{"id":1207,"date":"2023-07-27T07:20:18","date_gmt":"2023-07-27T07:20:18","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/"},"modified":"2023-07-27T07:20:18","modified_gmt":"2023-07-27T07:20:18","slug":"regresi-komponen-utama-dengan-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/","title":{"rendered":"Regresi komponen utama dengan python (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Mengingat sekumpulan variabel prediktor <em>p<\/em> dan variabel respons, <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier berganda<\/a> menggunakan metode yang dikenal sebagai kuadrat terkecil untuk meminimalkan jumlah sisa kuadrat (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,<\/span> <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">multikolinearitas<\/a> <span style=\"color: #000000;\">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 menghindari masalah ini adalah dengan menggunakan <a href=\"https:\/\/statorials.org\/id\/regresi-komponen-utama\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi komponen utama<\/a> , yang menemukan <em>M<\/em> kombinasi linier (disebut &#8220;komponen utama&#8221;) dari prediktor <em>p<\/em> asli dan kemudian menggunakan kuadrat terkecil agar sesuai dengan model regresi linier yang menggunakan komponen utama sebagai prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi komponen utama dengan Python.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Impor paket yang diperlukan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Pertama, kita akan mengimpor paket yang diperlukan untuk melakukan regresi komponen utama (PCR) dengan Python:<\/span><\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008000;\">import<\/span> numpy <span style=\"color: #008000;\">as<\/span> np\n<span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">preprocessing<\/span> <span style=\"color: #008000;\">import<\/span> scale \n<span style=\"color: #008000;\">from<\/span> sklearn <span style=\"color: #008000;\">import<\/span> model_selection\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> RepeatedKFold\n<span style=\"color: #008000;\">from<\/span> sklearn.model_selection <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from<\/span> sklearn. PCA <span style=\"color: #008000;\">import<\/span> <span style=\"color: #3366ff;\">decomposition<\/span>\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">linear_model<\/span> <span style=\"color: #008000;\">import<\/span> LinearRegression\n<span style=\"color: #008000;\">from<\/span> sklearn. <span style=\"color: #3366ff;\">metrics<\/span> <span style=\"color: #008000;\">import<\/span> mean_squared_error\n<\/strong><\/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 bernama <strong>mtcars<\/strong> , yang berisi informasi tentang 33 mobil berbeda. Kita akan menggunakan <strong>hp<\/strong> sebagai variabel respon dan variabel berikut sebagai prediktor:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">mpg<\/span><\/li>\n<li> <span style=\"color: #000000;\">menampilkan<\/span><\/li>\n<li> <span style=\"color: #000000;\">kotoran<\/span><\/li>\n<li> <span style=\"color: #000000;\">berat<\/span><\/li>\n<li> <span style=\"color: #000000;\">qdetik<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Kode berikut menunjukkan cara memuat dan menampilkan kumpulan data ini:<\/span><\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008080;\">#define URL where data is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n<span style=\"color: #008080;\">#read in data\n<\/span>data_full = pd. <span style=\"color: #3366ff;\">read_csv<\/span> (url)\n\n<span style=\"color: #008080;\">#select subset of data\n<\/span>data = data_full[[\"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\", \"hp\"]]\n\n<span style=\"color: #008080;\">#view first six rows of data\n<\/span>data[0:6]\n\n\n        mpg disp drat wt qsec hp\n0 21.0 160.0 3.90 2.620 16.46 110\n1 21.0 160.0 3.90 2.875 17.02 110\n2 22.8 108.0 3.85 2.320 18.61 93\n3 21.4 258.0 3.08 3.215 19.44 110\n4 18.7 360.0 3.15 3.440 17.02 175\n5 18.1 225.0 2.76 3.460 20.22 105<\/strong><\/span><\/pre>\n<h3> <strong>Langkah 3: Sesuaikan model PCR<\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara menyesuaikan model PCR dengan data ini. Perhatikan hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>pca.fit_transform(scale(X))<\/strong> : Ini memberi tahu Python bahwa setiap variabel prediktor harus diskalakan agar memiliki rata-rata 0 dan deviasi standar 1. Hal ini memastikan bahwa tidak ada variabel prediktor yang memiliki pengaruh terlalu besar dalam model jika ini terjadi. diukur dalam satuan yang berbeda.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>cv = RepeatedKFold()<\/strong> : Ini memberitahu Python untuk menggunakan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> untuk mengevaluasi kinerja model. Untuk contoh ini kita pilih k = 10 kali lipat, diulang sebanyak 3 kali.