{"id":1211,"date":"2023-07-27T06:58:14","date_gmt":"2023-07-27T06:58:14","guid":{"rendered":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/"},"modified":"2023-07-27T06:58:14","modified_gmt":"2023-07-27T06:58:14","slug":"kuadrat-terkecil-parsial-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/","title":{"rendered":"Kuadrat terkecil parsial di r (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Salah satu masalah paling umum yang akan Anda temui dalam pembelajaran mesin adalah <a href=\"https:\/\/statorials.org\/id\/regresi-multikolinearitas\/\" target=\"_blank\" rel=\"noopener noreferrer\">multikolinearitas<\/a> . Hal ini terjadi ketika dua atau lebih variabel prediktor dalam kumpulan data berkorelasi tinggi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika hal ini terjadi, suatu model mungkin dapat menyesuaikan dengan kumpulan data pelatihan dengan baik, namun model tersebut mungkin memiliki performa yang buruk pada kumpulan data baru yang belum pernah dilihatnya karena model tersebut <a href=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" target=\"_blank\" rel=\"noopener noreferrer\">terlalu cocok dengan<\/a> kumpulan data pelatihan. perlengkapan latihan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan metode yang disebut <a href=\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial\/\" target=\"_blank\" rel=\"noopener noreferrer\">kuadrat terkecil parsial<\/a> , yang cara kerjanya sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Standarisasi variabel prediktor dan respons.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Hitung <em>M<\/em> kombinasi linier (disebut &#8220;komponen PLS&#8221;) dari<\/span> <em style=\"color: #000000;\">p<\/em> <span style=\"color: #000000;\">variabel prediktor asli yang menjelaskan sejumlah besar variasi baik dalam variabel respons maupun variabel prediktor.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Gunakan metode kuadrat terkecil untuk menyesuaikan model regresi linier menggunakan komponen PLS sebagai prediktor.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Gunakan<\/span> <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> <span style=\"color: #000000;\">untuk menemukan jumlah komponen PLS yang optimal untuk dipertahankan dalam model.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan kuadrat terkecil parsial di R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 1: Muat paket yang diperlukan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Cara termudah untuk melakukan kuadrat terkecil parsial di R adalah dengan menggunakan fungsi dalam paket <a href=\"https:\/\/cran.r-project.org\/web\/packages\/pls\/pls.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">tolong<\/a> .<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#install pls package (if not already installed)<\/span>\ninstall.packages(\" <span style=\"color: #008000;\">pls<\/span> \")\n\n<span style=\"color: #008080;\">load pls package\n<\/span>library(pls)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 2: Pasangkan model kuadrat terkecil parsial<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan menggunakan kumpulan data R bawaan yang disebut <strong>mtcars<\/strong> yang berisi data tentang berbagai jenis mobil:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view first six rows of mtcars dataset<\/span>\nhead(mtcars)\n\n                   mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan menyesuaikan model kuadrat terkecil parsial (PLS) dengan menggunakan <em>hp<\/em> sebagai <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> dan variabel berikut sebagai variabel 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;\">Kode berikut menunjukkan cara menyesuaikan model PLS dengan data ini. Perhatikan argumen berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>scale=TRUE<\/strong> : Ini memberi tahu R bahwa setiap variabel dalam kumpulan data 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 diukur dalam satuan yang berbeda.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>validation=\u201dCV\u201d<\/strong> : Ini memberitahu R untuk menggunakan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi k-fold cross<\/a> untuk mengevaluasi kinerja model. Perhatikan bahwa ini menggunakan k=10 lipatan secara default. Perhatikan juga bahwa Anda dapat menentukan &#8220;LOOCV&#8221; untuk melakukan <a href=\"https:\/\/statorials.org\/id\/tinggalkan-satu-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang Leave-One-Out<\/a> .<\/span><\/li>\n<\/ul>\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;\">#fit PCR model\n<\/span>model &lt;- plsr(hp~mpg+disp+drat+wt+qsec, data=mtcars, scale= <span style=\"color: #008000;\">TRUE<\/span> , validation=\" <span style=\"color: #008000;\">CV<\/span> \")<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 3: Pilih jumlah komponen PLS<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Setelah kita memasang modelnya, kita perlu menentukan berapa banyak komponen PLS yang harus disimpan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk melakukannya, cukup lihat uji root mean square error (uji RMSE) yang dihitung dengan validasi k-cross:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view summary of model fitting\n<\/span>summary(model)\n\nData: \n\tY dimension: 32 1\nFit method: kernelpls\nNumber of components considered: 5\n\nVALIDATION: RMSEP\nCross-validated using 10 random segments.\n       (Intercept) 1 comp 2 comps 3 comps 4 comps 5 comps\nCV 69.66 40.57 35.48 36.22 36.74 36.67\nadjCV 69.66 40.41 35.12 35.80 36.27 36.20\n\nTRAINING: % variance explained\n    1 comp 2 comps 3 comps 4 comps 5 comps\nX 68.66 89.27 95.82 97.94 100.00\nhp 71.84 81.74 82.00 82.02 82.03\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Hasilnya ada dua tabel menarik:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. VALIDASI: RMSEP<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Tabel ini menunjukkan pengujian RMSE yang dihitung dengan validasi k-fold cross. Kita dapat melihat hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Jika kita hanya menggunakan istilah asli dalam model, RMSE pengujiannya adalah <strong>69.66<\/strong> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Jika kita menambahkan komponen PLS pertama, pengujian RMSE turun menjadi <strong>40,57.<\/strong><\/span><\/li>\n<li> <span style=\"color: #000000;\">Jika kita menambahkan komponen PLS kedua, pengujian RMSE turun menjadi <strong>35,48.<\/strong><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kita dapat melihat bahwa menambahkan komponen PLS tambahan sebenarnya menghasilkan peningkatan RMSE pengujian. Oleh karena itu, tampaknya optimal jika hanya menggunakan dua komponen PLS pada model akhir.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. PELATIHAN: % varians dijelaskan<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Tabel ini menunjukkan persentase varians dalam variabel respon yang dijelaskan oleh komponen PLS. Kita dapat melihat hal berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Dengan hanya menggunakan komponen PLS pertama, kita dapat menjelaskan <strong>68,66%<\/strong> variasi variabel respon.