Baru Beli 3D Printer? Ini 10 Laman Web untuk Cari Model 3D Percuma

 Sejak mula menggunakan Bambu Lab P2S Combo, antara soalan pertama yang bermain dalam kepala saya ialah:

“Dekat mana nak cari benda menarik untuk dicetak?”

Kalau kita pandai mereka bentuk model 3D sendiri, memang tidak menjadi masalah. Tetapi bagi orang yang baru hendak bermula seperti saya, lebih mudah kita memuat turun model yang sudah siap dan terus mencubanya.

Rupa-rupanya terdapat banyak laman web yang menyediakan fail model 3D. Ada yang percuma, ada yang berbayar dan ada juga yang menawarkan kedua-duanya.

Daripada semua pilihan yang ada, laman paling mudah untuk pengguna Bambu Lab ialah MakerWorld.

1. MakerWorld — Pilihan Pertama Saya

🔗 https://makerworld.com

Kalau menggunakan pencetak Bambu Lab, saya cadangkan bermula di sini dahulu.

MakerWorld mempunyai integrasi terus dengan ekosistem Bambu Lab. Banyak model disertakan dengan print profile, iaitu tetapan cetakan yang telah disediakan oleh pencipta model atau pengguna lain.

Bagi model yang menggunakan pelbagai warna, susunan warnanya juga mungkin sudah disediakan dalam fail 3MF. Ini sangat membantu sekiranya kita menggunakan AMS 2 Pro bersama P2S Combo.

Cara paling mudah:

1. Cari model di MakerWorld.

2. Pilih profil yang sesuai dengan pencetak dan jenis plate kita.

3. Semak gambar serta komen pengguna.

4. Tekan Open in Bambu Studio atau cetak melalui aplikasi Bambu Handy.

5. Semak sekali lagi tetapan sebelum menekan butang cetak.

Bagi orang baru, fungsi ini mengurangkan banyak kerja teknikal. Namun, jangan terus menekan butang cetak tanpa memeriksa penggunaan filament, tempoh cetakan dan sama ada model itu memerlukan support.

2. Printables

🔗 https://www.printables.com

Printables mempunyai komuniti yang aktif dan banyak model praktikal untuk kegunaan harian.

Antara yang boleh dicari di sini ialah:

• Pemegang telefon

• Bekas menyimpan barang

• Alat menguruskan kabel

• Aksesori meja

• Alatan bengkel

• Hiasan rumah

Walaupun Printables dibangunkan oleh Prusa Research, fail yang dimuat turun masih boleh digunakan pada Bambu Lab. Kita hanya perlu memasukkan fail tersebut ke dalam Bambu Studio dan menyediakan tetapan cetakan yang sesuai.

3. Thingiverse

🔗 https://www.thingiverse.com

Thingiverse merupakan antara repositori model 3D yang paling lama dan terkenal.

Koleksinya sangat besar. Kadangkala, barang pelik yang kita tidak sangka pun boleh dijumpai di sini.

Cuma ada model lama yang tidak disertakan dengan arahan atau tetapan cetakan yang lengkap. Sebelum mencetak, baca komen pengguna dan lihat sama ada orang lain berjaya mencetak model tersebut.

4. Thangs

🔗 https://thangs.com

Thangs ialah platform komuniti dan carian model 3D. Ia berguna apabila kita tidak menemui model yang dikehendaki di laman biasa.

Selain model percuma, Thangs turut mempunyai model berbayar dan kandungan langganan daripada pereka tertentu. Jadi, periksa dahulu jenis lesen dan harga sebelum memuat turun.

5. Cults3D

🔗 https://cults3d.com

Cults3D mempunyai banyak rekaan yang lebih artistik dan unik seperti:

• Figura

• Hiasan meja

• Rekaan pop-kultur

• Cosplay

• Aksesori permainan

• Barangan dekorasi

Sebahagian model disediakan secara percuma, manakala sebahagian lagi perlu dibeli. Jangan lupa membaca syarat lesen sekiranya kita bercadang menjual hasil cetakan.

6. MyMiniFactory

🔗 https://www.myminifactory.com

Laman ini menarik bagi peminat permainan meja, RPG dan koleksi miniatur.

Banyak modelnya mempunyai perincian yang tinggi. Namun, model miniatur selalunya lebih mencabar untuk dicetak menggunakan pencetak filament berbanding model biasa.

Kita mungkin perlu menggunakan nozzle yang lebih kecil, kelajuan lebih perlahan dan tetapan support yang sesuai untuk mendapatkan hasil yang cantik.

7. Creality Cloud

🔗 https://www.crealitycloud.com

Walaupun Creality merupakan jenama pencetak 3D yang lain, fail model yang dimuat turun masih boleh digunakan pada Bambu Lab.

Masukkan fail STL atau 3MF ke dalam Bambu Studio, pilih profil P2S dan buat tetapan sebelum mencetak.

Dalam dunia 3D printing, kebanyakan fail model tidak terikat kepada satu jenama pencetak sahaja. Yang penting ialah saiz model, format fail dan tetapan slicer.

8. Yeggi

🔗 https://www.yeggi.com

Yeggi sedikit berbeza kerana ia berfungsi sebagai enjin carian khusus untuk model 3D.

Kita hanya perlu menaip nama barang yang hendak dicari. Yeggi kemudian akan memaparkan pautan model daripada pelbagai laman web.

Ia amat berguna apabila kita tidak tahu model tersebut berada di MakerWorld, Thingiverse, Cults3D atau platform lain.

9. GrabCAD

🔗 https://grabcad.com

GrabCAD lebih sesuai untuk model teknikal dan kejuruteraan.

Di sini kita boleh menjumpai fail seperti:

• Komponen mesin

• Gear

• Bracket

• Enclosure

• Alat ganti

• Model dalam format STEP

Namun, tidak semua model di GrabCAD direka untuk terus dicetak. Ada model yang perlu diubah suai atau ditukar kepada format STL terlebih dahulu.

Laman ini mungkin lebih berguna apabila kita sudah mula belajar perisian CAD seperti Fusion, FreeCAD, Onshape atau SolidWorks.

10. CGTrader

🔗 https://www.cgtrader.com

CGTrader merupakan platform model 3D profesional yang menyediakan pilihan percuma dan berbayar.

Kita perlu menggunakan fungsi penapis untuk mencari model yang boleh dimuat turun secara percuma serta sesuai untuk 3D printing.

