{"id":1163,"date":"2023-07-27T11:00:03","date_gmt":"2023-07-27T11:00:03","guid":{"rendered":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/"},"modified":"2023-07-27T11:00:03","modified_gmt":"2023-07-27T11:00:03","slug":"analisis-diskriminan-linier-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/","title":{"rendered":"Analisis diskriminan linier di r (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><a href=\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">Analisis diskriminan linier<\/a> adalah metode yang dapat Anda gunakan ketika Anda memiliki sekumpulan variabel prediktor dan ingin mengklasifikasikan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> ke dalam dua kelas atau lebih.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis diskriminan linier di R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Muat Perpustakaan yang Diperlukan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Pertama, kami akan memuat perpustakaan yang diperlukan untuk contoh ini:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><b><span style=\"color: #993300;\">library<\/span> (MASS)\n<span style=\"color: #993300;\">library<\/span> (ggplot2)<\/b><\/span><\/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 kumpulan data <strong>iris<\/strong> yang terpasang di R. Kode berikut menunjukkan cara memuat dan menampilkan kumpulan data ini:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#attach <em>iris<\/em> dataset to make it easy to work with<\/span>\nattach(iris)\n\n<span style=\"color: #008080;\">#view structure of dataset\n<\/span>str(iris)\n\n'data.frame': 150 obs. of 5 variables:\n $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...\n $ Sepal.Width: num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...\n $Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...\n $Petal.Width: num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...\n $ Species: Factor w\/ 3 levels \"setosa\",\"versicolor\",..: 1 1 1 1 1 1 1 ...\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kita dapat melihat bahwa dataset tersebut berisi 5 variabel dan total 150 observasi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan membangun model analisis diskriminan linier untuk mengklasifikasikan spesies bunga tertentu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami akan menggunakan variabel prediktor berikut dalam model:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Sepal.panjang<\/span><\/li>\n<li> <span style=\"color: #000000;\">Sepal.Lebar<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kelopak. Panjang<\/span><\/li>\n<li> <span style=\"color: #000000;\">Kelopak. Lebar<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dan kita akan menggunakannya untuk memprediksi variabel respon <em>Spesies<\/em> , yang mendukung tiga kelas potensial berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">setosa<\/span><\/li>\n<li> <span style=\"color: #000000;\">versikolor<\/span><\/li>\n<li> <span style=\"color: #000000;\">Virginia<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 3: Skalakan data<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Salah satu asumsi utama analisis diskriminan linier adalah bahwa setiap variabel prediktor mempunyai varian yang sama. Cara sederhana untuk memastikan asumsi ini terpenuhi adalah dengan menskalakan setiap variabel sedemikian rupa sehingga memiliki rata-rata 0 dan deviasi standar 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat melakukan ini dengan cepat di R menggunakan fungsi <strong>scale()<\/strong> :<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#scale each predictor variable (ie first 4 columns)\n<\/span>iris[1:4] &lt;- scale(iris[1:4])\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan <a href=\"https:\/\/statorials.org\/id\/panduan-untuk-menerapkan-lapply-sapply-dan-tapply-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">fungsi apply()<\/a> untuk memverifikasi bahwa setiap variabel prediktor kini memiliki rata-rata 0 dan <a href=\"https:\/\/statorials.org\/id\/simpangan-baku-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">deviasi standar<\/a> 1:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#find mean of each predictor variable\n<\/span>apply(iris[1:4], 2, mean)\n\n Sepal.Length Sepal.Width Petal.Length Petal.Width \n-4.484318e-16 2.034094e-16 -2.895326e-17 -3.663049e-17 \n\n<span style=\"color: #008080;\">#find standard deviation of each predictor variable\n<\/span>apply(iris[1:4], 2, sd) \n\nSepal.Length Sepal.Width Petal.Length Petal.Width \n           1 1 1 1\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Buat sampel pelatihan dan pengujian<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita akan membagi kumpulan data menjadi kumpulan pelatihan untuk melatih model dan kumpulan pengujian untuk menguji model:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<\/span>set.seed(1)\n\n<span style=\"color: #008080;\">#Use 