana cara melakukannya, contoh kode Python, dan output yang diharapkan.

Contoh yang digunakan adalah prediksi kelulusan siswa berdasarkan jam belajar, kehadiran, dan nilai ujian. Dataset pada contoh ini bersifat sintetis untuk pembelajaran, bukan data siswa nyata.

Dunia pengembangan perangkat lunak sedang mengalami perubahan besar dengan semakin berkembangnya Artificial Intelligence (AI). Developer kini tidak hanya menulis kode secara manual, tetapi juga dapat bekerja bersama AI untuk membuat, memahami, memperbaiki, dan mengembangkan aplikasi.

Salah satu pendekatan yang semakin populer adalah Vibe Coding.

Vibe Coding secara sederhana menggambarkan pendekatan pengembangan perangkat lunak di mana developer memberikan instruksi menggunakan bahasa natural kepada AI, kemudian AI membantu menghasilkan atau memodifikasi kode.

Pernahkah Anda lupa menutup issue di GitHub setelah fitur selesai dikerjakan? Manajemen proyek secara manual seperti ini sering kali menyita waktu, terutama saat proyek Anda mulai berkembang.

Kabar baiknya, GitHub memiliki fitur bawaan bernama Closing Keywords. Dengan fitur ini, Anda cukup menghubungkan Pull Request (PR) ke issue terkait, dan GitHub akan otomatis menutup issue tersebut begitu kode Anda di-merge ke branch utama (main).

Artikel ini akan membahas langkah konkret alur kerja (workflow) ini melalui dua cara: lewat antarmuka Web GitHub dan lewat terminal menggunakan GitHub CLI.

Encoding adalah salah satu tahap penting dalam data preprocessing yang digunakan untuk mengubah data kategorikal menjadi bentuk numerik sehingga dapat diproses oleh algoritma Machine Learning.

1. Apa Itu Encoding?​

Secara sederhana, encoding adalah proses mengubah data kategorikal menjadi representasi numerik.

Contoh:

Sex
----
male
female
male
female

menjadi:

Sex
----
0
1
0
1

Baca Bagian Ini Dulu​

Ada kesenjangan besar antara dua hal yang terlihat mirip:

Notebook yang berhasil. Skornya bagus, grafiknya rapi, kesimpulannya jelas. Setelah presentasi selesai, file-nya tersimpan di folder Downloads dan tidak pernah dibuka lagi.

Sistem yang jalan. Ada aplikasi lain yang memanggilnya ribuan kali sehari, hasilnya dipakai untuk keputusan nyata, dan kalau rusak ada orang yang menerima notifikasi.

Menurut berbagai laporan industri, sebagian besar model machine learning tidak pernah sampai ke tahap kedua. Bukan karena modelnya jelek, melainkan karena tidak ada yang tahu cara membawanya ke sana.

Artikel ini membahas jalan dari notebook ke sistem yang jalan, langkah demi langkah.

Baca Bagian Ini Dulu Sebelum Mulai​

Sebelum masuk ke isi artikel, ada satu hal yang perlu diluruskan lebih dulu, agar tidak buang-buang waktu belajar.

Deep Learning Bukan Langkah Berikutnya yang Otomatis​

Banyak pemula menganggap urutan belajar machine learning itu seperti naik tingkat: mulai dari regresi linear, lalu Random Forest, lalu deep learning sebagai puncaknya.

Itu keliru. Deep learning bukan versi lebih baik dari model biasa, melainkan alat yang berbeda untuk jenis masalah yang berbeda.

Bayangkan Anda harus membangun sistem pendeteksi penipuan kartu kredit. Dari satu juta transaksi, hanya sekitar 100 yang merupakan penipuan. Itu 0,01 persen.

Kalau Anda memakai klasifikasi biasa, model akan menjawab "bukan penipuan" untuk semuanya dan mencatat akurasi 99,99 persen. Sempurna di atas kertas, tidak berguna sama sekali.

Deteksi anomali adalah pendekatan yang dirancang khusus untuk situasi seperti ini: ketika hal yang ingin ditemukan sangat langka, atau bahkan belum pernah terlihat sama sekali.

Artikel ini membahas tiga metode utama beserta hal yang sering lebih menentukan daripada pemilihan metode: cara menentukan ambang dan cara mengevaluasi tanpa label.

Setiap kali Netflix menyarankan film, Spotify menyusun playlist, atau Tokopedia menampilkan "produk yang mungkin Anda suka", ada sistem rekomendasi yang bekerja di baliknya.

Masalahnya terlihat sederhana: tebak apa yang akan disukai seseorang. Tapi aturan mainnya cukup berbeda dari klasifikasi dan regresi biasa, dan sebagian besar teknik yang sudah Anda kuasai tidak langsung berlaku.

Artikel ini membahas dua pendekatan utama, yaitu collaborative filtering dan matrix factorization, dari ide dasarnya sampai implementasi yang bisa dijalankan.

Sampai sekitar tahun 2012, mengajari komputer mengenali kucing dalam foto adalah masalah yang sangat sulit. Sekarang bisa diselesaikan dalam beberapa puluh baris kode.

Yang mengubah segalanya adalah dua ide: CNN, arsitektur yang dirancang khusus untuk gambar, dan transfer learning, cara memakai model yang sudah dilatih orang lain.

Artikel ini membahas keduanya beserta augmentasi gambar, teknik yang membuat model tetap bisa dilatih meski data Anda sedikit. Semuanya dijelaskan dari nol, tanpa asumsi Anda pernah menyentuh deep learning.