Periksa format fail sebelum memuat turun kerana sebahagian model di sini dibina untuk animasi, permainan atau visualisasi—bukannya untuk dicetak menggunakan pencetak 3D.

Fail STL atau 3MF: Apa Bezanya?

Semasa memuat turun model, kita biasanya akan bertemu dua format utama:

STL
Fail ini mengandungi bentuk model sahaja. Tetapan cetakan, warna dan kedudukan model biasanya perlu disediakan semula dalam Bambu Studio.

3MF
Format ini boleh menyimpan lebih banyak maklumat seperti susunan model, warna, jenis filament dan tetapan cetakan. Namun, kita masih perlu menyemak sama ada tetapan tersebut sesuai dengan P2S, nozzle, plate dan filament yang digunakan.

Untuk orang baru, fail 3MF daripada MakerWorld biasanya lebih mudah digunakan.

Perkara yang Perlu Disemak Sebelum Mencetak

Walaupun model nampak cantik, jangan terus menekan butang cetak. Periksa dahulu:

• Adakah model muat di atas build plate?

• Berapa lama masa yang diperlukan?

• Berapa gram filament akan digunakan?

• Adakah model memerlukan support?

• Adakah jenis plate yang dipilih betul?

• Adakah filament yang ditetapkan sama dengan filament dalam AMS?

• Adakah komen pengguna melaporkan masalah?

• Adakah lesen membenarkan hasil cetakan dijual?

Untuk model pelbagai warna, periksa juga jumlah filament yang akan dibuang ketika proses pertukaran warna. Kadangkala modelnya kecil, tetapi sisa filamentnya agak banyak.

Cadangan Projek Pertama

Kalau baru memasang pencetak, jangan terus memilih model yang mengambil masa dua hari untuk disiapkan.

Mulakan dengan projek yang kecil dan mudah seperti:

1. Benchy untuk menguji pencetak.

2. Scraper atau pemegang alat.

3. Klip pengurusan kabel.

4. Bekas kecil.

5. Poop chute untuk mengumpulkan sisa filament.

6. Bekas silica gel untuk AMS.

7. Pemegang telefon.

Daripada projek kecil ini, kita boleh belajar tentang jenis plate, support, infill, orientasi model dan penggunaan filament tanpa membazir terlalu banyak bahan.

Kesimpulan

Bagi pengguna baharu Bambu Lab P2S Combo, saya rasa tidak perlu pening mencari di terlalu banyak tempat pada peringkat awal.

Mulakan sahaja dengan MakerWorld kerana prosesnya lebih mudah dan serasi dengan ekosistem Bambu Lab. Apabila sudah biasa menggunakan Bambu Studio, barulah kita menjelajah Printables, Thingiverse, Thangs dan laman-laman lain.

Bahagian paling seronok tentang 3D printing ialah kita sentiasa menemui benda baharu untuk dicetak. Masalahnya nanti bukan lagi tidak tahu hendak mencetak apa.

Masalah sebenar ialah terlalu banyak benda hendak dicetak, tetapi filament dan masa pula tidak cukup. 😄

Selamat mencuba dan selamat mencetak!

Label cadangan:
\\\

5 Faedah RTOS Linux Kernel - Apa Itu Sistem Operasi Masa Nyata (RTOS) di Malaysia

Di VIENNA dimana selepas 20 Tahun, Real-Time Linux Akhirnya Masuk ke Dalam Kernel Utama Linux. Itulah pada yang memahami bagaimana berkembangnya Linux di permulaan dahulu sehingga lah setelah 20 tahun menanti, akhirnya Real-Time Linux (PREEMPT_RT) secara rasmi telah dimasukkan ke dalam kernel utama Linux. Linus Torvalds, pengasas Linux, telah mengesahkan kod ini ketika berada di Open Source Summit Europe. Ini pekara yang tersohor dan terpenting untuk difahami bagi menuju ke masa hadapan.

Eh .. apa Itu Sistem Operasi Masa Nyata (RTOS)?

Sistem operasi masa nyata atau Real-Time Operating System (RTOS) adalah sistem yang direka untuk mengendalikan tugas-tugas kritikal dengan ketepatan masa yang tinggi. Tidak seperti sistem operasi biasa seperti Windows atau macOS, RTOS memastikan semua proses berlaku dalam tempoh masa tertentu, biasanya dalam milisaat atau mikro saat. Sebagaimana Steven Rostedt, seorang jurutera Google, menjelaskan, "Real-time is the fastest worst-case scenario”

Maknanya, RTOS memastikan setiap tugas kritikal selesai dalam tempoh masa yang ditetapkan, yang sangat penting dalam bidang seperti sistem kawalan industri, peralatan perubatan, dan teknologi aeroangkasa. Contohnya, NASA menggunakan RTOS untuk mengawal rover mereka di Mars, dan Boeing pula menggunakan RTOS untuk menguruskan sistem avionik pesawat mereka.

Sejarah Panjang Real-Time Linux, Real-Time Linux kini akan dimasukkan dalam semua distro Linux melalui kernel Linux 6.12 yang akan datang. Ini bermakna Linux akan mula digunakan dalam lebih banyak peranti kritikal dan peralatan industri. Tetapi, perjalanan untuk mencapai tahap ini agak panjang. 

Segala-galanya bermula pada akhir tahun 1990-an apabila ada keperluan untuk Linux menyokong aplikasi masa nyata. Pelbagai projek seperti KURT, RTAI, dan RTLinux berusaha membangunkan kernel masa nyata berasingan. Namun, pada tahun 2004, Ingo Molnar, seorang pembangun kernel Linux, mula membina asas bagi set patch PREEMPT_RT yang terus digunakan hingga kini.

Walaupun begitu, ia mengambil masa bertahun-tahun untuk menyatukan semua elemen penting ke dalam kernel utama Linux. Pelbagai ciri daripada projek masa nyata ini sebenarnya telah diperkenalkan ke dalam Linux yang kita gunakan hari ini, seperti teknologi "NO_HZ" yang mengurangkan penggunaan kuasa pada mesin dengan banyak CPU.

Kenapa Ambil Masa Lama?

Ramai yang tertanya-tanya, kenapa Real-Time Linux hanya sekarang diterima sepenuhnya? Menurut Rostedt, setiap perubahan yang dimasukkan perlu melalui ujian ketat, dan hampir semua kod ditulis semula beberapa kali sebelum disahkan. Selain itu, faktor politik dan kekurangan dana juga menjadi cabaran besar.