70% of dataset as training set and remaining 30% as testing set\n<\/span>sample &lt;- sample(c( <span style=\"color: #008000;\">TRUE<\/span> , <span style=\"color: #008000;\">FALSE<\/span> ), <span style=\"color: #3366ff;\">nrow<\/span> (iris), <span style=\"color: #3366ff;\">replace<\/span> = <span style=\"color: #008000;\">TRUE<\/span> , <span style=\"color: #3366ff;\">prob<\/span> =c(0.7,0.3))\ntrain &lt;- iris[sample, ]\ntest &lt;- iris[!sample, ] \n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 5: Sesuaikan model LDA<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita akan menggunakan <a href=\"https:\/\/www.rdocumentation.org\/packages\/MASS\/versions\/7.3-53\/topics\/lda\" target=\"_blank\" rel=\"noopener noreferrer\">fungsi lda()<\/a> dari paket <strong>MASS<\/strong> untuk mengadaptasi model LDA ke data kita:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#fit LDA model\n<\/span>model &lt;- lda(Species~., data=train)\n\n<span style=\"color: #008080;\">#view model output<\/span>\nmodel\n\nCall:\nlda(Species ~ ., data = train)\n\nPrior probabilities of groups:\n    setosa versicolor virginica \n 0.3207547 0.3207547 0.3584906 \n\nGroup means:\n           Sepal.Length Sepal.Width Petal.Length Petal.Width\nsetosa -1.0397484 0.8131654 -1.2891006 -1.2570316\nversicolor 0.1820921 -0.6038909 0.3403524 0.2208153\nvirginica 0.9582674 -0.1919146 1.0389776 1.1229172\n\nCoefficients of linear discriminants:\n                    LD1 LD2\nSepal.Length 0.7922820 0.5294210\nSepal.Width 0.5710586 0.7130743\nPetal.Length -4.0762061 -2.7305131\nPetal.Width -2.0602181 2.6326229\n\nProportion of traces:\n   LD1 LD2 \n0.9921 0.0079 \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Berikut cara menginterpretasikan hasil model:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Kelompokkan probabilitas sebelumnya:<\/strong> Ini mewakili proporsi setiap spesies dalam set pelatihan. Misalnya, 35,8% dari seluruh observasi di set pelatihan ditujukan untuk spesies <em>virginica<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Rata-rata kelompok:<\/strong> Ini menampilkan nilai rata-rata setiap variabel prediktor untuk setiap spesies.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Koefisien Diskriminan Linier:<\/strong> Ini menampilkan kombinasi linier variabel prediktor yang digunakan untuk melatih aturan keputusan model LDA. Misalnya:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>LD1:<\/strong> 0,792 * panjang sepal + 0,571 * lebar sepal \u2013 4,076 * panjang kelopak \u2013 2,06 * lebar kelopak<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>LD2:<\/strong> 0,529 * panjang sepal + 0,713 * lebar sepal \u2013 2,731 * panjang kelopak + 2,63 * lebar kelopak<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>Proporsi Jejak:<\/strong> Ini menampilkan persentase pemisahan yang dicapai oleh setiap fungsi diskriminan linier.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 6: Gunakan model untuk membuat prediksi<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Setelah kita memasang model menggunakan data pelatihan, kita dapat menggunakannya untuk membuat prediksi pada data pengujian:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#use LDA model to make predictions on test data\n<\/span>predicted &lt;- <span style=\"color: #3366ff;\">predict<\/span> (model, test)\n\nnames(predicted)\n\n[1] \"class\" \"posterior\" \"x\"   \n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Ini mengembalikan daftar dengan tiga variabel:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>kelas:<\/strong> kelas yang diprediksi<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>posterior:<\/strong> <a href=\"https:\/\/statorials.org\/id\/probabilitas-posterior\/\" target=\"_blank\" rel=\"noopener noreferrer\">Probabilitas posterior<\/a> bahwa suatu observasi termasuk dalam setiap kelas<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>x:<\/strong> Diskriminan linier<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kami dapat dengan cepat memvisualisasikan masing-masing hasil ini untuk enam observasi pertama dalam kumpulan data pengujian kami:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view predicted class for first six observations in test set\n<\/span>head(predicted$class)\n\n[1] setosa setosa setosa setosa setosa setosa\nLevels: setosa versicolor virginica\n\n<span style=\"color: #008080;\">#view posterior probabilities for first six observations in test set<\/span>\nhead(predicted$posterior)\n\n   setosa versicolor virginica\n4 1 2.425563e-17 1.341984e-35\n6 1 1.400976e-21 4.482684e-40\n7 1 3.345770e-19 1.511748e-37\n15 1 6.389105e-31 7.361660e-53\n17 1 1.193282e-25 2.238696e-45\n18 1 6.445594e-22 4.894053e-41\n\n<span style=\"color: #008080;\">#view linear discriminants for first six observations in test set\n<\/span>head(predicted$x)\n\n         LD1 LD2\n4 7.150360 -0.7177382\n6 7.961538 1.4839408\n7 7.504033 0.2731178\n15 10.170378 1.9859027\n17 8.885168 2.1026494\n18 8.113443 0.7563902\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan kode berikut untuk melihat berapa persentase pengamatan model LDA yang memprediksi spesies dengan benar:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#find accuracy of model\n<\/span>mean(predicted$class==test$Species)\n\n[1] 1<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Ternyata model tersebut memprediksi spesies dengan tepat untuk <strong>100%<\/strong> observasi dalam kumpulan data pengujian kami.