{"id":1157,"date":"2023-07-27T11:31:28","date_gmt":"2023-07-27T11:31:28","guid":{"rendered":"https:\/\/statorials.org\/id\/python-regresi-logistik\/"},"modified":"2023-07-27T11:31:28","modified_gmt":"2023-07-27T11:31:28","slug":"python-regresi-logistik","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/python-regresi-logistik\/","title":{"rendered":"Cara melakukan regresi logistik dengan python (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/regresi-logistik-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi logistik<\/a> adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel responnya<\/a> adalah biner.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Regresi logistik menggunakan metode yang disebut <em>estimasi kemungkinan maksimum<\/em> untuk mencari persamaan dalam bentuk berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>log[p(X) \/ ( <sub>1<\/sub> -p(X))] = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X <sub>1<\/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>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> : estimasi koefisien variabel prediktif ke- <sup>j<\/sup><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Rumus di sisi kanan persamaan memprediksi <strong>log odds<\/strong> bahwa variabel respons bernilai 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jadi, ketika kita menyesuaikan model regresi logistik, kita dapat menggunakan persamaan berikut untuk menghitung probabilitas bahwa observasi tertentu bernilai 1:<\/span><\/p>\n<p> <span style=\"color: #000000;\">p(X) = e <sup>\u03b2 <sub>0<\/sub> + <sub>\u03b2<\/sub> <sub>1<\/sub> <sub>X<\/sub> <sub>1<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> <sup><sub>2<\/sub> <sub>X<\/sub> <sub>2<\/sub> <sub>+<\/sub> <sub>\u2026<\/sub> <sub>+<\/sub> <sub>\u03b2<\/sub><\/sup> p<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami kemudian menggunakan ambang probabilitas tertentu untuk mengklasifikasikan observasi sebagai 1 atau 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita dapat mengatakan bahwa observasi dengan probabilitas lebih besar atau sama dengan 0,5 akan diklasifikasikan sebagai &#8220;1&#8221; dan semua observasi lainnya akan diklasifikasikan sebagai &#8220;0&#8221;.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi logistik di R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Impor paket yang diperlukan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pertama, kita akan mengimpor paket yang diperlukan untuk melakukan regresi logistik dengan Python:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">linear_model<\/span> <span style=\"color: #008000;\">import<\/span> LogisticRegression\n<span style=\"color: #008000;\">from<\/span> sklearn <span style=\"color: #008000;\">import<\/span> metrics\n<span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 2: Muat data<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan menggunakan dataset <strong>default<\/strong> dari <a href=\"https:\/\/www.ime.unicamp.br\/~dias\/Intoduction%20to%20Statistical%20Learning.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">buku Pengantar Pembelajaran Statistik<\/a> . Kita dapat menggunakan kode berikut untuk memuat dan menampilkan ringkasan kumpulan data:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#import dataset from CSV file on Github\n<span style=\"color: #000000;\">url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. <span style=\"color: #3366ff;\">read_csv<\/span> (url)\n<\/span><\/span>\n<span style=\"color: #008080;\">#view first six rows of dataset\n<\/span>data[0:6]\n\n        default student balance income\n0 0 0 729.526495 44361.625074\n1 0 1 817.180407 12106.134700\n2 0 0 1073.549164 31767.138947\n3 0 0 529.250605 35704.493935\n4 0 0 785.655883 38463.495879\n5 0 1 919.588530 7491.558572  \n\n<span style=\"color: #008080;\">#find total observations in dataset<\/span>\nlen( <span style=\"color: #3366ff;\">data.index<\/span> )\n\n10000\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kumpulan data ini berisi informasi berikut tentang 10.000 individu:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>default:<\/strong> menunjukkan apakah seseorang mengalami default atau tidak.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>pelajar:<\/strong> menunjukkan apakah seseorang adalah pelajar atau bukan.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>saldo:<\/strong> Saldo rata-rata yang dibawa oleh seorang individu.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>pendapatan:<\/strong> Pendapatan individu.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kami akan menggunakan status pelajar, saldo bank, dan pendapatan untuk membangun model regresi logistik yang memprediksi kemungkinan seseorang mengalami gagal bayar.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 3: Buat sampel pelatihan dan pengujian<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita akan membagi kumpulan data menjadi kumpulan pelatihan untuk <em>melatih<\/em> model dan kumpulan pengujian <em>untuk menguji<\/em> model.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define the predictor variables and the response variable\n<\/span>X = data[[' <span style=\"color: #008000;\">student<\/span> ',' <span style=\"color: #008000;\">balance<\/span> ',' <span style=\"color: #008000;\">income<\/span> ']]\ny = data[' <span style=\"color: #008000;\">default<\/span> ']\n\n<span style=\"color: #008080;\">#split the dataset into training (70%) and testing (30%) sets\n<\/span>X_train,X_test,y_train,y_test = <span style=\"color: #3366ff;\">train_test_split<\/span> (X,y,test_size=0.3,random_state=0)<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Sesuaikan model regresi logistik<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita akan menggunakan fungsi <b>LogisticRegression()<\/b> untuk menyesuaikan model regresi logistik dengan kumpulan data:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n<span style=\"color: #008080;\">#fit the model using the training data\n<\/span>log_regression. <span style=\"color: #3366ff;\">fit<\/span> (X_train,y_train)\n\n<span style=\"color: #008080;\">#use model to make predictions on test data\n<\/span>y_pred = log_regression. <span style=\"color: #3366ff;\">predict<\/span> (X_test)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 5: Diagnostik Model<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Setelah kami memasang model regresi, kami kemudian dapat menganalisis performa model kami pada kumpulan data pengujian.