Hanya pada tahun 2015, Linux Foundation menubuhkan projek Real-Time Linux untuk menyelaraskan usaha ini. Cabaran terakhir adalah mengatasi masalah dengan fungsi `print_k`, alat debugging yang kritikal. Selepas perbincangan panjang, akhirnya penyelesaian dicapai, dan kini Real-Time Linux menjadi kenyataan.

Ini merupakan kemenangan untuk Semua Pengguna Linux  dengan penggabungan patch Real-Time Linux ini, Linux kini boleh digunakan dalam aplikasi yang memerlukan prestasi rendah latensi seperti sistem kawalan industri, robotik, dan pengeluaran audio. Ini bukan hanya satu kemenangan untuk pengeluar peranti masa nyata, tetapi juga untuk semua pengguna Linux.

Dengan adanya Real-Time Linux, masa depan Linux sebagai pemain utama dalam dunia RTOS semakin cerah. Manakala Di Malaysia, penggunaan RTOS (Real-Time Operating System) boleh dilihat dalam pelbagai industri kritikal yang memerlukan ketepatan masa dan kebolehpercayaan tinggi. Berikut adalah beberapa contoh aplikasi RTOS di Malaysia:

1. Sistem Kawalan Industri: Banyak kilang di Malaysia, terutamanya dalam sektor pembuatan automotif dan elektronik, menggunakan RTOS untuk mengawal proses automasi kilang. Sistem ini memastikan mesin dan robot bekerja dengan tepat mengikut masa yang ditetapkan.

2. Telekomunikasi: Syarikat telekomunikasi tempatan menggunakan RTOS untuk mengurus rangkaian dan infrastruktur komunikasi mereka, memastikan data dihantar dan diterima dalam masa nyata, penting untuk aplikasi seperti panggilan suara dan video.

3. Sistem Kawalan Trafik Udara: Lapangan terbang utama seperti KLIA menggunakan RTOS untuk sistem kawalan trafik udara yang memerlukan ketepatan masa yang tinggi untuk memastikan pesawat berlepas dan mendarat dengan selamat tanpa gangguan.

4. Sistem Pengurusan Tenaga: Dalam industri tenaga, RTOS digunakan untuk menguruskan rangkaian elektrik, terutama dalam memantau dan mengawal grid pintar yang memerlukan tindak balas masa nyata bagi mengelakkan gangguan bekalan elektrik.

5. Perubatan: Hospital-hospital di Malaysia menggunakan peralatan perubatan yang dikendalikan oleh RTOS, seperti mesin ventilator dan peralatan pemantauan kesihatan, yang memerlukan ketepatan masa untuk memastikan keselamatan pesakit.

Contoh-contoh ini menunjukkan bagaimana RTOS memainkan peranan penting dalam sektor industri kritikal di Malaysia, di mana ketepatan masa dan keandalan adalah faktor utama.

#Linux, #RealTimeLinux, #PREEMPTRT, #OpenSource, #KernelLinux, #Teknologi, #SistemOperasi, #RTOS, #PembangunanPerisian, #InovasiTeknologi, #LinusTorvalds, #SoftwareDevelopment, #OpenSourceCommunity, #TeknologiMasaNyata, #LinuxKernel, #Pengaturcaraan, #IndustriTeknologi, #PengurusanMasaNyata, #LinuxDistro, #IT

Module 'recon/domains-hosts/shodan_hostname' disabled. Dependency required: ''shodan''.

 

Memasang Shodan pada Kali Linux untuk Mengaktifkan Modul Recon-ng

Sekiranya anda mengalami masalah seperti dalam gambar di atas, di mana modul recon/netblocks-hosts/shodan_net dan recon/domains-hosts/shodan_hostname dinyahaktifkan kerana kebergantungan kepada shodan, anda boleh menyelesaikan masalah ini dengan memasang Shodan pada Kali Linux.

Berikut adalah langkah-langkah untuk memasang Shodan:

1. Pasang Shodan di Kali Linux sebelum masuk ke recon-ng:

   sudo apt install python3-shodan

2. Proses installation



   

3. Uji 

   shodan

Dengan memasang Shodan dan menambah kunci API, modul yang diperlukan akan diaktifkan dan sedia untuk digunakan. Untuk maklumat lanjut, layari Recon-ng Documentation.

Memasang Linux Sebagai Sub sistem Windows (WSL)

Windows Subsystem for Linux (WSL) adalah ciri pada Windows 10 dan Windows 11 yang membolehkan pengguna menjalankan persekitaran Linux secara terus pada Windows tanpa memerlukan mesin maya (VM) atau persediaan dual-boot. Dengan WSL, pengguna boleh menggunakan aplikasi dan alat Linux terus dari Windows, memudahkan integrasi antara kedua-dua sistem operasi. Kebiasaannya apabila user nak pasang Kali Linux tanpa perlu dual boot. Untuk itu boleh mulakan dengan 

Langkah untuk menggunakan pautan ini:

1. Klik pada pautan https://aka.ms/wslstorepage.
2. Ianya akan diarahkan ke halaman WSL di Microsoft Store. [ Benarkan Microsoft Store dibuka ]
3. Dari sana, boleh memuat turun dan memasang WSL. [Klik Install]

WSL sangat berguna bagi pembangun dan pengguna yang memerlukan alat dan aplikasi Linux, tetapi ingin terus bekerja dalam persekitaran Windows mereka.

Dengan Windows Subsystem for Linux (WSL) ianya membolehkan pembangun menjalankan persekitaran GNU/Linux, termasuk kebanyakan alat baris perintah, utiliti, dan aplikasi, terus pada Windows tanpa sebarang perubahan. Dengan WSL, anda tidak perlu menggunakan mesin maya tradisional atau melakukan persediaan dual-boot yang kompleks.

Memasang WSL melalui Microsoft Store membolehkan anda mendapatkan kemas kini dan ciri terbaru WSL dengan lebih cepat dan tanpa perlu mengubah versi Windows anda. Untuk maklumat lanjut, sila layari https://aka.ms/wsldocs.

Mulakan pengalaman WSL anda hari ini dan nikmati kemudahan menjalankan aplikasi Linux dalam persekitaran Windows! ... 

Adakah HTTP2 lebih pantas daripada HTTP1?

