{"id":1212,"date":"2023-07-27T06:54:42","date_gmt":"2023-07-27T06:54:42","guid":{"rendered":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/"},"modified":"2023-07-27T06:54:42","modified_gmt":"2023-07-27T06:54:42","slug":"setidaknya-sebagian-tepi-dengan-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/","title":{"rendered":"Kuadrat terkecil parsial dengan python (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 <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> 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 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;\">Pertama, kita akan mengimpor paket yang diperlukan untuk melakukan kuadrat terkecil parsial dengan Python:<\/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. <span style=\"color: #3366ff;\">model_selection<\/span> <span style=\"color: #008000;\">import<\/span> train_test_split\n<span style=\"color: #008000;\">from <span style=\"color: #000000;\">sklearn. <span style=\"color: #3366ff;\">cross_decomposition<\/span> <span style=\"color: #008000;\">import<\/span> PLSRegression<\/span>\n<span style=\"color: #008000;\">from<\/span> <span style=\"color: #000000;\">sklearn<\/span> . <span style=\"color: #3366ff;\">metrics<\/span> <span style=\"color: #008000;\">import<\/span> <span style=\"color: #000000;\">mean_squared_error\n<\/span><\/span><\/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;\">Kode berikut menunjukkan cara memuat dan menampilkan kumpulan data ini:<\/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: Pasangkan model kuadrat terkecil parsial<\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara menyesuaikan model PLS dengan data ini.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa<\/span> <span style=\"color: #000000;\"><strong>cv = RepeatedKFold()<\/strong> 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> <\/p>\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;\">#define cross-validation method\n<span style=\"color: #000000;\">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\nmse = []\nn = <span style=\"color: #3366ff;\">len<\/span> (X)<\/span>\n\n# Calculate MSE with only the intercept\n<span style=\"color: #000000;\">score = -1*model_selection. <span style=\"color: #3366ff;\">cross_val_score<\/span> (PLSRegression(n_components=1),<\/span>\n<span style=\"color: #000000;\">n.p. <span style=\"color: #3366ff;\">ones<\/span> ((n,1)), y, cv=cv, scoring=' <span style=\"color: #008000;\">neg_mean_squared_error<\/span> '). <span style=\"color: #3366ff;\">mean<\/span> ()    \nmse. <span style=\"color: #3366ff;\">append<\/span> (score)<\/span>\n\n# Calculate MSE using cross-validation, adding one component at a time\n<span style=\"color: #000000;\"><span style=\"color: #008000;\">for<\/span> i <span style=\"color: #008000;\">in<\/span> np. <span style=\"color: #3366ff;\">arange<\/span> (1, 6):\n    pls = PLSRegression(n_components=i)\n    score = -1*model_selection. <span style=\"color: #3366ff;\">cross_val_score<\/span> (pls, scale(X), y, cv=cv,\n               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)<\/span>\n\n#plot test MSE vs. number of components\n<span style=\"color: #000000;\">plt. <span style=\"color: #3366ff;\">plot<\/span> (mse)\nplt. <span style=\"color: #3366ff;\">xlabel<\/span> (' <span style=\"color: #008000;\">Number of PLS Components<\/span> ')\nplt. <span style=\"color: #3366ff;\">ylabel<\/span> (' <span style=\"color: #008000;\">MSE<\/span> ')\nplt. <span style=\"color: #3366ff;\">title<\/span> (' <span style=\"color: #008000;\">hp<\/span> ')<\/span>\n<\/span><\/strong><\/span><\/pre>\n<h3><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11985 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svppython1.png\" alt=\"Kuadrat Terkecil Parsial dalam Plot Validasi Silang Python\" width=\"405\" height=\"284\" srcset=\"\" sizes=\"\"><\/h3>\n<p> <span style=\"color: #000000;\">Plot menampilkan jumlah komponen PLS sepanjang sumbu x dan pengujian MSE (mean square error) sepanjang sumbu y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dari grafik tersebut, kita dapat melihat bahwa MSE pengujian menurun dengan menambahkan dua komponen PLS, namun mulai meningkat ketika kita menambahkan lebih dari dua 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 PLS final dengan dua komponen PLS 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 PLS dengan dua komponen PLS 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><span style=\"color: #3366ff;\">X_train<\/span> <span style=\"color: #008000;\">,<\/span> <span style=\"color: #008000;\">_<\/span><span style=\"color: #008080;\">\n\n#calculate RMSE\n<span style=\"color: #000000;\">pls = PLSRegression(n_components=2)\npls. <span style=\"color: #3366ff;\">fit<\/span> (scale(X_train), y_train)<\/span>\n\n<span style=\"color: #000000;\">n.p. <span style=\"color: #3366ff;\">sqrt<\/span> (mean_squared_error(y_test, pls. <span style=\"color: #3366ff;\">predict<\/span> (scale(X_test))))\n<\/span>\n<span style=\"color: #000000;\">29.9094\n<\/span><\/span><\/strong><\/span><\/pre>\n<p> <span style=\"color: #000000;\">Kita melihat RMSE tes tersebut ternyata <strong>29.9094<\/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\/partial_least_squares.py\" 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 dengan Python (langkah demi langkah) - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial 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\/setidaknya-sebagian-tepi-dengan-python\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Kuadrat Terkecil Parsial dengan Python (langkah demi langkah) - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial dengan Python, termasuk contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:54:42+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svppython1.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=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/\",\"url\":\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/\",\"name\":\"Kuadrat Terkecil Parsial dengan Python (langkah demi langkah) - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T06:54:42+00:00\",\"dateModified\":\"2023-07-27T06:54:42+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial dengan Python, termasuk contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Kuadrat terkecil parsial 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":"Kuadrat Terkecil Parsial dengan Python (langkah demi langkah) - Statologi","description":"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial 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\/setidaknya-sebagian-tepi-dengan-python\/","og_locale":"id_ID","og_type":"article","og_title":"Kuadrat Terkecil Parsial dengan Python (langkah demi langkah) - Statologi","og_description":"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial dengan Python, termasuk contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:54:42+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/svppython1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/","url":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/","name":"Kuadrat Terkecil Parsial dengan Python (langkah demi langkah) - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T06:54:42+00:00","dateModified":"2023-07-27T06:54:42+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara mengerjakan kuadrat terkecil parsial dengan Python, termasuk contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/setidaknya-sebagian-tepi-dengan-python\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Kuadrat terkecil parsial 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\/1212"}],"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=1212"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1212\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1212"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1212"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1212"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}