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kita akan membuat matriks konfusi<\/span> <span style=\"color: #000000;\">untuk model tersebut:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong>cnf_matrix = metrics. <span style=\"color: #3366ff;\">confusion_matrix<\/span> (y_test, y_pred)\ncnf_matrix\n\narray([[2886, 1],\n       [113,0]])\n<\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Dari matriks konfusi kita dapat melihat bahwa:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">#Prediksi positif yang benar: 2886<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Prediksi negatif yang benar: 0<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Prediksi positif palsu: 113<\/span><\/li>\n<li> <span style=\"color: #000000;\">#Prediksi negatif palsu: 1<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kita juga bisa mendapatkan model akurasi, yang memberi tahu kita persentase prediksi koreksi yang dibuat oleh model tersebut:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>print(\" <span style=\"color: #008000;\">Accuracy:<\/span> \", <span style=\"color: #3366ff;\">metrics.accuracy_score<\/span> (y_test, y_pred))l\n\nAccuracy: 0.962\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Hal ini menunjukkan bahwa model tersebut membuat prediksi yang benar mengenai apakah seseorang akan gagal bayar <strong>sebanyak 96,2%<\/strong> atau tidak.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat memplot kurva Karakteristik Operasi Penerima (ROC) yang menampilkan persentase positif sebenarnya yang diprediksi oleh model ketika ambang batas probabilitas prediksi diturunkan dari 1 menjadi 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Semakin tinggi AUC (area di bawah kurva), semakin akurat model kami dalam memprediksi hasil:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008080;\">#define metrics<\/span>\ny_pred_proba = log_regression. <span style=\"color: #3366ff;\">predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. <span style=\"color: #3366ff;\">roc_curve<\/span> (y_test, y_pred_proba)\nauc = metrics. <span style=\"color: #3366ff;\">roc_auc_score<\/span> (y_test, y_pred_proba)\n\n<span style=\"color: #008080;\">#create ROC curve\n<\/span>plt. <span style=\"color: #3366ff;\">plot<\/span> (fpr,tpr,label=\" <span style=\"color: #008000;\">AUC=<\/span> \"+str(auc))\nplt. <span style=\"color: #3366ff;\">legend<\/span> (loc=4)\nplt. <span style=\"color: #3366ff;\">show<\/span> ()\n<\/strong><\/span><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11591 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png\" alt=\"Kurva ROC dengan Python\" width=\"389\" height=\"262\" srcset=\"\" sizes=\"\"><\/p>\n<div class=\"entry-content entry-content-single\" data-content-ads-inserted=\"true\">\n<p> <em><span style=\"color: #000000;\">Kode Python lengkap yang digunakan dalam tutorial ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/logistic_regression.py\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/em><\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"<p>Regresi logistik adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya adalah biner. Regresi logistik menggunakan metode yang disebut estimasi kemungkinan maksimum untuk mencari persamaan dalam bentuk berikut: log[p(X) \/ ( 1 -p(X))] = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 + \u03b2 p [&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 Logistik dengan Python (Langkah demi Langkah) - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk 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\/python-regresi-logistik\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara Melakukan Regresi Logistik dengan Python (Langkah demi Langkah) - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:31:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.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=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\",\"url\":\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\",\"name\":\"Cara Melakukan Regresi Logistik dengan Python (Langkah demi Langkah) - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T11:31:28+00:00\",\"dateModified\":\"2023-07-27T11:31:28+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/python-regresi-logistik\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/python-regresi-logistik\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara melakukan regresi logistik 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 Logistik dengan Python (Langkah demi Langkah) - Statologi","description":"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk 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\/python-regresi-logistik\/","og_locale":"id_ID","og_type":"article","og_title":"Cara Melakukan Regresi Logistik dengan Python (Langkah demi Langkah) - Statologi","og_description":"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/python-regresi-logistik\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:31:28+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/auc1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/python-regresi-logistik\/","url":"https:\/\/statorials.org\/id\/python-regresi-logistik\/","name":"Cara Melakukan Regresi Logistik dengan Python (Langkah demi Langkah) - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T11:31:28+00:00","dateModified":"2023-07-27T11:31:28+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan regresi logistik dengan Python, termasuk contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/python-regresi-logistik\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/python-regresi-logistik\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/python-regresi-logistik\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara melakukan regresi logistik 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\/1157"}],"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=1157"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1157\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1157"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1157"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1157"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}