Sebelum menjawab adakah benar HTTP2 lebih pantas meh kita lihat ciri-ciri utama HTTP2 yang sebenarnya memainkan peranan besar dalam pekara ini. Berikut adalah perinciannya:

1. Lapisan Pembingkaian Binari (Binary Framing Layer)

• HTTP2 mengekod mesej ke dalam format binari.
• Ini membolehkan mesej dibahagikan kepada unit yang lebih kecil yang dipanggil bingkai, yang kemudian dihantar melalui sambungan TCP, menghasilkan pemprosesan yang lebih cekap.

2. Multiplexing (Multiplexing)

• Pembingkaian Binari membolehkan permintaan dan respons multiplexing penuh.
• Pelanggan dan pelayan boleh menyelangi bingkai semasa penghantaran dan memasangnya semula di pihak yang lain.

3. Pemprioritian Aliran (Stream Prioritization)

• Dengan pemprioritian aliran, pembangun boleh menyesuaikan berat relatif permintaan atau aliran untuk membuat pelayan menghantar lebih banyak bingkai untuk permintaan yang mempunyai keutamaan lebih tinggi.

4. Pendorongan Pelayan (Server Push)

• Memandangkan HTTP2 membolehkan pelbagai respons serentak kepada permintaan pelanggan, pelayan boleh menghantar sumber tambahan bersama halaman yang diminta kepada pelanggan.

5. Pemampatan Header HPACK (HPACK Header Compression)

• HTTP2 menggunakan algoritma pemampatan khas yang dipanggil HPACK untuk menjadikan header lebih kecil untuk pelbagai permintaan, dengan itu menjimatkan jalur lebar.

Walaubagaimanapun dengan ciri-ciri ini, HTTP2 juga boleh menjadi perlahan bergantung pada senario atau keadaan teknikal yang spesifik. Oleh itu, keperluan untuk menguji dan mengoptimumkan perkara untuk memaksimumkan manfaat HTTP2 haruslah dibuat terlebih dahulu. 

Rujukan : https://x.com/alexxubyte/status/1802707993584414838

Pengurusan Air Untuk Ternak Ikan Air Tawar

Kriteria Air Berkualiti - Kimia: Kandungan Oksigen Terlarut (DO): Lebih daripada 4.0 mg/l (Disyorkan lebih daripada 5.0 mg/l) pH: 6.5 - 8.5 Suhu: 25 - 31º C Kriteria Air Berkualiti - Fizikal: Kehijauan Air: Cahaya dapat tembusi hingga 1 kaki Tidak berbuih Tiada ikan timbul ke permukaan air pada waktu pagi/malam Ikan aktif Ikan mempunyai selera makan

Format Untuk Letak Kod Sumber dalam Blog

Cara Memformatkan Kod Sumber dengan Nombor Baris di Blogspot

Untuk memformatkan kod sumber dengan nombor baris di Blogspot, anda boleh menggunakan SyntaxHighlighter. Ikuti langkah-langkah di bawah untuk melakukannya:

1. Buka entri blog baru atau sedia ada di Blogspot.
2. Pilih mod penyuntingan HTML di dalam editor entri blog.
3. Letakkan kod sumber anda di dalam tag <pre> dan <code>.
4. Tambahkan kelas CSS "brush: [language]" di dalam tag <pre> untuk menandakan bahasa sumber kod anda.
5. Tambahkan kod JavaScript untuk mengaktifkan "SyntaxHighlighter" di dalam entri blog anda.
6. Simpan dan terbitkan entri blog anda.

Contoh Kod Sumber

// Ini adalah contoh kod JavaScript

function greet() {

    console.log("Hello, world!");

}

greet();

Konfigurasi Jump Host Dengan .htaccess dalam Apache Webserver

Bila webserver dah ready, ini jangan dilupakan iaitu Fail `.htaccess` adalah fail konfigurasi yang digunakan dalam pelayan web Apache untuk mengkonfigurasi paparan direktori. Ia membolehkan pengguna mengawal konfigurasi tertentu untuk direktori secara khusus tanpa perlu mengubah konfigurasi global pelayan web. 

Fail `.htaccess` biasanya digunakan untuk menyekat akses ke fail-fail dalam direktori, menyembunyikan fail-fail tertentu, menghantar permintaan ke halaman lain, dan banyak lagi. Ini membolehkan pengurusan konfigurasi yang lebih terperinci dan fleksibel bagi laman web yang dihoskan pada pelayan web Apache.

Ini bagi nak konfigurasi .htaccess agar hanya  boleh masuk dari secure jump host shj.

Keselamatan Siber - Comei Red Team Aku

Dalam menguji keteguhan pertahanan siber memerlukan red team. Red team dalam pasukan cybersecurity akan melakukan serangani terhadap sistem, jaringan, atau aplikasi sesebuah organisasi untuk kenalpasti kelemahan pertahanan dan melatih tindak balas (blue team) dalam menangani serangan siber.

Red team bertindak seperti penyerang atau sebenarnya untuk menguji keefektifan sistem pertahanan dan mendapat gambaran tentang bagaimana penyerang atau hacker dapat memanfaatkan vulnerability/titik kelemahan yang ada.

Lupa katalaluan Section OneNote?

Anda mungkin berada dalam situasi di mana anda meletakkan kata laluan pada seksyen di OneNote, jika dilindungi kata laluan dan anda tidak menggunakannya untuk tempoh yang lama, anda mungkin akan cuba mengaksesnya dan tidak ingat kata laluan tersebut. buat masa ini tiada penyelesaian sehingga kini.

Kalau masih ada gambaran tentang password tersebut boleh la cuba panduan ini ... panduan ini untuk dapatkan semula akses. Mungkin password yang digunakan sayang,Password , 123456789 dsbnya

Bagi mereka yang guna onenote plak bila dah lama lupa la password, tetapi ... ini adalah satu contoh bagaimana kombinasi password generator boleh digunakan untuk meneka password yang kita lupa sebagai source untuk dicuba.

Jom mula

First kena la download dan install Password Generator ... boleh download Password Generator di

1.Latest - Terkini

2.Old 

link kat atas tu ... dah tu buatkan satu file yang ada password2 yang kita mungkin ingat2 lupa tu

  

Step dia

Pilih fail frasa perkataan yang nak dicipta.

Hilangkan tanda centang pada "sertakan character"

Hilangkan tanda centang pada "sertakan words"

Tanda centang pada "format kata laluan" dan masukkan: {1}W{2-3d}

Ini akan merangkumi sebuah perkataan dari fail frasa perkataan dan kemudian 2 hingga 3 digit.

W = perkataan dari fail frasa perkataan

 d = digit 0-9

tapi ada mcm2 format lagi ... tu kena bacalah yer.

