{"id":1225,"date":"2023-07-27T05:41:59","date_gmt":"2023-07-27T05:41:59","guid":{"rendered":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/"},"modified":"2023-07-27T05:41:59","modified_gmt":"2023-07-27T05:41:59","slug":"bor-acak-di-sungai","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/","title":{"rendered":"Cara membuat hutan acak di r (langkah demi langkah)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Ketika hubungan antara sekumpulan variabel prediktor dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respon<\/a> sangat kompleks, kita sering menggunakan metode nonlinier untuk memodelkan hubungan di antara keduanya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu metode tersebut adalah dengan membangun <a href=\"https:\/\/statorials.org\/id\/pohon-klasifikasi-dan-regresi\/\" target=\"_blank\" rel=\"noopener noreferrer\">pohon keputusan<\/a> . Namun, kelemahan dari penggunaan pohon keputusan tunggal adalah bahwa pohon tersebut cenderung memiliki <a href=\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\" target=\"_blank\" rel=\"noopener noreferrer\">varians yang tinggi<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Artinya, jika kita membagi kumpulan data menjadi dua bagian dan menerapkan pohon keputusan pada kedua bagian tersebut, hasilnya bisa sangat berbeda.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu metode yang dapat kita gunakan untuk mengurangi varians dari satu pohon keputusan adalah dengan membangun model hutan acak , yang cara kerjanya sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Ambil <em>b<\/em> sampel bootstrap dari kumpulan data asli.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2.<\/strong> Buat pohon keputusan untuk setiap sampel bootstrap.<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Saat membangun pohon, setiap kali pemisahan dipertimbangkan, hanya sampel acak dari <em>m<\/em> prediktor yang dianggap sebagai kandidat untuk pemisahan dari kumpulan <em>p<\/em> prediktor lengkap. Umumnya, kita memilih <em>m<\/em> sama dengan <span style=\"text-decoration: overline;\"><em>\u221ap<\/em><\/span> .<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>3.<\/strong> Rata-ratakan prediksi dari setiap pohon untuk mendapatkan model akhir.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ternyata hutan acak cenderung menghasilkan model yang jauh lebih akurat dibandingkan pohon keputusan tunggal dan bahkan <a href=\"https:\/\/statorials.org\/id\/mengantongi-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">model kantong<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tutorial ini memberikan contoh langkah demi langkah tentang cara membuat model hutan acak untuk kumpulan data 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;\">Pertama, kami akan memuat paket yang diperlukan untuk contoh ini. Untuk contoh sederhana ini, kita hanya membutuhkan satu paket:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #993300;\">library<\/span> (randomForest)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 2: Sesuaikan Model Hutan Acak<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kami akan menggunakan kumpulan data R bawaan yang disebut <strong>Kualitas Udara<\/strong> yang berisi pengukuran kualitas udara di Kota New York selama 153 hari.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view structure of air quality dataset<\/span>\nstr(airquality)\n\n'data.frame': 153 obs. of 6 variables:\n $ Ozone: int 41 36 12 18 NA 28 23 19 8 NA ...\n $Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...\n $ Wind: num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...\n $ Temp: int 67 72 74 62 56 66 65 59 61 69 ...\n $Month: int 5 5 5 5 5 5 5 5 5 5 ...\n $Day: int 1 2 3 4 5 6 7 8 9 10 ...\n\n<span style=\"color: #008080;\">#find number of rows with missing values\n<\/span>sum(! <span style=\"color: #3366ff;\">complete<\/span> . <span style=\"color: #3366ff;\">cases<\/span> (airquality))\n\n[1] 42\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Kumpulan data ini memiliki 42 baris dengan nilai yang hilang. Oleh karena itu, sebelum memasang model hutan acak, kita akan mengisi nilai yang hilang di setiap kolom dengan median kolom:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#replace NAs with column medians\n<\/span><span style=\"color: #008000;\">for<\/span> (i <span style=\"color: #008000;\">in<\/span> 1: <span style=\"color: #3366ff;\">ncol<\/span> (air quality)) {\n  airquality[,i][ <span style=\"color: #3366ff;\">is<\/span> . <span style=\"color: #3366ff;\">na<\/span> (airquality[, i])] &lt;- <span style=\"color: #3366ff;\">median<\/span> (airquality[, i], <span style=\"color: #3366ff;\">na<\/span> . <span style=\"color: #3366ff;\">rm<\/span> = <span style=\"color: #008000;\">TRUE<\/span> )\n}\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\"><strong>Terkait:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/id\/memperhitungkan-nilai-yang-hilang-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cara memperhitungkan nilai yang hilang di R<\/a><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara menyesuaikan model hutan acak di R menggunakan fungsi <strong>randomForest()<\/strong> dari paket <a href=\"https:\/\/cran.r-project.org\/web\/packages\/randomForest\/randomForest.