{"id":1180,"date":"2023-07-27T09:32:37","date_gmt":"2023-07-27T09:32:37","guid":{"rendered":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/"},"modified":"2023-07-27T09:32:37","modified_gmt":"2023-07-27T09:32:37","slug":"pembelajaran-mesin-yang-berlebihan","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/","title":{"rendered":"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (penjelasan &amp; contoh)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Dalam pembelajaran mesin, kita sering kali membuat model sehingga kita dapat membuat prediksi akurat tentang fenomena tertentu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita ingin membuat <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">model regresi<\/a> yang menggunakan variabel prediktor <em>jam belajar<\/em> untuk memprediksi <em>skor ACT<\/em> variabel respon untuk siswa sekolah menengah.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk membangun model ini, kami akan mengumpulkan data tentang jumlah jam belajar dan skor ACT yang sesuai untuk ratusan siswa di distrik sekolah tertentu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami kemudian akan menggunakan data ini untuk <em>melatih<\/em> model yang dapat membuat prediksi tentang skor yang akan diterima siswa berdasarkan jumlah jam belajar.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menilai kegunaan model, kita dapat mengukur seberapa cocok prediksi model dengan data observasi. Salah satu metrik yang paling umum digunakan untuk melakukan hal ini adalah mean square error (MSE), yang dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">MSE = (1\/n)*\u03a3(y <sub>saya<\/sub> \u2013 f(x <sub>saya<\/sub> )) <sup>2<\/sup><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>n:<\/strong> jumlah total observasi<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>y <sub>i<\/sub> :<\/strong> Nilai respon observasi <sup>ke-i<\/sup><\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>f(x <sub>i<\/sub> ) :<\/strong> Nilai respon prediksi observasi <sup>ke<\/sup> -i<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Semakin dekat prediksi model dengan observasi, maka MSE akan semakin rendah.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, salah satu kesalahan terbesar yang dilakukan dalam pembelajaran mesin adalah mengoptimalkan model untuk mengurangi <strong>MSE pelatihan<\/strong> , yaitu seberapa cocok prediksi model dengan data yang kami gunakan untuk melatih model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ketika sebuah model terlalu berfokus pada pengurangan UMK pelatihan, sering kali model tersebut bekerja terlalu keras untuk menemukan pola dalam data pelatihan yang hanya disebabkan oleh kebetulan. Kemudian, ketika model diterapkan pada data yang tidak terlihat, performanya buruk.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Fenomena ini dikenal dengan istilah <strong>overfitting<\/strong> . Hal ini terjadi ketika kita \u201cmenyesuaikan\u201d model terlalu dekat dengan data pelatihan sehingga akhirnya membuat model yang tidak berguna untuk membuat prediksi pada data baru.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Contoh overfitting<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk memahami overfitting, mari kembali ke contoh pembuatan model regresi yang menggunakan <em>waktu belajar yang dihabiskan<\/em> untuk memprediksi <em>skor ACT<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Katakanlah kita mengumpulkan data untuk 100 siswa di distrik sekolah tertentu dan membuat diagram sebar cepat untuk memvisualisasikan hubungan antara dua variabel:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11736 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/surapprentissage1.png\" alt=\"\" width=\"471\" height=\"443\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Hubungan antara kedua variabel tampak bersifat kuadrat, jadi misalkan kita menerapkan model regresi kuadrat berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Skor = 60,1 + 5,4*(Jam) \u2013 0,2*(Jam) <sup>2<\/sup><\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11737 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/surapprentissage2.png\" alt=\"Overfitting dalam pembelajaran mesin\" width=\"472\" height=\"444\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Model ini memiliki mean square error pelatihan (MSE) sebesar <strong>3,45<\/strong> . Artinya, selisih akar rata-rata kuadrat antara prediksi yang dibuat model dan skor ACT sebenarnya adalah 3,45.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, kita dapat mengurangi UMK pelatihan ini dengan memasang model polinomial tingkat tinggi. Misalnya kita menerapkan model berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Skor = 64,3 \u2013 7,1*(Jam) + 8,1*(Jam) <sup>2<\/sup> \u2013 2,1*(Jam) <sup>3<\/sup> + 0,2*(Jam <sup>) 4 \u2013 0,1*(Jam) 5<\/sup> <sup>+<\/sup> 0,2(Jam) <sup>6<\/sup><\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11738 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/surapprentissage3.png\" alt=\"Model yang terlalu pas\" width=\"511\" height=\"480\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bagaimana garis regresi lebih cocok dengan data sebenarnya dibandingkan garis regresi sebelumnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Model ini memiliki root mean square error (MSE) pelatihan hanya sebesar <strong>0,89<\/strong> . Artinya, selisih akar rata-rata kuadrat antara prediksi yang dibuat model dan skor ACT sebenarnya adalah 0,89.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pelatihan UMK ini jauh lebih kecil dibandingkan dengan model sebelumnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, kami tidak terlalu peduli dengan <strong>UMK pelatihan<\/strong> , yaitu seberapa cocok prediksi model dengan data yang kami gunakan untuk melatih model. Sebaliknya, kami lebih mementingkan <strong>pengujian MSE<\/strong> \u2013 yaitu pengujian MSE ketika model kami diterapkan pada data yang tidak terlihat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita menerapkan model regresi polinomial tingkat tinggi di atas pada kumpulan data yang tidak terlihat, kemungkinan besar kinerjanya akan lebih buruk daripada model regresi kuadrat yang lebih sederhana. Artinya, hal ini akan menghasilkan tes MSE yang lebih tinggi, dan hal ini sebenarnya tidak kita inginkan.