Next:

Klik uji dengan mengklik "Generate," klik butang ke bawah pilih Generate to File dan tetapkan di mana fail senarai kata laluan dicipta.

Cth pilih c:\password tech\trypass.txt

Masukkan bilangan kata laluan yang ingin dihasilkan.

Perhatikan bahawa terdapat 90 kombinasi 2 digit tanpa pengulangan nombor 0-9 dan 720 kombinasi 3 digit.

Jadi:

sayangPassword{2 digit} - 90, katakanlah 100

Passwordsayang{2 digit} - 90, katakanlah 100

sayangPassword{3 digit} - 720, katakanlah 1000

Passwordsayang{3 digit} - 720, katakanlah 1000

Terdapat hasilnya password dengan 2,200 kombinasi.

Lebih baik kita buat 5000 password dan kita tekan terus "Generate

So kita telah hasilkan 5000 password dalam file c:\password tech\trypass.txt

jom kita try Brute Force Password Onenote 

kena hasilkan scripts untuk dijalankan diwindows kita

1. Install AutoHotKey

Download dan install AutoHotkey dari official website: AutoHotkey Download

2. Cipta fail ujian bernama bruteforce.ahk:

Buka penyunting teks dan cipta fail bernama bruteforce.ahk 

Salin dan tampal skrip berikut ke dalam fail:

-----------------Start Copy Selepas Ini --------------------

DetectHiddenWindows on

DetectHiddenText on

#k::

SetKeyDelay 30

Loop, read, C:\IT\appleorange-combos.txt

{

  TrayTip Now trying:, %A_LoopReadLine%, 1 ;Creates tooltip so we can monitor the progress through wordlist.

  SendRaw %A_LoopReadLine% ;Type the current line into box

  Send {enter} ;Submit this password

  Sleep 300 ;Wait while the password is tried

  WinGetActiveTitle, varRespondingWindow ;Check resulting dialogue (look for 'invalid passphrase' error)

  

  if ( varRespondingWindow != "Protected Section" ) {

    ;DEBUG - We found the password. (If the window DOESN'T contain the words Protected Section then we cracked it).

MsgBox % "Password Found: " . A_LoopReadLine

return

  } else {

    ;DEBUG - It was wrong 

  }

}

return

#q::

;This is to exit the script

Exit

return

----------------- Tamat  --------------------

Jom kita try Brute Force Password Onenote 

kena hasilkan scripts untuk dijalankan diwindows kita 

1. Buka Onenote
2. Cuba buka bahagian yang dilindungi
3. Sampai ke prompt kata laluan
4. Buka skrip bruteforce.ahk (anda akan lihat ikonnya di systray) Tekan Winkey + k

Skrip akan melakukan tugasnya dan mula menguji kata laluan dari senarai kata laluan yang telah dibuat sebelumnya.

Untuk keluar dari skrip, tekan Win + q 

Panduan ini hanya akan berjaya jika anda mempunyai idea kata laluan yang anda gunakan di OneNote. Ia tidak akan meretas kata laluan rawak.

AI Pengenalan

Tentang Asas Kecerdasan Buatan (AI):

Asas Kecerdasan Buatan (AI) merujuk kepada bidang dalam sains komputer yang berusaha untuk mencipta sistem yang dapat melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. AI menggunakan pelbagai teknik dan pendekatan untuk menyediakan komputer dengan keupayaan untuk mengenali pola, mengadakan penalaran, membuat keputusan, dan menyelesaikan masalah dengan cara yang serupa dengan manusia.

Asas-asas AI merangkumi:

1. Pembelajaran Mesin (Machine Learning): Ia adalah satu kaedah yang menggunakan data dan algoritma untuk mengajar komputer mengenali pola dan membuat ramalan atau keputusan tanpa perlu secara eksplisit diprogramkan. Terdapat beberapa jenis pembelajaran mesin, termasuk pembelajaran bersepadu, pengawasan, dan tak pengawasan.

2. Penalaran Berdasarkan Aturan (Rule-based Reasoning): Ia melibatkan penggunaan aturan logik dan penalaran formal untuk membolehkan komputer membuat kesimpulan berdasarkan maklumat yang diberikan.

3. Penglihatan Komputer (Computer Vision): Ia melibatkan penganalisisan dan pengenalpastian imej dan video oleh komputer. Dengan menggunakan algoritma penglihatan komputer, sistem dapat mengesan objek, mengenali muka, membaca teks, dan melakukan tugas lain yang berkaitan dengan persepsi visual.

4. Pemprosesan Bahasa Semula (Natural Language Processing): Ia melibatkan pemahaman dan penghasilan bahasa manusia oleh komputer. Sistem AI dapat membaca, menafsirkan, dan memberi respon kepada teks atau ucapan manusia melalui teknik seperti penguraian sintaksis, analisis sentimen, dan pemodelan bahasa.

5. Sistem Pakar (Expert Systems): Ia melibatkan penggunaan pengetahuan dan aturan berstruktur untuk memecahkan masalah yang kompleks dalam bidang tertentu. Sistem pakar dapat meniru pemikiran manusia dan memberikan nasihat atau penyelesaian berdasarkan pengetahuan yang dimasukkan.

ChatGPT:

ChatGPT adalah model bahasa yang dibangunkan oleh OpenAI. Ia adalah contoh daripada satu-satunya jenis AI, iaitu model pembelajaran bersepadu yang menggunakan Transformasi Gegelung Bertingkat (GPT). ChatGPT dilatih dengan menggunakan jutaan perkataan teks yang dikumpulkan dari sumber-sumber di Internet.

Tujuan ChatGPT adalah untuk menyediakan respon yang relevan dan berarti kepada pertanyaan atau permintaan input pengguna. Ia menggunakan pelbagai teknik AI, termasuk pemprosesan bahasa semula, pemodelan bahasa bersepadu, dan pembelajaran mesin. ChatGPT telah didorong oleh kecerdasan tiruan untuk menghasilkan output yang sesuai dan memberikan respons seperti yang diharapkan oleh pengguna.

Walaupun ChatGPT dapat memberikan jawapan yang berinformasi dan mengikut konteks, perlu diingat bahawa ia adalah model bahasa yang dibina berdasarkan teks yang ada pada masa lalu. Oleh itu, ia mungkin tidak mempunyai pengetahuan terkini atau maklumat tentang peristiwa yang berlaku selepas tarikh pemotongan pengetahuan model, dan mungkin tidak dapat memberikan jawapan yang tepat dalam konteks masa kini.

