{"id":1153,"date":"2023-07-27T11:55:28","date_gmt":"2023-07-27T11:55:28","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/"},"modified":"2023-07-27T11:55:28","modified_gmt":"2023-07-27T11:55:28","slug":"regresi-linier-berganda","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/","title":{"rendered":"Pengantar regresi linier berganda"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Ketika kita ingin memahami hubungan antara variabel prediktor tunggal dan variabel respon, kita sering menggunakan <a href=\"https:\/\/statorials.org\/id\/regresi-linier-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier sederhana<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika kita ingin memahami hubungan antara <em>beberapa<\/em> variabel prediktor dan variabel respon, kita dapat menggunakan <strong>regresi linier berganda<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita mempunyai variabel prediktor <em>p<\/em> , maka model regresi linier berganda berbentuk:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X <sub>1<\/sub> <sub>+<\/sub> \u03b2 <sub>2<\/sub> X <sub>2<\/sub> + \u2026 + \u03b2 <sub>p<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Y<\/strong> : Variabel respon<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>X <sub>j<\/sub><\/strong> : variabel prediktif <sup>ke<\/sup> -j<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u03b2 <sub>j<\/sub><\/strong> : Efek rata-rata pada Y dari peningkatan satu unit X <sub>j<\/sub> , dengan menganggap semua prediktor lainnya tetap<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u03b5<\/strong> : Istilah kesalahan<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Nilai \u03b2 <sub>0<\/sub> , \u03b2 <sub>1<\/sub> , B <sub>2<\/sub> , \u2026, \u03b2 <sub>p<\/sub> dipilih menggunakan <strong>metode kuadrat terkecil<\/strong> , yang meminimalkan jumlah kuadrat residu (RSS):<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>RSS = \u03a3(y <sub>saya<\/sub> \u2013 \u0177 <sub>saya<\/sub> ) <sup>2<\/sup><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>\u03a3<\/strong> : Simbol Yunani yang berarti <em>jumlah<\/em><\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>y <sub>i<\/sub><\/strong> : nilai respon sebenarnya untuk observasi <sup>ke-i<\/sup><\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u0177 <sub>i<\/sub><\/strong> : Nilai respons yang diprediksi berdasarkan model regresi linier berganda<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Metode yang digunakan untuk mencari estimasi koefisien ini dihubungkan pada aljabar matriks dan kami tidak akan membahas detailnya di sini. Untungnya, perangkat lunak statistik apa pun dapat menghitung koefisien ini untuk Anda.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Bagaimana menginterpretasikan keluaran regresi linier berganda<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalkan kita menyesuaikan model regresi linier berganda dengan menggunakan variabel prediktor <em>, jam belajar<\/em> dan <em>persiapan ujian yang diambil<\/em> , serta variabel jawaban <em>nilai ujian<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tangkapan layar berikut menunjukkan seperti apa hasil regresi linier berganda untuk model ini:<\/span><\/p>\n<p> <em><span style=\"color: #000000;\"><strong>Catatan:<\/strong> Tangkapan layar di bawah menunjukkan <a href=\"https:\/\/statorials.org\/id\/excel-regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">keluaran regresi linier berganda untuk Excel<\/a> , namun angka yang ditampilkan dalam keluaran adalah tipikal keluaran regresi yang akan Anda lihat menggunakan perangkat lunak statistik apa pun.<\/span><\/em> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-6301 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\" alt=\"Menafsirkan Hasil Regresi Linier Berganda\" width=\"557\" height=\"385\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dari hasil model, koefisien memungkinkan kita membentuk estimasi model regresi linier berganda:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Nilai ujian = 67,67 + 5,56*(jam) \u2013 0,60*(ujian persiapan)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Cara menafsirkan koefisien adalah sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Setiap peningkatan satu unit tambahan dalam jam belajar dikaitkan dengan peningkatan rata-rata sebesar <strong>5,56<\/strong> poin dalam nilai ujian, <em>dengan asumsi bahwa ujian praktik tetap konstan.<\/em><\/span><\/li>\n<li> <span style=\"color: #000000;\">Setiap peningkatan satu unit tambahan dalam ujian persiapan yang diambil dikaitkan dengan penurunan rata-rata skor ujian sebesar <strong>0,60<\/strong> poin, <em>dengan asumsi bahwa jumlah jam belajar tetap konstan.<\/em><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kita juga dapat menggunakan model ini untuk menentukan nilai ujian yang diharapkan yang akan diterima siswa berdasarkan jumlah jam belajar dan persiapan ujian yang diambil. Misalnya, seorang siswa yang belajar selama 4 jam dan mengikuti 1 ujian persiapan harus mencapai nilai ujian <strong>89,31<\/strong> :<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nilai ujian = 67,67 + 5,56*(4) -0,60*(1) = <strong>89,31<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut cara menafsirkan hasil model lainnya:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>R-Square:<\/strong> Ini disebut koefisien determinasi. Merupakan proporsi varians variabel respon yang dapat dijelaskan oleh variabel penjelas. Dalam contoh ini, 73,4% variasi nilai ujian dijelaskan oleh jumlah jam belajar dan jumlah persiapan ujian yang diambil.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Kesalahan standar:<\/strong> Ini adalah jarak rata-rata antara nilai yang diamati dan garis regresi. Dalam contoh ini, nilai yang diamati rata-rata menyimpang sebesar 5.366 unit dari garis regresi.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>F:<\/strong> Ini adalah statistik F keseluruhan untuk model regresi, dihitung sebagai Regresi MS\/Residual MS.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Arti F:<\/strong> Ini adalah nilai p yang terkait dengan statistik F keseluruhan. Hal ini memberitahu kita apakah model regresi secara keseluruhan signifikan secara statistik atau tidak. Dengan kata lain, hal ini memberi tahu kita apakah gabungan dua variabel penjelas mempunyai hubungan yang signifikan secara statistik dengan variabel respons. Dalam hal ini, nilai p kurang dari 0,05, menunjukkan bahwa variabel penjelas, jumlah jam belajar dan persiapan ujian yang diambil digabungkan, memiliki hubungan yang signifikan secara statistik dengan hasil ujian.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Nilai P dari koefisien.<\/strong> Nilai p individual memberi tahu kita apakah setiap variabel penjelas signifikan secara statistik atau tidak. Kita dapat melihat bahwa jam belajar signifikan secara statistik (p = 0,00) sedangkan ujian persiapan yang diambil (p = 0,52) tidak signifikan secara statistik pada \u03b1 = 0,05. Karena ujian persiapan sebelumnya tidak signifikan secara statistik, kami mungkin memutuskan untuk menghapusnya dari model.