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Di dunia nyata, model LDA jarang memprediksi dengan tepat hasil setiap kelas, tetapi kumpulan data iris ini dibuat sedemikian rupa sehingga algoritme pembelajaran mesin cenderung bekerja dengan sangat baik.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 7: Visualisasikan hasilnya<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat membuat plot LDA untuk memvisualisasikan diskriminan linier model dan memvisualisasikan seberapa baik model tersebut memisahkan tiga spesies berbeda dalam kumpulan data kita:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define data to plot\n<\/span>lda_plot &lt;- cbind(train, predict(model)$x)\n\n<span style=\"color: #008080;\">#createplot\n<\/span>ggplot(lda_plot, <span style=\"color: #3366ff;\">aes<\/span> (LD1, LD2)) +\n  geom_point( <span style=\"color: #3366ff;\">aes<\/span> (color=Species))\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11639 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.png\" alt=\"Analisis Diskriminan Linier pada R\" width=\"431\" height=\"427\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Anda dapat menemukan kode R lengkap yang digunakan dalam tutorial ini <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/linear_discriminant_analysis\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Analisis diskriminan linier adalah metode yang dapat Anda gunakan ketika Anda memiliki sekumpulan variabel prediktor dan ingin mengklasifikasikan variabel respons ke dalam dua kelas atau lebih. Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan analisis diskriminan linier di R. Langkah 1: Muat Perpustakaan yang Diperlukan Pertama, kami akan memuat perpustakaan yang diperlukan untuk [&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>Analisis Diskriminan Linier di R (langkah demi langkah)<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, 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\/analisis-diskriminan-linier-di-r\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Analisis Diskriminan Linier di R (langkah demi langkah)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, termasuk contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T11:00:03+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.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\/analisis-diskriminan-linier-di-r\/\",\"url\":\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/\",\"name\":\"Analisis Diskriminan Linier di R (langkah demi langkah)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T11:00:03+00:00\",\"dateModified\":\"2023-07-27T11:00:03+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, termasuk contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Analisis diskriminan linier di r (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":"Analisis Diskriminan Linier di R (langkah demi langkah)","description":"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, 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\/analisis-diskriminan-linier-di-r\/","og_locale":"id_ID","og_type":"article","og_title":"Analisis Diskriminan Linier di R (langkah demi langkah)","og_description":"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, termasuk contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T11:00:03+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lda_r1.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\/analisis-diskriminan-linier-di-r\/","url":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/","name":"Analisis Diskriminan Linier di R (langkah demi langkah)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T11:00:03+00:00","dateModified":"2023-07-27T11:00:03+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan analisis diskriminan linier di R, termasuk contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/analisis-diskriminan-linier-di-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Analisis diskriminan linier di r (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\/1163"}],"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=1163"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1163\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1163"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1163"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1163"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}