Microsoft Excel: Bagaimana nak convert tarikh ke US format

 Aduhai, hatri ini mmemang la tergesa-gesa nak mencari dan mengisi maklumat dalam pengurusan kewangan. sepatutnya mudah jer dari bank statement yang kjita download tu terus jer upload ntah camne ari ni x leh plak. 

Boring tul la, ingat kejap jer siap tapi ntah dah jadi lambat. Ok baik ... so bermula misi mencari apa masalah dnegan pakcik google. AKhir berjaya juga dapat formula ni. cuma leceh sket terpaksa buat beberapa kerja tambahan. 

Ini ngupa file asal statement yang kita download dari bank, rupanya format yang dia bagi dalam format Malaysia manakala format yang dikehendaki oleh Wallet by BudgetBaker plak dalam bentuk US format. Tu susah juga aku nak cari contoh x jumpa plak dalam portal https://support.budgetbakers.com/hc/en-us .

So aku pon cari la formula untuk conver kepada US format date ni.  So caranya ialah 

Sediakan satu cell kosong ( aku letak selepas date yg bank bagi) masukan formula formula =TEXT(A11, "mm/dd/yyyy"),  Dalam kes aku cell B11, nengok  screenshot: tu. press Enter dan select cell B11, drag the fill handle ke range you korang nak ... tada dapat ate dalam US tu. Ok ... tak

NMAP untuk port scanning ... Meh cuba bhai

run nmap -sC -sV untuk dapatk detailed result

dah dapat open port tu cuba check pc or server tu kegunaan dia utk apa

kalau perlu open port tu so takde masalah la..tp kalau tak perlu better off dan disable server dan port2 tu

kalau -sC -sV 

-sC - run nmap scripts

-sV - dia akan check version setiap apps tu

so kalau dah dapat detailed version tu

kalau kita nak penetrate kita boleh tengok kat cve db tu atau metasploit

ada google hacking db kan ada cve db..so kita boleh tengok apps kita ni vulnerable ke tak

kalau ada vulnerable ..kita kena le upgrade atau update

sebelum upgrade or update tu kena tengok le fungsi apps akan terganggu ke tak kalau kita upgrade

so ada byk la yg kena tambah baik kalau pelru upgrade..contoh kalau run php..kalau nak upgrade ke versi php7

mungkin kena buat restruktur balik code php tu sebab du2 version php5 dan php7 ni dah lain

application or server ni running untuk public access ke atau just dalaman saja

nampak mcm server microsoft ni kan ada microsoft service dalam result ni

kalau dapat versi server dan semak pada cve tu

https://www.exploit-db.com/

cari kat sini le..kalau ada dalam list..kena upgrade le apps or server tu

kalau tak mmg tunggu masa je le org nak cuba tu nanti

Data Analysis Iteration

WEBVTT

1
00:00:01.440 --> 00:00:05.063
This lecture's gonna provide an overview
of the cycle of data analysis.

2
00:00:10.191 --> 00:00:14.060
Data analysis is a complex process
that can involve many pieces and

3
00:00:14.060 --> 00:00:15.790
many different tools.

4
00:00:15.790 --> 00:00:18.480
But fundamentally,
there are only three parts to it.

5
00:00:19.540 --> 00:00:22.180
The first part is setting expectations.

6
00:00:22.180 --> 00:00:24.460
The second part involves
collecting information and

7
00:00:24.460 --> 00:00:26.990
comparing your expectations to data, and

8
00:00:26.990 --> 00:00:32.220
the last part Involves reacting to data,
and revising your expectations.

9
00:00:32.220 --> 00:00:33.750
So that's basically it.

10
00:00:33.750 --> 00:00:37.990
Those are the three parts of data analysis
that you often will cycle through,

11
00:00:37.990 --> 00:00:41.290
many times, in the course of
analyzing any given data set.

12
00:00:41.290 --> 00:00:42.820
So I'm gonna break down each one of these

13
00:00:43.870 --> 00:00:47.190
pieces to give you a little bit of
a description of what they are, and I'll

14
00:00:47.190 --> 00:00:51.690
give you a little example of kinda how
they might be applied in the real world.

15
00:00:51.690 --> 00:00:55.913
So steady expectations involve
deliberately thinking about

16
00:00:55.913 --> 00:00:58.599
what you're gonna do before you do it.

17
00:00:58.599 --> 00:01:02.585
Now, the idea in any part of data analysis
is that everything you do is gonna

18
00:01:02.585 --> 00:01:06.511
have some sort of consequence,
whether it's collecting data, whether

19
00:01:06.511 --> 00:01:11.035
it's fitting a model, whether it's asking
a question or making some sort of plot.

20
00:01:11.035 --> 00:01:15.494
Everything you do there will be some sort
of action, and the point is you wanna

21
00:01:15.494 --> 00:01:19.490
think about what that consequence
is gonna be, before you do it.

22
00:01:19.490 --> 00:01:22.850
And that way you set the expectations for
yourself, and

23
00:01:22.850 --> 00:01:27.980
you can determine whether the reality
kind of meets that expectation.

24
00:01:29.635 --> 00:01:33.165
So that's the first part
of the data analysis cycle.

25
00:01:33.165 --> 00:01:37.685
Once you've set your expectations the next
thing you wanna do is collect some data or

26
00:01:37.685 --> 00:01:42.380
collect some information that will
allow you to compare those expectations

27
00:01:42.380 --> 00:01:43.775
to reality.

28
00:01:43.775 --> 00:01:48.170
And so,
collecting that information is key,

29
00:01:48.170 --> 00:01:51.030
because it will tell you whether or
not your expectations were right.

30
00:01:51.030 --> 00:01:51.930
Whether they were wrong.

31
00:01:51.930 --> 00:01:53.713
Whether they were too high, too low,

32
00:01:53.713 --> 00:01:56.568
whatever it is depending on
the problem you're working on.

33
00:01:56.568 --> 00:02:01.009
And then, once you've collected that
information, and compared it to your

34
00:02:01.009 --> 00:02:05.541
expectations you can react to it, and
maybe change your behavior in some way.

35
00:02:05.541 --> 00:02:09.702
So the last part of the data analysis
cycle is to think about what have

36
00:02:09.702 --> 00:02:14.309
we learned from the data, from our
expectations, and their comparison.

37
00:02:14.309 --> 00:02:16.350
What would we do differently next time.