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">randomForest<\/a> .<\/span><\/p>\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 the random forest model\n<\/span>model &lt;- randomForest(\n  formula = Ozone ~ .,\n  data = airquality\n)\n\n<span style=\"color: #008080;\">#display fitted model\n<\/span>model\n\nCall:\n randomForest(formula = Ozone ~ ., data = airquality) \n               Type of random forest: regression\n                     Number of trees: 500\nNo. of variables tried at each split: 1\n\n          Mean of squared residuals: 327.0914\n                    % Var explained: 61\n\n<span style=\"color: #008080;\">#find number of trees that produce lowest test MSE\n<\/span>which.min(model$mse)\n\n[1] 82\n\n<span style=\"color: #008080;\">#find RMSE of best model\n<\/span>sqrt(model$mse[ <span style=\"color: #3366ff;\">which<\/span> . <span style=\"color: #3366ff;\">min<\/span> (model$mse)]) \n\n[1] 17.64392\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dari hasil tersebut terlihat bahwa model yang menghasilkan test mean square error (MSE) terendah menggunakan <strong>82<\/strong> pohon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat melihat bahwa root mean square error model ini adalah <strong>17.64392<\/strong> .<\/span> <span style=\"color: #000000;\">Kita dapat menganggap ini sebagai perbedaan rata-rata antara nilai perkiraan ozon dan nilai sebenarnya yang diamati.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Kita juga dapat menggunakan kode berikut untuk menghasilkan plot pengujian MSE berdasarkan jumlah pohon yang digunakan:<\/span><\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#plot the MSE test by number of trees\n<\/span>plot(model)\n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12143 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.png\" alt=\"Uji MSE dengan jumlah pohon di hutan acak di R\" width=\"449\" height=\"439\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Dan kita dapat menggunakan fungsi <strong>varImpPlot()<\/strong> untuk membuat plot yang menampilkan pentingnya setiap variabel prediktor dalam model akhir:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#produce variable importance plot<\/span>\nvarImpPlot(model) \n<\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12144 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr2.png\" alt=\"Hutan acak di R\" width=\"424\" height=\"442\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Sumbu x menampilkan peningkatan rata-rata kemurnian simpul pohon regresi sebagai fungsi pemisahan berbagai prediktor yang ditampilkan pada sumbu y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dari grafik tersebut terlihat bahwa <em>Angin<\/em> merupakan variabel prediktor terpenting, diikuti oleh <em>Suhu<\/em> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Langkah 3: Sesuaikan modelnya<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Secara default, fungsi <strong>randomForest()<\/strong> menggunakan 500 pohon dan (total prediktor\/3) prediktor yang dipilih secara acak sebagai kandidat potensial untuk setiap pemisahan. Kita dapat menyesuaikan parameter ini menggunakan fungsi <strong>tuneRF()<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara mencari model optimal menggunakan spesifikasi berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>ntreeTry:<\/strong> Jumlah pohon yang akan dibangun.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>mtryStart:<\/strong> jumlah awal variabel prediktor yang harus diperhitungkan di setiap divisi.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>stepFactor:<\/strong> Faktor yang akan ditingkatkan hingga estimasi error out-of-bag berhenti meningkat pada jumlah tertentu.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>perbaikan:<\/strong> jumlah kesalahan keluar kantong yang harus diperbaiki untuk terus meningkatkan faktor langkah.