{"id":1152,"date":"2023-07-27T12:04:19","date_gmt":"2023-07-27T12:04:19","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/"},"modified":"2023-07-27T12:04:19","modified_gmt":"2023-07-27T12:04:19","slug":"regresi-linier-sederhana-dengan-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/","title":{"rendered":"Cara melakukan regresi linier sederhana dengan python (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/regresi-linier-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi linier sederhana<\/a> adalah teknik yang dapat kita gunakan untuk memahami hubungan antara satu <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel penjelas<\/a> dan satu <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respon<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Teknik ini menemukan garis yang paling \u201csesuai\u201d dengan data dan mengambil bentuk berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>\u0177 = b <sub>0<\/sub> + b <sub>1<\/sub> x<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>\u0177<\/strong> : Perkiraan nilai respons<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>b <sub>0<\/sub><\/strong> : Asal garis regresi<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>b <sub>1<\/sub><\/strong> : Kemiringan garis regresi<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Persamaan ini dapat membantu kita memahami hubungan antara variabel penjelas dan variabel respons dan (dengan asumsi variabel tersebut signifikan secara statistik) persamaan ini dapat digunakan untuk memprediksi nilai variabel respons dengan mempertimbangkan nilai variabel penjelas.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan penjelasan langkah demi langkah tentang cara melakukan regresi linier sederhana dengan Python.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><b>Langkah 1: Muat data<\/b><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan membuat dataset palsu yang berisi dua variabel berikut untuk 15 siswa:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Jumlah total jam belajar untuk ujian tertentu<\/span><\/li>\n<li> <span style=\"color: #000000;\">Hasil ujian<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kami akan mencoba menyesuaikan model regresi linier sederhana dengan menggunakan <em>jam<\/em> sebagai variabel penjelas dan <em>hasil pemeriksaan<\/em> sebagai variabel respon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara membuat kumpulan data palsu ini dengan Python:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\"><span style=\"color: #000000;\"><span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd<\/span>\n\n#create dataset<\/span>\ndf = pd. <span style=\"color: #3366ff;\">DataFrame<\/span> ({' <span style=\"color: #993300;\">hours<\/span> ': [1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14],\n                   ' <span style=\"color: #993300;\">score<\/span> ': [64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89]})\n      \n\n<span style=\"color: #008080;\">#view first six rows of dataset\n<\/span>df[0:6]\n\n    hours score\n0 1 64\n1 2 66\n2 4 76\n3 5 73\n4 5 74\n5 6 81\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><b>Langkah 2: Visualisasikan datanya<\/b><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Sebelum memasang model regresi linier sederhana, kita harus memvisualisasikan data terlebih dahulu untuk memahaminya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kami ingin memastikan bahwa hubungan antara <em>jam kerja<\/em> dan <em>skor<\/em> kira-kira linier, karena ini merupakan <a href=\"https:\/\/statorials.org\/id\/asumsi-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">asumsi yang mendasari<\/a> regresi linier sederhana.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat membuat diagram sebar sederhana untuk memvisualisasikan hubungan antara dua variabel:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> matplotlib.pyplot <span style=\"color: #008000;\">as<\/span> plt\n\nplt. <span style=\"color: #3366ff;\">scatter<\/span> (df.hours, df.score)\nplt. <span style=\"color: #3366ff;\">title<\/span> (' <span style=\"color: #008000;\">Hours studied vs. Exam Score<\/span> ')\nplt. <span style=\"color: #3366ff;\">xlabel<\/span> (' <span style=\"color: #008000;\">Hours<\/span> ')\nplt. <span style=\"color: #3366ff;\">ylabel<\/span> (' <span style=\"color: #008000;\">Score<\/span> ')\nplt. <span style=\"color: #3366ff;\">show<\/span> ()\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11539\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython1.png\" alt=\"Arahkan awan dengan Python\" width=\"421\" height=\"297\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dari grafik terlihat bahwa hubungannya tampak linier. Seiring bertambahnya <em>jumlah jam<\/em> , <em>skor<\/em> juga cenderung meningkat secara linier.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kemudian kita dapat membuat diagram kotak untuk memvisualisasikan distribusi hasil ujian dan memeriksa <a href=\"https:\/\/statorials.org\/id\/menghapus-pencilan-python\/\" target=\"_blank\" rel=\"noopener noreferrer\">outlier<\/a> . Secara default, Python mendefinisikan observasi sebagai outlier jika observasi tersebut 1,5 kali rentang interkuartil di atas kuartil ketiga (Q3) atau 1,5 kali rentang interkuartil di bawah kuartil pertama (Q1).