38
00:02:17.400 --> 00:02:20.870
Did we match our expectations,
did they not match, why or why not.

39
00:02:20.870 --> 00:02:22.443
So that's the third part.

40
00:02:22.443 --> 00:02:27.341
And then, once you've completed the third
part and you've revised your expectations,

41
00:02:27.341 --> 00:02:31.401
you may go back, with these revised
expectations and collect more data and

42
00:02:31.401 --> 00:02:35.267
try to match them again, and
then this iteration continues, often for

43
00:02:35.267 --> 00:02:37.990
many different times in
any given data analysis.

44
00:02:40.470 --> 00:02:44.830
So I just wanna give you a quick
example of how you can use these

45
00:02:44.830 --> 00:02:50.190
three components in a kind of generic or
kind of commonplace setting.

46
00:02:50.190 --> 00:02:53.360
So the basic example I'm gonna present
here is going out to dinner with

47
00:02:53.360 --> 00:02:54.510
your friends.

48
00:02:54.510 --> 00:02:56.490
So suppose you're going out to dinner and

49
00:02:56.490 --> 00:02:59.140
the restaurant you're going
to is a cash only place.

50
00:02:59.140 --> 00:03:02.410
So the question you have to ask yourself
is how much money should you bring.

51
00:03:04.005 --> 00:03:09.235
And the basic activity you're gonna
engage in is eating a meal, and you're

52
00:03:09.235 --> 00:03:13.520
gonna check for the bill, and you're gonna
have to pay, money to pay for the meal.

53
00:03:13.520 --> 00:03:17.869
But before you do that, you gotta figure
out how much money to bring, and so

54
00:03:17.869 --> 00:03:22.585
you have to figure out well, what's your
expectation for the cost of this meal.

55
00:03:22.585 --> 00:03:25.299
Maybe you've dined at this
restaurant all the time, so

56
00:03:25.299 --> 00:03:27.448
you know exactly how much it's gonna cost.

57
00:03:27.448 --> 00:03:32.487
Maybe you know, well in this city, the
typical meal costs this many dollars, and

58
00:03:32.487 --> 00:03:37.403
so I'll just bring that much money,
cuz this is an average kind of restaurant.

59
00:03:37.403 --> 00:03:38.260
Maybe you know,

60
00:03:38.260 --> 00:03:42.065
well the most expensive restaurant in
this city costs this many dollars.

61
00:03:42.065 --> 00:03:44.936
So I know it's not gonna
cost this more than that, so

62
00:03:44.936 --> 00:03:49.180
I'll just bring that to kind of serve as
an upper bound on how much money I might

63
00:03:49.180 --> 00:03:51.223
end up spending at this restaurant.

64
00:03:51.223 --> 00:03:53.365
You might ask your friends,
if they've been their before,

65
00:03:53.365 --> 00:03:54.650
how much does this place cost.

66
00:03:54.650 --> 00:03:56.060
Or you might Google the restaurant and

67
00:03:56.060 --> 00:03:59.430
maybe look up the menu to see what
the meal typically costs there.

68
00:03:59.430 --> 00:04:04.388
At any rate, before you've gone to the
restaurant and eat the meal, you can use

69
00:04:04.388 --> 00:04:08.310
any sort of opreory information
to set up your expectations for

70
00:04:08.310 --> 00:04:10.684
what the cost is ultimately gonna be.

71
00:04:10.684 --> 00:04:13.220
Before you observe the real thing.

72
00:04:14.430 --> 00:04:19.176
So once you've set your expectations, you
can figure out how much money to bring.

73
00:04:19.176 --> 00:04:22.339
The actual collecting of the data
involves going to the restaurant and

74
00:04:22.339 --> 00:04:23.255
getting the check.

75
00:04:23.255 --> 00:04:25.839
So once you've gotten the check,

76
00:04:25.839 --> 00:04:29.500
you observed the reality
of what the meal costs.

77
00:04:30.640 --> 00:04:32.560
And there's two possibilities.

78
00:04:32.560 --> 00:04:35.250
One is that,
that cost meets your expectation.

79
00:04:35.250 --> 00:04:38.510
So suppose you thought
it was gonna be $30, and

80
00:04:38.510 --> 00:04:40.710
it ended up being $30, then that's great.

81
00:04:40.710 --> 00:04:41.630
You know exactly,

82
00:04:41.630 --> 00:04:45.810
you brought the right amount of money,
and then you can pay for the meal.

83
00:04:45.810 --> 00:04:49.696
The other possibility is that
the expectations don't match of what

84
00:04:49.696 --> 00:04:50.657
the reality is.

85
00:04:50.657 --> 00:04:55.386
So thought it was $30 and
it ended up being $40.

86
00:04:55.386 --> 00:04:59.120
And so, you have to ask yourself
then why do you have that mismatch.

87
00:04:59.120 --> 00:05:04.239
Why is it that you thought it was $30 and
the meal turned out to be $40.

88
00:05:04.239 --> 00:05:05.630
So there's two possibilities.

89
00:05:05.630 --> 00:05:08.000
One is that your expectations were wrong.

90
00:05:08.000 --> 00:05:11.820
So you thought that the restaurant
was cheaper than it actually was.

91
00:05:11.820 --> 00:05:15.393
Another possibility is that there's
something wrong with the data, for

92
00:05:15.393 --> 00:05:15.920
example.

93
00:05:15.920 --> 00:05:19.192
It's possible that they added up the check
wrong, maybe they charged you for

94
00:05:19.192 --> 00:05:21.169
something for
that you didn't actually eat.

95
00:05:21.169 --> 00:05:24.835
So you can look at the check to see if
there is a problem with the data that you

96
00:05:24.835 --> 00:05:25.500
collected.

97
00:05:29.040 --> 00:05:34.040
One thing to note about
this example is that it was

98
00:05:34.040 --> 00:05:39.450
easy to know whether your expectations
were matched with the data or not.

99
00:05:39.450 --> 00:05:43.892
So for example, if your expectation was
the meal would cost $30, and then it

100
00:05:43.892 --> 00:05:48.691
actually cost $40, you know immediately
that your expectations were not right.

101
00:05:48.691 --> 00:05:52.200
The meal was $10 more than you
actually thought it was gonna be.

102
00:05:52.200 --> 00:05:55.249
And so,
you can make that conclusion very quickly.

103
00:05:55.249 --> 00:05:57.298
Another possibility, for example,

104
00:05:57.298 --> 00:06:01.405
is that you could've said well
the meal being between 0 and $1,000.