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Cara mendeteksi dan menghindari overfitting<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Cara paling sederhana untuk mendeteksi overfitting adalah dengan melakukan validasi silang. Metode yang paling umum digunakan dikenal sebagai <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">k-fold cross-validation<\/a> dan cara kerjanya sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 1: Bagi kumpulan data secara acak menjadi <em>k<\/em> kelompok, atau \u201clipatan\u201d, dengan ukuran yang kira-kira sama.<\/strong><\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11712 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kfold1.png\" alt=\"Bagi kumpulan data menjadi k lipatan\" width=\"530\" height=\"133\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 2: Pilih salah satu lipatan sebagai set pegangan Anda. Sesuaikan template dengan sisa k-1 lipatan. Hitung uji MSE pada pengamatan pada lapisan yang dikencangkan.<\/strong><\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11713 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kfold2.png\" alt=\"validasi silang k-fold\" width=\"550\" height=\"174\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 3: Ulangi proses ini sebanyak <em>k<\/em> kali, setiap kali menggunakan himpunan berbeda sebagai himpunan pengecualian.<\/strong><\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11714 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/kfold3.png\" alt=\"Contoh validasi silang k-fold\" width=\"618\" height=\"234\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 4: Hitung keseluruhan UMK tes sebagai rata-rata dari <em>k<\/em> UMK tes tersebut.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Uji MSE = (1\/k)*\u03a3MSE <sub>i<\/sub><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>k :<\/strong> Jumlah lipatan<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>MSE <sub>i<\/sub><\/strong> : Menguji MSE pada iterasi <sup>ke-i<\/sup><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Tes MSE ini memberi kita gambaran bagus tentang bagaimana kinerja model tertentu pada data yang tidak diketahui.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, kami dapat menyesuaikan beberapa model berbeda dan melakukan validasi silang k-fold pada setiap model untuk mengetahui uji MSE-nya. Kita kemudian dapat memilih model dengan uji MSE terendah sebagai model terbaik untuk digunakan dalam membuat prediksi di masa mendatang.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hal ini memastikan bahwa kami memilih model yang kemungkinan memiliki performa terbaik pada data masa depan, dibandingkan dengan model yang hanya meminimalkan UMK pelatihan dan \u201ccocok\u201d dengan data historis.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h3>\n<p> <a href=\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\" target=\"_blank\" rel=\"noopener noreferrer\">Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">Pengantar Validasi Silang K-Fold<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\">Model regresi dan klasifikasi dalam pembelajaran mesin<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dalam pembelajaran mesin, kita sering kali membuat model sehingga kita dapat membuat prediksi akurat tentang fenomena tertentu. Misalnya, kita ingin membuat model regresi yang menggunakan variabel prediktor jam belajar untuk memprediksi skor ACT variabel respon untuk siswa sekolah menengah. Untuk membangun model ini, kami akan mengumpulkan data tentang jumlah jam belajar dan skor ACT yang [&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>Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.\" \/>\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\/pembelajaran-mesin-yang-berlebihan\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T09:32:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/surapprentissage1.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\/pembelajaran-mesin-yang-berlebihan\/\",\"url\":\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\",\"name\":\"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T09:32:37+00:00\",\"dateModified\":\"2023-07-27T09:32:37+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (penjelasan &amp; contoh)\"}]},{\"@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":"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)","description":"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.","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\/pembelajaran-mesin-yang-berlebihan\/","og_locale":"id_ID","og_type":"article","og_title":"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)","og_description":"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.","og_url":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/","og_site_name":"Statorials","article_published_time":"2023-07-27T09:32:37+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/surapprentissage1.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\/pembelajaran-mesin-yang-berlebihan\/","url":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/","name":"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (Penjelasan dan contoh)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T09:32:37+00:00","dateModified":"2023-07-27T09:32:37+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan penjelasan mengenai overfitting dalam machine learning, termasuk beberapa contoh dan cara menghindarinya dalam praktik.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Apa yang dimaksud dengan overfitting dalam pembelajaran mesin? (penjelasan &amp; contoh)"}]},{"@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\/1180"}],"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=1180"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1180\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1180"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1180"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1180"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}