<\/span> <\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><span style=\"color: #008080;\">#define predictor and response variables\n<\/span>X = data[[\"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\"]]\ny = data[[\"hp\"]]\n\n<span style=\"color: #008080;\">#scale predictor variables\n<\/span>pca = pca()\nX_reduced = pca. <span style=\"color: #3366ff;\">fit_transform<\/span> ( <span style=\"color: #3366ff;\">scale<\/span> (X))\n\n<span style=\"color: #008080;\">#define cross validation method\n<\/span>cv = RepeatedKFold(n_splits= <span style=\"color: #008000;\">10<\/span> , n_repeats= <span style=\"color: #008000;\">3<\/span> , random_state= <span style=\"color: #008000;\">1<\/span> )\n\nregr = LinearRegression()\nmse = []\n\n<span style=\"color: #008080;\"># Calculate MSE with only the intercept\n<\/span>score = -1*model_selection. <span style=\"color: #3366ff;\">cross_val_score<\/span> (regr,\n           n.p. <span style=\"color: #3366ff;\">ones<\/span> ((len(X_reduced),1)), y, cv=cv,\n           scoring=' <span style=\"color: #008000;\">neg_mean_squared_error<\/span> '). <span style=\"color: #3366ff;\">mean<\/span> ()    \nmse. <span style=\"color: #3366ff;\">append<\/span> (score)\n\n<span style=\"color: #008080;\"># Calculate MSE using cross-validation, adding one component at a time\n<\/span><span style=\"color: #008000;\">for<\/span> i <span style=\"color: #008000;\">in<\/span> np. <span style=\"color: #3366ff;\">arange<\/span> (1, 6):\n    score = -1*model_selection. <span style=\"color: #3366ff;\">cross_val_score<\/span> (regr,\n               X_reduced[:,:i], y, cv=cv, scoring=' <span style=\"color: #008000;\">neg_mean_squared_error<\/span> '). <span style=\"color: #3366ff;\">mean<\/span> ()\n    mse. <span style=\"color: #3366ff;\">append<\/span> (score)\n    \n<span style=\"color: #008080;\"># Plot cross-validation results    \n<\/span>plt. <span style=\"color: #3366ff;\">plot<\/span> (mse)\nplt. <span style=\"color: #3366ff;\">xlabel<\/span> ('Number of Principal Components')\nplt. <span style=\"color: #3366ff;\">ylabel<\/span> ('MSE')\nplt. <span style=\"color: #3366ff;\">title<\/span> ('hp')<\/strong><\/span> <\/pre>\n<h3><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11950 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcrpython1.png\" alt=\"Regresi Komponen Utama dengan Python\" width=\"424\" height=\"285\" srcset=\"\" sizes=\"\"><\/h3>\n<p> <span style=\"color: #000000;\">Plot menampilkan jumlah komponen utama sepanjang sumbu x dan pengujian MSE (mean square error) sepanjang sumbu y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dari grafik terlihat bahwa MSE pengujian menurun dengan penambahan dua komponen utama, namun mulai meningkat jika kita menambahkan lebih dari dua komponen utama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan demikian, model optimal hanya mencakup dua komponen utama pertama.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat menggunakan kode berikut untuk menghitung persentase varians dalam variabel respon yang dijelaskan dengan menambahkan setiap komponen utama ke model:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong>n.p. <span style=\"color: #3366ff;\">cumsum<\/span> (np. <span style=\"color: #3366ff;\">round<\/span> (pca. <span style=\"color: #3366ff;\">explained_variance_ratio_<\/span> , decimals= <span style=\"color: #008000;\">4<\/span> )* <span style=\"color: #008000;\">100<\/span> )\n\narray([69.83, 89.35, 95.88, 98.95, 99.99])\n<\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Kita dapat melihat hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Dengan hanya menggunakan komponen utama pertama, kita dapat menjelaskan <strong>69,83%<\/strong> variasi variabel respon.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Dengan menambahkan komponen utama kedua, kita dapat menjelaskan <strong>89,35%<\/strong> variasi variabel respon.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa kita masih dapat menjelaskan lebih banyak varians dengan menggunakan lebih banyak komponen utama, namun kita dapat melihat bahwa menambahkan lebih dari dua komponen utama tidak benar-benar meningkatkan persentase varians yang dijelaskan sebanyak itu.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 4: Gunakan model akhir untuk membuat prediksi<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan model PCR dua komponen utama terakhir untuk membuat prediksi tentang observasi baru.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara membagi kumpulan data asli menjadi kumpulan pelatihan dan pengujian serta menggunakan model PCR dengan dua komponen utama untuk membuat prediksi pada kumpulan pengujian.