<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika observasinya outlier, lingkaran kecil akan muncul di plot kotak:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>df. <span style=\"color: #3366ff;\">boxplot<\/span> (column=[' <span style=\"color: #008000;\">score<\/span> '])<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11540 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython2.png\" alt=\"Plot kotak dengan Python\" width=\"374\" height=\"247\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Tidak ada lingkaran kecil di boxplot, artinya tidak ada outlier di dataset kita.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><b>Langkah 3: Lakukan Regresi Linier Sederhana<\/b><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Setelah kita memastikan bahwa hubungan antar variabel adalah linier dan tidak ada outlier, kita dapat melanjutkan untuk menyesuaikan model regresi linier sederhana dengan menggunakan <em>jam<\/em> sebagai variabel penjelas dan <em>skor<\/em> sebagai variabel respons:<\/span><\/p>\n<p> <em><span style=\"color: #000000;\"><strong>Catatan:<\/strong> Kami akan menggunakan<\/span> <a href=\"https:\/\/www.statsmodels.org\/devel\/generated\/statsmodels.regression.linear_model.OLS.html\" target=\"_blank\" rel=\"noopener noreferrer\">fungsi OLS()<\/a> <span style=\"color: #000000;\">dari perpustakaan statsmodels agar sesuai dengan model regresi.<\/span><\/em><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> statsmodels.api <span style=\"color: #008000;\">as<\/span> sm\n\n<span style=\"color: #008080;\">#define response variable\n<\/span>y = df[' <span style=\"color: #008000;\">score<\/span> ']\n\n<span style=\"color: #008080;\">#define explanatory variable\n<\/span>x = df[[' <span style=\"color: #008000;\">hours<\/span> ']]\n\n<span style=\"color: #008080;\">#add constant to predictor variables\n<\/span>x = sm. <span style=\"color: #3366ff;\">add_constant<\/span> (x)\n\n<span style=\"color: #008080;\">#fit linear regression model\n<\/span>model = sm. <span style=\"color: #3366ff;\">OLS<\/span> (y,x). <span style=\"color: #3366ff;\">fit<\/span> ()\n\n<span style=\"color: #008080;\">#view model summary\n<\/span><span style=\"color: #008000;\">print<\/span> ( <span style=\"color: #3366ff;\">model.summary<\/span> ())\n\n                            OLS Regression Results                            \n==================================================== ============================\nDept. Variable: R-squared score: 0.831\nModel: OLS Adj. R-squared: 0.818\nMethod: Least Squares F-statistic: 63.91\nDate: Mon, 26 Oct 2020 Prob (F-statistic): 2.25e-06\nTime: 15:51:45 Log-Likelihood: -39,594\nNo. Observations: 15 AIC: 83.19\nDf Residuals: 13 BIC: 84.60\nModel: 1                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P&gt;|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 65.3340 2.106 31.023 0.000 60.784 69.884\nhours 1.9824 0.248 7.995 0.000 1.447 2.518\n==================================================== ============================\nOmnibus: 4,351 Durbin-Watson: 1,677\nProb(Omnibus): 0.114 Jarque-Bera (JB): 1.329\nSkew: 0.092 Prob(JB): 0.515\nKurtosis: 1.554 Cond. No. 19.2\n==================================================== ============================<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dari ringkasan model, kita dapat melihat bahwa persamaan regresi yang dipasang adalah:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Skor = 65.334 + 1.9824*(jam)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Artinya, setiap tambahan jam belajar dikaitkan dengan peningkatan rata-rata nilai ujian sebesar <strong>1,9824<\/strong> poin. Dan nilai awal sebesar <strong>65.334<\/strong> memberi tahu kita rata-rata nilai ujian yang diharapkan untuk seorang siswa yang belajar selama nol jam.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat menggunakan persamaan ini untuk mencari nilai ujian yang diharapkan berdasarkan jumlah jam belajar seorang siswa. Misalnya, seorang siswa yang belajar selama 10 jam harus mencapai nilai ujian <strong>85.158<\/strong> :<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Skor = 65.334 + 1.9824*(10) = 85.158<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut cara menafsirkan ringkasan model lainnya:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>P&gt;|t| :<\/strong> Ini adalah nilai p yang terkait dengan koefisien model. Karena nilai p untuk <em>jam<\/em> (0,000) secara signifikan kurang dari 0,05, kita dapat mengatakan bahwa terdapat hubungan yang signifikan secara statistik antara <em>jam<\/em> dan <em>skor<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>R-squared:<\/strong> Angka ini menunjukkan bahwa persentase variasi nilai ujian dapat dijelaskan oleh jumlah jam belajar. Secara umum, semakin besar nilai R-squared suatu model regresi, maka variabel penjelas tersebut semakin mampu memprediksi nilai variabel respon. Dalam hal ini, <strong>83,1%<\/strong> variasi skor dijelaskan oleh jam belajar.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>F-statistik dan nilai p:<\/strong> F-statistik ( <strong>63,91<\/strong> ) dan nilai p yang sesuai ( <strong>2,25e-06<\/strong> ) memberi tahu kita signifikansi model regresi secara keseluruhan, yaitu apakah variabel penjelas dalam model berguna dalam menjelaskan variasi . dalam variabel respons. Karena nilai p dalam contoh ini kurang dari 0,05, model kami signifikan secara statistik dan <em>jam<\/em> dianggap berguna dalam menjelaskan variasi <em>skor<\/em> .<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Buat Plot Sisa<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Setelah model regresi linier sederhana disesuaikan dengan data, langkah terakhir adalah membuat plot sisa.