{"id":1194,"date":"2023-07-27T08:26:08","date_gmt":"2023-07-27T08:26:08","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-punggungan\/"},"modified":"2023-07-27T08:26:08","modified_gmt":"2023-07-27T08:26:08","slug":"regresi-punggungan","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-punggungan\/","title":{"rendered":"Pengantar regresi ridge"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Dalam <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier berganda<\/a> biasa, kami menggunakan sekumpulan variabel prediktor <em>p<\/em> dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> agar sesuai dengan model dalam bentuk:<\/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;\">Namun, ketika variabel prediktor berkorelasi tinggi, <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">multikolinearitas<\/a> bisa menjadi masalah. Hal ini dapat membuat estimasi koefisien model tidak dapat diandalkan dan menunjukkan varians yang tinggi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu cara untuk mengatasi masalah ini tanpa menghilangkan sepenuhnya variabel prediktor tertentu dari model adalah dengan menggunakan metode yang dikenal sebagai <strong>regresi ridge<\/strong> , yang berupaya meminimalkan hal-hal berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>RSS + \u03bb\u03a3\u03b2 <sub>j<\/sub> <sup>2<\/sup><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">dimana <em>j<\/em> beralih dari 1 ke <em>p<\/em> dan<\/span> <span style=\"color: #000000;\">\u03bb \u2265 0.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Suku kedua dalam persamaan ini dikenal sebagai <em>penalti penarikan<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ketika \u03bb = 0, suku penalti ini tidak berpengaruh dan regresi ridge menghasilkan estimasi koefisien yang sama dengan kuadrat terkecil. Namun, ketika \u03bb mendekati tak terhingga, penalti penyusutan menjadi lebih berpengaruh dan perkiraan koefisien regresi puncak mendekati nol.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Secara umum, variabel prediktor yang paling kecil pengaruhnya dalam model akan menurun paling cepat menuju nol.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Mengapa menggunakan Regresi Ridge?<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Keuntungan regresi Ridge dibandingkan regresi kuadrat terkecil adalah <a href=\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\" target=\"_blank\" rel=\"noopener noreferrer\">tradeoff bias-varians<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ingatlah bahwa Mean Square Error (MSE) adalah metrik yang dapat kita gunakan untuk mengukur keakuratan model tertentu dan dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">MSE = Var( <em class=\"ph i\">f\u0302(<\/em> x <sub>0<\/sub> )) + [Bias( <em class=\"ph i\">f\u0302(<\/em> x <sub>0<\/sub> ))] <sup>2<\/sup> + Var(\u03b5)<\/span><\/p>\n<p> <span style=\"color: #000000;\">MSE = Varians + Bias <sup>2<\/sup> + Kesalahan yang tidak dapat direduksi<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ide dasar regresi Ridge adalah untuk memperkenalkan bias kecil sehingga varians dapat dikurangi secara signifikan, sehingga menghasilkan UMK yang lebih rendah secara keseluruhan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk mengilustrasikannya, perhatikan grafik berikut:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11851 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/crete1.png\" alt=\"Pengorbanan Bias-Varians Regresi Ridge\" width=\"468\" height=\"341\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa ketika \u03bb meningkat, variansnya berkurang secara signifikan dengan peningkatan bias yang sangat kecil. Namun, setelah melewati titik tertentu, varians berkurang dengan lebih cepat dan penurunan koefisien menyebabkan perkiraan yang terlalu rendah, sehingga menyebabkan peningkatan tajam dalam bias.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat melihat dari grafik bahwa MSE pengujian paling rendah ketika kita memilih nilai \u03bb yang menghasilkan trade-off optimal antara bias dan varians.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ketika \u03bb = 0, suku penalti dalam regresi ridge tidak berpengaruh dan oleh karena itu menghasilkan estimasi koefisien yang sama dengan kuadrat terkecil. Namun, dengan meningkatkan \u03bb hingga titik tertentu, kita dapat mengurangi MSE pengujian secara keseluruhan.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11852 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/crete2.png\" alt=\"Uji Regresi Ridge Pengurangan MSE\" width=\"529\" height=\"378\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Artinya, fitting model dengan regresi ridge akan menghasilkan error pengujian yang lebih kecil dibandingkan dengan fitting model dengan regresi kuadrat terkecil.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah-Langkah Melakukan Regresi Ridge dalam Praktek<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Langkah-langkah berikut dapat digunakan untuk melakukan regresi ridge:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 1: Hitung matriks korelasi dan nilai VIF untuk variabel prediktor.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kita perlu membuat <a href=\"https:\/\/statorials.org\/id\/cara-membaca-matriks-korelasi\/\" target=\"_blank\" rel=\"noopener noreferrer\">matriks korelasi<\/a> dan menghitung <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">nilai VIF (variance inflasi faktor)<\/a> untuk setiap variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita mendeteksi korelasi yang kuat antara variabel prediktor dan nilai VIF yang tinggi (beberapa teks mendefinisikan nilai VIF &#8220;tinggi&#8221; sebagai 5 sementara yang lain menggunakan 10), maka regresi ridge mungkin tepat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika tidak terdapat multikolinearitas pada data, regresi ridge mungkin tidak perlu dilakukan terlebih dahulu. Sebagai gantinya, kita dapat melakukan regresi kuadrat terkecil biasa.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 2: Standarisasi setiap variabel prediktor.