<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Bagaimana mengevaluasi kesesuaian model regresi linier berganda<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Dua angka biasanya digunakan untuk mengevaluasi seberapa cocok model regresi linier berganda dengan kumpulan data:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> <strong>R-squared :<\/strong> Merupakan proporsi varians <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respon<\/a> yang dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nilai R-squared dapat berkisar antara 0 sampai 1. Nilai 0 menunjukkan bahwa variabel respon tidak dapat dijelaskan sama sekali oleh variabel prediktor. Nilai 1 menunjukkan bahwa variabel respon dapat dijelaskan dengan sempurna tanpa kesalahan oleh variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Semakin tinggi R square suatu model, semakin baik model tersebut mampu menyesuaikan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Kesalahan standar:<\/strong> Ini adalah jarak rata-rata antara nilai yang diamati dan garis regresi. Semakin kecil kesalahan standarnya, semakin baik suatu model mampu menyesuaikan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita ingin membuat prediksi menggunakan model regresi, kesalahan standar regresi mungkin merupakan metrik yang lebih berguna untuk diketahui daripada R-kuadrat, karena ini memberi kita gambaran tentang seberapa akurat prediksi kita dalam satuan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk penjelasan lengkap mengenai pro dan kontra penggunaan R-squared versus standard error untuk mengevaluasi kesesuaian model, lihat artikel berikut:<\/span><\/p>\n<ul>\n<li> <a href=\"https:\/\/statorials.org\/id\/nilai-r-kuadrat-yang-bagus\/\" target=\"_blank\" rel=\"noopener noreferrer\">Berapa nilai R-kuadrat yang bagus?<\/a><\/li>\n<li> <a href=\"https:\/\/statorials.org\/id\/regresi-kesalahan-standar\/\" target=\"_blank\" rel=\"noopener noreferrer\">Memahami kesalahan standar model regresi<\/a><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Asumsi Regresi Linier Berganda<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Regresi linier berganda membuat empat asumsi utama tentang data:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Hubungan linier :<\/strong> Terdapat hubungan linier antara variabel bebas, x, dan variabel terikat, y.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Independensi:<\/strong> Residunya bersifat independen. Secara khusus, tidak ada korelasi antara residu yang berurutan dalam data deret waktu.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Homoskedastisitas :<\/strong> Residual mempunyai varian yang konstan pada setiap level x.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>4. Normalitas:<\/strong> Residual model berdistribusi normal.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk penjelasan lengkap tentang cara menguji hipotesis tersebut, lihat <a href=\"https:\/\/statorials.org\/id\/asumsi-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">artikel ini<\/a> .<\/span><\/p>\n<h3> <strong>Regresi linier berganda menggunakan software<\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan contoh langkah demi langkah tentang cara melakukan regresi linier berganda menggunakan perangkat lunak statistik yang berbeda:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier berganda di R<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/python-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier berganda dengan Python<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/excel-regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier berganda di Excel<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/spss-regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier berganda di SPSS<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/statistik-regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier berganda di Stata<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/regresi-linier-lembar-google\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara melakukan regresi linier di Google Sheets<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ketika kita ingin memahami hubungan antara variabel prediktor tunggal dan variabel respon, kita sering menggunakan regresi linier sederhana . Namun, jika kita ingin memahami hubungan antara beberapa variabel prediktor dan variabel respon, kita dapat menggunakan regresi linier berganda . Jika kita mempunyai variabel prediktor p , maka model regresi linier berganda berbentuk: Y = \u03b2 [&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>Pengantar Regresi Linier Berganda - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.\" \/>\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-berganda\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar Regresi Linier Berganda - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:55:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.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=\"4 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-berganda\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\",\"name\":\"Pengantar Regresi Linier Berganda - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T11:55:28+00:00\",\"dateModified\":\"2023-07-27T11:55:28+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar regresi linier berganda\"}]},{\"@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":"Pengantar Regresi Linier Berganda - Statologi","description":"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.","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-berganda\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar Regresi Linier Berganda - Statologi","og_description":"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.","og_url":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:55:28+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"4 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/","url":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/","name":"Pengantar Regresi Linier Berganda - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T11:55:28+00:00","dateModified":"2023-07-27T11:55:28+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan singkat tentang regresi linier berganda, salah satu teknik yang paling umum digunakan dalam pembelajaran mesin.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-linier-berganda\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-linier-berganda\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar regresi linier berganda"}]},{"@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\/1153"}],"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=1153"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1153\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1153"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1153"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1153"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}