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Dengan menambahkan komponen PLS kedua, kita dapat menjelaskan <strong>89,27%<\/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 PLS, namun kita dapat melihat bahwa menambahkan lebih dari dua komponen PLS sebenarnya tidak terlalu meningkatkan persentase varians yang dijelaskan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat memvisualisasikan pengujian RMSE (bersama dengan pengujian MSE dan R-squared) sebagai fungsi dari jumlah komponen PLS menggunakan fungsi <strong>validationplot()<\/strong> .<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#visualize cross-validation plots\n<\/span>validationplot(model)\nvalidationplot(model, val.type=\" <span style=\"color: #008000;\">MSEP<\/span> \")\nvalidationplot(model, val.type=\" <span style=\"color: #008000;\">R2<\/span> \")<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11975 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svpr1.png\" alt=\"Kuadrat terkecil parsial di R\" width=\"396\" height=\"382\" srcset=\"\" sizes=\"\"><\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11976 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/sil-vous-plaitr2.png\" alt=\"Validasi silang MSE di R\" width=\"396\" height=\"391\" srcset=\"\" sizes=\"\"><\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11977 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/sil-vous-plaitr3.png\" alt=\"Validasi silang untuk kuadrat terkecil parsial di R\" width=\"397\" height=\"387\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Di setiap grafik, kita dapat melihat bahwa kecocokan model meningkat dengan menambahkan dua komponen PLS, namun cenderung memburuk ketika kita menambahkan lebih banyak komponen PLS.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan demikian, model optimal hanya mencakup dua komponen PLS pertama.<\/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 akhir dengan dua komponen PLS untuk membuat prediksi mengenai 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 akhir dengan dua komponen PLS untuk membuat prediksi pada kumpulan pengujian.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define training and testing sets\n<\/span>train &lt;- mtcars[1:25, c(\"hp\", \"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\")]\ny_test &lt;- mtcars[26: <span style=\"color: #3366ff;\">nrow<\/span> (mtcars), c(\"hp\")]\ntest &lt;- mtcars[26: <span style=\"color: #3366ff;\">nrow<\/span> (mtcars), c(\"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\")]\n    \n<span style=\"color: #008080;\">#use model to make predictions on a test set\n<\/span>model &lt;- plsr(hp~mpg+disp+drat+wt+qsec, data=train, scale= <span style=\"color: #008000;\">TRUE<\/span> , validation=\" <span style=\"color: #008000;\">CV<\/span> \")\npcr_pred &lt;- predict(model, test, ncomp= <span style=\"color: #008000;\">2<\/span> )\n\n<span style=\"color: #008080;\">#calculate RMSE\n<\/span><span style=\"color: #3366ff;\">sqrt<\/span> ( <span style=\"color: #3366ff;\">mean<\/span> ((pcr_pred - y_test)^2))\n\n[1] 54.89609\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kita melihat bahwa RMSE pengujian tersebut ternyata <strong>54.89609<\/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;\">Perhatikan bahwa <a href=\"https:\/\/statorials.org\/id\/regresi-komponen-utama-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">model regresi komponen utama yang setara<\/a> dengan dua komponen utama menghasilkan RMSE pengujian sebesar <strong>56.86549<\/strong> . Oleh karena itu, model PLS sedikit mengungguli model PCR untuk kumpulan data ini.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Penggunaan penuh kode R dalam contoh ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/partial_least_squares.R\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Salah satu masalah paling umum yang akan Anda temui dalam pembelajaran mesin adalah multikolinearitas . Hal ini terjadi ketika dua atau lebih variabel prediktor dalam kumpulan data berkorelasi tinggi. Jika hal ini terjadi, suatu model mungkin dapat menyesuaikan dengan kumpulan data pelatihan dengan baik, namun model tersebut mungkin memiliki performa yang buruk pada kumpulan data [&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>Kuadrat Terkecil Parsial di R (langkah demi langkah)<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial 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\/kuadrat-terkecil-parsial-di-r\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Kuadrat Terkecil Parsial di R (langkah demi langkah)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial di R, termasuk contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:58:14+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svpr1.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\/kuadrat-terkecil-parsial-di-r\/\",\"url\":\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/\",\"name\":\"Kuadrat Terkecil Parsial di R (langkah demi langkah)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T06:58:14+00:00\",\"dateModified\":\"2023-07-27T06:58:14+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial di R, termasuk contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Kuadrat terkecil parsial 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":"Kuadrat Terkecil Parsial di R (langkah demi langkah)","description":"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial 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\/kuadrat-terkecil-parsial-di-r\/","og_locale":"id_ID","og_type":"article","og_title":"Kuadrat Terkecil Parsial di R (langkah demi langkah)","og_description":"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial di R, termasuk contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:58:14+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svpr1.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\/kuadrat-terkecil-parsial-di-r\/","url":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/","name":"Kuadrat Terkecil Parsial di R (langkah demi langkah)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T06:58:14+00:00","dateModified":"2023-07-27T06:58:14+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara melakukan kuadrat terkecil parsial di R, termasuk contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial-di-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Kuadrat terkecil parsial 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\/1211"}],"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=1211"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1211\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1211"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1211"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1211"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}