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <span style=\"color: #000000;\"><strong><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= <span style=\"color: #008000;\">0.3<\/span> , random_state= <span style=\"color: #008000;\">0<\/span> ) \n\n<span style=\"color: #008080;\">#scale the training and testing data\n<\/span>X_reduced_train = pca. <span style=\"color: #3366ff;\">fit_transform<\/span> ( <span style=\"color: #3366ff;\">scale<\/span> (X_train))\nX_reduced_test = pca. <span style=\"color: #3366ff;\">transform<\/span> ( <span style=\"color: #3366ff;\">scale<\/span> (X_test))[:,:1]\n\n<span style=\"color: #008080;\">#train PCR model on training data \n<\/span>regr = LinearRegression()\nreg. <span style=\"color: #3366ff;\">fit<\/span> (X_reduced_train[:,:1], y_train)\n\n<span style=\"color: #008080;\">#calculate RMSE\n<\/span>pred = regr. <span style=\"color: #3366ff;\">predict<\/span> (X_reduced_test)\nn.p. <span style=\"color: #3366ff;\">sqrt<\/span> ( <span style=\"color: #3366ff;\">mean_squared_error<\/span> (y_test, pred))\n\n40.2096\n<\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Kita melihat bahwa tes RMSE ternyata <strong>40.2096<\/strong> . Ini adalah deviasi rata-rata antara nilai <em>hp<\/em> yang diprediksi dan nilai <em>hp<\/em> yang diamati untuk observasi set pengujian.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode Python lengkap yang digunakan dalam contoh ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/Python-Guides\/blob\/main\/principal_components_regression.py\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Mengingat sekumpulan variabel prediktor p dan variabel respons, regresi linier berganda menggunakan metode yang dikenal sebagai kuadrat terkecil untuk meminimalkan jumlah sisa kuadrat (RSS): RSS = \u03a3(y saya \u2013 \u0177 saya ) 2 Emas: \u03a3 : Simbol Yunani yang berarti jumlah y i : nilai respon sebenarnya untuk observasi ke-i \u0177 i : Nilai respons [&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>Regresi Komponen Utama dengan Python (Langkah demi Langkah)<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan regresi komponen utama 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\/regresi-komponen-utama-dengan-python\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Regresi Komponen Utama dengan Python (Langkah demi Langkah)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan regresi komponen utama dengan Python, termasuk contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T07:20:18+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcrpython1.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-komponen-utama-dengan-python\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/\",\"name\":\"Regresi Komponen Utama dengan Python (Langkah demi Langkah)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T07:20:18+00:00\",\"dateModified\":\"2023-07-27T07:20:18+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan regresi komponen utama dengan Python, termasuk contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Regresi komponen utama 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":"Regresi Komponen Utama dengan Python (Langkah demi Langkah)","description":"Tutorial ini menjelaskan cara melakukan regresi komponen utama 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\/regresi-komponen-utama-dengan-python\/","og_locale":"id_ID","og_type":"article","og_title":"Regresi Komponen Utama dengan Python (Langkah demi Langkah)","og_description":"Tutorial ini menjelaskan cara melakukan regresi komponen utama dengan Python, termasuk contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/","og_site_name":"Statorials","article_published_time":"2023-07-27T07:20:18+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcrpython1.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-komponen-utama-dengan-python\/","url":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/","name":"Regresi Komponen Utama dengan Python (Langkah demi Langkah)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T07:20:18+00:00","dateModified":"2023-07-27T07:20:18+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan regresi komponen utama dengan Python, termasuk contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-komponen-utama-dengan-python\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Regresi komponen utama 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\/1207"}],"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=1207"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1207\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1207"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1207"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1207"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}