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Sebelum melakukan regresi ridge, kita perlu menskalakan data sedemikian rupa sehingga setiap variabel prediktor memiliki rata-rata 0 dan standar deviasi 1. Hal ini memastikan bahwa tidak ada satu variabel prediktor yang memiliki pengaruh berlebihan saat menjalankan regresi ridge.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 3: Sesuaikan model regresi ridge dan pilih nilai \u03bb.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Tidak ada rumus pasti yang dapat kita gunakan untuk menentukan nilai apa yang akan digunakan untuk \u03bb. Dalam praktiknya, ada dua cara umum untuk memilih \u03bb:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(1) Buat plot jejak Ridge.<\/strong> Ini adalah grafik yang memvisualisasikan nilai perkiraan koefisien seiring dengan peningkatan \u03bb menuju tak terhingga. Biasanya, kita memilih \u03bb sebagai nilai dimana sebagian besar estimasi koefisien mulai stabil.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11853 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/crete3.png\" alt=\"Jejak punggung bukit\" width=\"539\" height=\"389\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\"><strong>(2) Hitung uji MSE untuk setiap nilai \u03bb.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Cara lain untuk memilih \u03bb adalah dengan menghitung MSE pengujian setiap model dengan nilai \u03bb yang berbeda dan memilih \u03bb sebagai nilai yang menghasilkan MSE pengujian terendah.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Keuntungan dan Kerugian Regresi Ridge<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Keuntungan<\/strong> terbesar dari regresi Ridge adalah kemampuannya untuk menghasilkan test mean square error (MSE) yang lebih rendah daripada kuadrat terkecil ketika terdapat multikolinearitas.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, <strong>kelemahan<\/strong> terbesar dari regresi Ridge adalah ketidakmampuannya melakukan pemilihan variabel karena mencakup semua variabel prediktor dalam model akhir. Karena beberapa prediktor akan berkurang mendekati nol, hal ini dapat mempersulit interpretasi hasil model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, regresi Ridge berpotensi menghasilkan model yang mampu membuat prediksi lebih baik dibandingkan model kuadrat terkecil, namun seringkali lebih sulit untuk menginterpretasikan hasil model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Bergantung pada apakah interpretasi model atau akurasi perkiraan lebih penting bagi Anda, Anda dapat memilih untuk menggunakan regresi kuadrat terkecil atau regresi ridge dalam skenario yang berbeda.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Regresi Ridge dalam R &amp; Python<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut menjelaskan cara melakukan regresi ridge di R dan Python, dua bahasa yang paling umum digunakan untuk menyesuaikan model regresi ridge:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/regresi-puncak-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi Ridge di R (langkah demi langkah)<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/regresi-puncak-dengan-python\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi Ridge dengan Python (Langkah demi Langkah)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dalam regresi linier berganda biasa, kami menggunakan sekumpulan variabel prediktor p dan variabel respons agar sesuai dengan model dalam bentuk: Y = \u03b2 0 + \u03b2 1 X 1 + \u03b2 2 X 2 + \u2026 + \u03b2 p Emas: Y : Variabel respon X j : variabel prediktif ke -j \u03b2 j : Efek [&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 Ridge - Statorials<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.\" \/>\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-punggungan\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar Regresi Ridge - Statorials\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-punggungan\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T08:26:08+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/crete1.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-punggungan\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-punggungan\/\",\"name\":\"Pengantar Regresi Ridge - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T08:26:08+00:00\",\"dateModified\":\"2023-07-27T08:26:08+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-punggungan\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-punggungan\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-punggungan\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar regresi ridge\"}]},{\"@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 Ridge - Statorials","description":"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.","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-punggungan\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar Regresi Ridge - Statorials","og_description":"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.","og_url":"https:\/\/statorials.org\/id\/regresi-punggungan\/","og_site_name":"Statorials","article_published_time":"2023-07-27T08:26:08+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/crete1.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-punggungan\/","url":"https:\/\/statorials.org\/id\/regresi-punggungan\/","name":"Pengantar Regresi Ridge - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T08:26:08+00:00","dateModified":"2023-07-27T08:26:08+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan singkat tentang regresi ridge, termasuk penjelasan dan contoh.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-punggungan\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-punggungan\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-punggungan\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar regresi ridge"}]},{"@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\/1194"}],"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=1194"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1194\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1194"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1194"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1194"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}