{"id":1197,"date":"2023-07-27T08:09:52","date_gmt":"2023-07-27T08:09:52","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-laso\/"},"modified":"2023-07-27T08:09:52","modified_gmt":"2023-07-27T08:09:52","slug":"regresi-laso","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-laso\/","title":{"rendered":"Pengantar regresi lasso"},"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. Artinya, ketika model diterapkan pada kumpulan data baru yang belum pernah ada sebelumnya, kemungkinan besar kinerjanya akan buruk.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan metode yang dikenal sebagai <strong>regresi laso<\/strong> , yang berupaya meminimalkan hal-hal berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>RSS + \u03bb\u03a3|\u03b2 <sub>j<\/sub> |<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">dimana <em>j<\/em> beralih dari 1 ke <em>p<\/em> dan \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 laso menghasilkan perkiraan koefisien yang sama dengan kuadrat terkecil.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, ketika \u03bb mendekati tak terhingga, penalti penghapusan menjadi lebih berpengaruh dan variabel prediktif yang tidak dapat diimpor ke dalam model dikurangi menjadi nol dan bahkan ada yang dikeluarkan dari model.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Mengapa menggunakan regresi Lasso?<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Keuntungan regresi laso 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 dari regresi laso 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 lebih lambat dan penurunan koefisien menyebabkan perkiraan yang terlalu rendah secara signifikan, yang 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 laso 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-11874 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/lasso1.png\" alt=\"Pengorbanan Bias-Varians Regresi Lasso\" width=\"490\" height=\"357\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Artinya, fitting model dengan regresi laso akan menghasilkan error pengujian yang lebih kecil dibandingkan dengan fitting model dengan regresi kuadrat terkecil.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Regresi Lasso vs regresi Ridge<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Regresi Lasso dan <a href=\"https:\/\/statorials.org\/id\/regresi-punggungan\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi Ridge<\/a> keduanya dikenal sebagai <em>metode regularisasi<\/em> karena keduanya berupaya meminimalkan jumlah sisa kuadrat (RSS) serta jangka waktu penalti tertentu.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan kata lain, mereka membatasi atau <em>mengatur<\/em> estimasi koefisien model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, ketentuan penalti yang mereka gunakan sedikit berbeda:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Regresi Lasso berupaya meminimalkan <strong>RSS + \u03bb\u03a3|\u03b2 <sub>j<\/sub> |<\/strong><\/span><\/li>\n<li> <span style=\"color: #000000;\">Regresi ridge berupaya meminimalkan <strong>RSS + \u03bb\u03a3\u03b2 <sub>j<\/sub> <sup>2<\/sup><\/strong><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Saat kita menggunakan regresi ridge, koefisien masing-masing prediktor dikurangi menjadi nol tetapi tidak ada satupun yang bisa mencapai <em>nol sepenuhnya<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Sebaliknya, jika kita menggunakan regresi laso, ada kemungkinan beberapa koefisien menjadi <em>nol sepenuhnya<\/em> ketika \u03bb menjadi cukup besar.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Secara teknis, regresi laso mampu menghasilkan model \u201csparse\u201d, yaitu model yang hanya menyertakan sebagian variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Hal ini menimbulkan pertanyaan: <strong>apakah regresi ridge atau regresi laso lebih baik?<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Jawabannya: tergantung!<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam kasus di mana hanya sejumlah kecil variabel prediktor yang signifikan, regresi laso cenderung bekerja lebih baik karena mampu mereduksi sepenuhnya variabel-variabel yang tidak signifikan menjadi nol dan menghapusnya dari model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, ketika banyak variabel prediktor signifikan dalam model dan koefisiennya kira-kira sama, regresi ridge cenderung bekerja lebih baik karena semua prediktor tetap berada dalam model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menentukan model mana yang paling efektif dalam membuat prediksi, kami melakukan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> . Model mana pun yang menghasilkan mean square error (MSE) terendah adalah model terbaik untuk digunakan.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah-langkah melakukan regresi laso dalam praktiknya<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Langkah-langkah berikut dapat digunakan untuk melakukan regresi laso:<\/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 laso mungkin tepat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika tidak terdapat multikolinearitas pada data, mungkin tidak perlu dilakukan regresi laso terlebih dahulu. Sebagai gantinya, kita dapat melakukan regresi kuadrat terkecil biasa.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 2: Sesuaikan model regresi laso dan pilih nilai \u03bb.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Setelah kami menentukan bahwa regresi laso sesuai, kami dapat menyesuaikan modelnya (menggunakan bahasa pemrograman populer seperti R atau Python) menggunakan nilai optimal untuk \u03bb.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menentukan nilai \u03bb yang optimal, kita dapat menyesuaikan beberapa model menggunakan nilai \u03bb yang berbeda dan memilih \u03bb sebagai nilai yang menghasilkan pengujian MSE terendah.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Langkah 3: Bandingkan regresi laso dengan regresi ridge dan regresi kuadrat terkecil biasa.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat membandingkan model regresi laso dengan model regresi ridge dan model regresi kuadrat terkecil untuk menentukan model mana yang menghasilkan uji MSE terendah menggunakan validasi silang k-fold.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Bergantung pada hubungan antara variabel prediktor dan variabel respons, sangat mungkin bahwa salah satu dari ketiga model ini akan mengungguli model lainnya dalam skenario yang berbeda.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Regresi Lasso dalam R &amp; Python<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut menjelaskan cara melakukan regresi laso di R dan Python:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/regresi-laso-di-sungai\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi Lasso di R (langkah demi langkah)<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/regresi-laso-dengan-python\/\" target=\"_blank\" rel=\"noopener noreferrer\">Regresi Lasso 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 Lasso - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.\" \/>\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-laso\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar Regresi Lasso - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-laso\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T08:09:52+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-laso\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-laso\/\",\"name\":\"Pengantar Regresi Lasso - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T08:09:52+00:00\",\"dateModified\":\"2023-07-27T08:09:52+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-laso\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-laso\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-laso\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar regresi lasso\"}]},{\"@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 Lasso - Statologi","description":"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.","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-laso\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar Regresi Lasso - Statologi","og_description":"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.","og_url":"https:\/\/statorials.org\/id\/regresi-laso\/","og_site_name":"Statorials","article_published_time":"2023-07-27T08:09:52+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-laso\/","url":"https:\/\/statorials.org\/id\/regresi-laso\/","name":"Pengantar Regresi Lasso - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T08:09:52+00:00","dateModified":"2023-07-27T08:09:52+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan tentang regresi laso, termasuk penjelasan dan contohnya.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-laso\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-laso\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-laso\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar regresi lasso"}]},{"@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\/1197"}],"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=1197"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1197\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1197"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1197"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1197"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}