<\/span><\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong>model_tuned &lt;- tuneRF(\n               x=airquality[,-1], <span style=\"color: #008080;\">#define predictor variables<\/span>\n               y=airquality$Ozone, <span style=\"color: #008080;\">#define response variable<\/span>\n               ntreeTry= <span style=\"color: #008000;\">500<\/span> ,\n               mtryStart= <span style=\"color: #008000;\">4<\/span> , \n               stepFactor= <span style=\"color: #008000;\">1.5<\/span> ,\n               improve= <span style=\"color: #008000;\">0.01<\/span> ,\n               trace= <span style=\"color: #008000;\">FALSE<\/span> <span style=\"color: #008080;\">#don't show real-time progress<\/span>\n               )\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Fungsi ini menghasilkan plot berikut, yang menampilkan jumlah prediktor yang digunakan pada setiap pemisahan ketika membangun pohon pada sumbu x dan perkiraan kesalahan yang terjadi pada sumbu y:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-12145 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr3.png\" alt=\"Kesalahan OOB model hutan acak di R\" width=\"433\" height=\"378\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat melihat bahwa kesalahan OOB terendah diperoleh dengan menggunakan <strong>2<\/strong> prediktor yang dipilih secara acak pada setiap pemisahan saat membangun pohon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ini sebenarnya sesuai dengan pengaturan default (total prediktor\/3 = 6\/3 = 2) yang digunakan oleh fungsi <strong>randomForest()<\/strong> awal.<\/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;\">Terakhir, kita dapat menggunakan model hutan acak yang disesuaikan untuk membuat prediksi mengenai observasi baru.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define new observation\n<\/span>new &lt;- data.frame(Solar.R=150, Wind=8, Temp=70, Month=5, Day=5)\n\n<span style=\"color: #008080;\">#use fitted bagged model to predict Ozone value of new observation\n<\/span>predict(model, newdata=new)\n\n27.19442\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Berdasarkan nilai variabel prediktor, model hutan acak yang dipasang memperkirakan nilai ozon pada hari tersebut adalah <b>27,19442<\/b> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode R lengkap yang digunakan dalam contoh ini dapat ditemukan <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/random_forest.R\" target=\"_blank\" rel=\"noopener noreferrer\">di sini<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ketika hubungan antara sekumpulan variabel prediktor dan variabel respon sangat kompleks, kita sering menggunakan metode nonlinier untuk memodelkan hubungan di antara keduanya. Salah satu metode tersebut adalah dengan membangun pohon keputusan . Namun, kelemahan dari penggunaan pohon keputusan tunggal adalah bahwa pohon tersebut cenderung memiliki varians yang tinggi . Artinya, jika kita membagi 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>Cara Membuat Hutan Acak di R (Langkah demi Langkah)<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan 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\/bor-acak-di-sungai\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara Membuat Hutan Acak di R (Langkah demi Langkah)\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan contoh langkah demi langkah.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T05:41:59+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.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\/bor-acak-di-sungai\/\",\"url\":\"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/\",\"name\":\"Cara Membuat Hutan Acak di R (Langkah demi Langkah)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T05:41:59+00:00\",\"dateModified\":\"2023-07-27T05:41:59+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan contoh langkah demi langkah.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara membuat hutan acak 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":"Cara Membuat Hutan Acak di R (Langkah demi Langkah)","description":"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan 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\/bor-acak-di-sungai\/","og_locale":"id_ID","og_type":"article","og_title":"Cara Membuat Hutan Acak di R (Langkah demi Langkah)","og_description":"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan contoh langkah demi langkah.","og_url":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/","og_site_name":"Statorials","article_published_time":"2023-07-27T05:41:59+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aleatoireforetr1.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\/bor-acak-di-sungai\/","url":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/","name":"Cara Membuat Hutan Acak di R (Langkah demi Langkah)","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T05:41:59+00:00","dateModified":"2023-07-27T05:41:59+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara membuat model hutan acak di R, dengan contoh langkah demi langkah.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/bor-acak-di-sungai\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/bor-acak-di-sungai\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara membuat hutan acak 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\/1225"}],"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=1225"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1225\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}