105
00:06:01.405 --> 00:06:05.885
And so, when the data actually comes
in and you see the check is $40 then it

106
00:06:05.885 --> 00:06:10.930
actually matches your expectation which
is that it's between 0 and $1,000.

107
00:06:10.930 --> 00:06:15.830
But because your original
expectation was so diffused, and

108
00:06:15.830 --> 00:06:20.535
so kind of general,
you don't really learn that much from

109
00:06:20.535 --> 00:06:25.650
collecting the data given your
very diffused expectation.

110
00:06:25.650 --> 00:06:30.160
So this brings us to an important point
which is that it's important to have

111
00:06:30.160 --> 00:06:32.370
a very sharp expectation or

112
00:06:32.370 --> 00:06:36.180
a sharp hypothesis about what
you're trying to investigate.

113
00:06:36.180 --> 00:06:38.940
When I said that I expected
the meal to be $30,

114
00:06:38.940 --> 00:06:44.210
it was very easy to know when
my expectations were not met.

115
00:06:44.210 --> 00:06:48.575
But if my expectation was very diffused
and not sharp at all, like between 0 and

116
00:06:48.575 --> 00:06:52.880
1,000, then, collecting the data
doesn't really help you.

117
00:06:52.880 --> 00:06:57.430
Or it doesn't help you learn the process
you're trying to study or in this case,

118
00:06:57.430 --> 00:06:59.360
the cost of the meal at this place.

119
00:06:59.360 --> 00:07:02.600
So ultimately,
what we're leaning toward with

120
00:07:02.600 --> 00:07:06.820
setting your expectations in collecting
data is called a change in behavior or

121
00:07:06.820 --> 00:07:09.620
an understanding of the mechanism
you're trying to study.

122
00:07:09.620 --> 00:07:13.370
What did we learn, and
what would you do differently next time?

123
00:07:13.370 --> 00:07:16.465
So in this scenario where you
thought it was gonna be $30 and

124
00:07:16.465 --> 00:07:20.589
it ended up being $40, well then the next
time you might bring an extra $10.

125
00:07:20.589 --> 00:07:23.211
If you originally thought it
was gonna be between 0 and

126
00:07:23.211 --> 00:07:27.429
$1,000 then the cost ended up being $40,
it's not clear that you would change

127
00:07:27.429 --> 00:07:29.992
anything about your behaviour
based on this data.

128
00:07:29.992 --> 00:07:35.490
And so, if there is no change
in what you might think or

129
00:07:35.490 --> 00:07:38.950
what you might do based on
the collection of the data and

130
00:07:38.950 --> 00:07:43.140
matching it with your expectations,
then that's often a sign that

131
00:07:43.140 --> 00:07:46.740
either the evidence from your experiment
is not very strong or the data analysis

132
00:07:46.740 --> 00:07:51.420
was not able to generate enough evidence,
or there may be some other problem.

133
00:07:51.420 --> 00:07:55.890
With your study or
your data analysis process.

134
00:07:55.890 --> 00:08:00.130
So setting the right expectations and
making them as sharp as possible

135
00:08:00.130 --> 00:08:03.730
is a really key element to this
whole data analysis cycle.

Google Classroom (GC) - Asas

Apabila telah selesai membuat kelas, kelas anda akan dipaparkan pages baharu bersama Tab yang ada di page GC seperti berikut:

Stream

Stream kini memberi tumpuan kepada pengumuman dan siaran (jika anda membenarkan pelajar untuk menyiarkan dan mengulas di Bilik Darjah).

Anda juga akan melihat notifikasi dalam Stream jika sesuatu telah ditambah ke kerja kelas, seperti ketika anda membuat tugas baru.

Classwork

Majoriti masa anda kini akan digunakan di tab Classwork. Di sinilah guru boleh membuat tugasan, menambah soalan, membuat topik, dan menggunakan semula posts yang telah dibuat.

Bahagian Classwork dibahagikan mengikut topik untuk membuatnya lebih mudah dalam mencari tugasan. Anda boleh membuat tiga topik sebagai contoh, Kerja Harian, Sumber Rujukan, dan Unit 1: Tema. Anda boleh membuat topik untuk kelas anda dengan cara yang anda suka.

Butang "Create" telah berpindah dari bahagian bawah ke kiri atas halaman. Perhatikan, disini  di mana anda menambah bahan kelas anda.

Selain itu, terdapat juga baris yang boleh dikembangkan dalam halaman Classwork yang memberikan anda keupayaan untuk melihat perkara-perkara seperti Done / Not Done, kini dinamakan semula "Turned In" dan "Assigned".

People

Apabila melihat seksyen ini dinamakan sebagai People, ianya amat mengelirukan untuk pengguna pertama kali. Anda tidak melihat jadual pelajar anda di tab Pelajar (Ianya telah dinamakan sebagai People), Dimana anda kini boleh menguruskan semua "orang" yang mungkin berada dalam kelas anda, termasuk guru bersama.

Coursera : Getting and Cleaning Data - Week 1 Quiz

Masa nak buat quiz 1

Question 3

Download the Excel spreadsheet on Natural Gas Aquisition Program here:

• https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2FDATA.gov_NGAP.xlsx

Read rows 18-23 and columns 7-15 into R and assign the result to a variable called dat

What is the value of sum(dat$Zip*dat$Ext,na.rm=T)?

Dapat error message berikut:

R is giving you an error -- could not find function

lepas tu x boleh load package xlsx , sangkut lak rjava 

library(rJava)
Error in get(Info[i, 1], envir = env) : 
  lazy-load database 'C:/Users/sony/Documents/R/win-library/3.1/rJava/R/rJava.rdb' is corrupt
In addition: Warning message:
In get(Info[i, 1], envir = env) : internal error -3 in R_decompress1
Error: package or namespace load failed for ‘rJava’

Penyelesaian:

Step 1:

Note that it is necessary to ‘manually download and install’ the 64 bit version of JAVA. By default, the download page gives a 32 bit version .

You can pick the exact version of Java you wish to install from this link. If you might (for some reason) work on both versions of R, you can install both version of Java (Installing the “Java Runtime Environment” is probably good enough for your needs).
(Source: Uwe Ligges)

Step 2:

This will call up this dialog box with edit rights for the PATH variable (and other system variables):

Step 4:

Dalam R

  Sys.setenv(JAVA_HOME="")

Installing and loading xlsx package

• Install

install.packages("xlsx")

• Load

library("xlsx")