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu asumsi utama regresi linier adalah bahwa residu model regresi mendekati terdistribusi normal dan bersifat <a href=\"https:\/\/statorials.org\/id\/regresi-heteroskedastisitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">homoskedastik<\/a> pada setiap tingkat variabel penjelas. Jika asumsi-asumsi ini tidak terpenuhi, hasil model regresi kami bisa menyesatkan atau tidak dapat diandalkan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk memverifikasi bahwa asumsi ini terpenuhi, kita dapat membuat plot sisa berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Plot residu versus nilai yang dipasang:<\/strong> Plot ini berguna untuk mengkonfirmasi homoskedastisitas. Sumbu x menampilkan nilai yang dipasang dan sumbu y menampilkan residu. Selama residu tampak terdistribusi secara acak dan seragam di seluruh grafik di sekitar nilai nol, kita dapat berasumsi bahwa homoskedastisitas tidak dilanggar:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define figure size\n<\/span>fig = plt. <span style=\"color: #3366ff;\">figure<\/span> (figsize=(12.8))\n\n<span style=\"color: #008080;\">#produce residual plots\n<\/span>fig = sm.graphics. <span style=\"color: #3366ff;\">plot_regress_exog<\/span> (model, ' <span style=\"color: #008000;\">hours<\/span> ', fig=fig)\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11541 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython3.png\" alt=\"Plot Residu dengan Python\" width=\"665\" height=\"442\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Empat plot diproduksi. Yang di pojok kanan atas adalah plot sisa versus plot yang disesuaikan. Sumbu x pada plot ini menunjukkan nilai sebenarnya dari <em>titik<\/em> variabel prediktor dan sumbu y menunjukkan sisa nilai tersebut.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena residu tampak tersebar secara acak di sekitar nol, hal ini menunjukkan bahwa heteroskedastisitas tidak menjadi masalah pada variabel penjelas.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Plot QQ:<\/strong> Plot ini berguna untuk menentukan apakah residu mengikuti distribusi normal. Jika nilai data pada plot mengikuti garis kira-kira lurus dengan sudut 45 derajat, maka data tersebut berdistribusi normal:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define residuals\n<\/span>res = model. <span style=\"color: #3366ff;\">reside<\/span>\n\n<span style=\"color: #008080;\">#create QQ plot\n<\/span>fig = sm. <span style=\"color: #3366ff;\">qqplot<\/span> (res, fit= <span style=\"color: #008000;\">True<\/span> , line=\" <span style=\"color: #008000;\">45<\/span> \")\nplt.show() \n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11542 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython4.png\" alt=\"Plot QQ dengan Python\" width=\"415\" height=\"277\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Residunya sedikit menyimpang dari garis 45 derajat, namun tidak cukup menimbulkan kekhawatiran serius. Kita dapat berasumsi bahwa asumsi normalitas terpenuhi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena residu berdistribusi normal dan homoskedastik, kami memverifikasi bahwa asumsi model regresi linier sederhana terpenuhi. Dengan demikian, keluaran model kami dapat diandalkan.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><em>Kode Python lengkap yang digunakan dalam tutorial ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/simple_linear_regression.py\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Regresi linier sederhana adalah teknik yang dapat kita gunakan untuk memahami hubungan antara satu variabel penjelas dan satu variabel respon . Teknik ini menemukan garis yang paling \u201csesuai\u201d dengan data dan mengambil bentuk berikut: \u0177 = b 0 + b 1 x Emas: \u0177 : Perkiraan nilai respons b 0 : Asal garis regresi b [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T12:04:19+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/\",\"name\":\"Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T12:04:19+00:00\",\"dateModified\":\"2023-07-27T12:04:19+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara melakukan regresi linier sederhana dengan python (langkah demi langkah)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)","description":"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/","og_locale":"id_ID","og_type":"article","og_title":"Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)","og_description":"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/","og_site_name":"Statorials","article_published_time":"2023-07-27T12:04:19+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simpleregpython1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"5 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/","url":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/","name":"Cara Melakukan Regresi Linier Sederhana dengan Python (Langkah demi Langkah)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T12:04:19+00:00","dateModified":"2023-07-27T12:04:19+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan regresi linier sederhana dengan Python, dengan contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-linier-sederhana-dengan-python\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara melakukan regresi linier sederhana dengan python (langkah demi langkah)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1152"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1152"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1152\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1152"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1152"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1152"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}