{"id":2430,"date":"2023-07-22T07:47:44","date_gmt":"2023-07-22T07:47:44","guid":{"rendered":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/"},"modified":"2023-07-22T07:47:44","modified_gmt":"2023-07-22T07:47:44","slug":"menafsirkan-keluaran-glm-di-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/","title":{"rendered":"Cara menafsirkan keluaran glm di r (dengan contoh)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Fungsi <strong>glm()<\/strong> di R dapat digunakan untuk menyesuaikan model linier umum.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Fungsi ini menggunakan sintaks berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>glm(rumus, keluarga=Gaussian, data, \u2026)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>rumus :<\/strong> Rumus model linier (misal y ~ x1 + x2)<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>keluarga:<\/strong> keluarga statistik yang digunakan agar sesuai dengan model. Standarnya adalah Gaussian, tetapi opsi lainnya antara lain Binomial, Gamma, dan Poisson.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>data:<\/strong> Nama blok data yang berisi data<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, fungsi ini paling sering digunakan untuk menyesuaikan <a href=\"https:\/\/statorials.org\/id\/regresi-logistik-1\/\" target=\"_blank\" rel=\"noopener\">model regresi logistik<\/a> dengan menentukan kelompok \u201cbinomial\u201d.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Contoh berikut menunjukkan cara menafsirkan keluaran glm di R untuk model regresi logistik.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Contoh: Bagaimana menafsirkan keluaran glm di R<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan menggunakan dataset <a href=\"https:\/\/statorials.org\/id\/kumpulan-data-mtcars-r\/\" target=\"_blank\" rel=\"noopener\">mtcars<\/a> yang ada di dalam R:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view first six rows of <em>mtcars<\/em> dataset\n<\/span>head(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;\">Kita akan menggunakan variabel <strong>disp<\/strong> dan <strong>hp<\/strong> untuk memprediksi probabilitas bahwa mobil tertentu mengambil nilai 1 untuk variabel <strong>am<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara menggunakan fungsi <strong>glm()<\/strong> agar sesuai dengan model regresi logistik ini:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#fit logistic regression model\n<\/span>model &lt;- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n<span style=\"color: #008080;\">#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n    Min 1Q Median 3Q Max  \n-1.9665 -0.3090 -0.0017 0.3934 1.3682  \n\nCoefficients:\n            Estimate Std. Error z value Pr(&gt;|z|)  \n(Intercept) 1.40342 1.36757 1.026 0.3048  \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n    Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Berikut cara menafsirkan setiap elemen hasil:<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Koefisien dan nilai-P<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Estimasi koefisien<\/strong> pada hasil menunjukkan rata-rata perubahan log kemungkinan variabel respons yang terkait dengan peningkatan satu unit pada setiap variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, peningkatan satu unit pada variabel prediktor disp dikaitkan dengan perubahan rata-rata sebesar -0,09518 pada log kemungkinan bahwa variabel respons mengambil nilai 1. Artinya, nilai disp yang lebih tinggi dikaitkan dengan probabilitas yang lebih rendah. . dari variabel saya mengambil nilai 1.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Kesalahan standar<\/strong> memberi kita gambaran tentang variabilitas yang terkait dengan estimasi koefisien. Kami kemudian membagi estimasi koefisien dengan kesalahan standar untuk mendapatkan nilai az.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, <strong>nilai z<\/strong> untuk variabel prediktor disp dihitung sebagai -0,09518 \/ 0,048 = -1,983.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Nilai p<\/strong> Pr(&gt;|z|) memberi tahu kita probabilitas yang terkait dengan nilai z tertentu. Hal ini pada dasarnya memberitahu kita seberapa baik setiap variabel prediktor mampu memprediksi nilai variabel respon dalam model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, nilai p yang terkait dengan nilai z untuk variabel disp adalah 0,0474. Karena nilai ini kurang dari 0,05, kita dapat mengatakan bahwa disp adalah variabel prediktor yang signifikan secara statistik dalam model.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Bergantung pada preferensi Anda, Anda dapat memutuskan untuk menggunakan tingkat signifikansi 0,01, 0,05, atau 0,10 untuk menentukan apakah setiap variabel prediktor signifikan secara statistik atau tidak.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Penyimpangan nol dan sisa<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Penyimpangan nol<\/strong> pada keluaran menunjukkan seberapa baik variabel respons dapat diprediksi oleh model yang hanya memiliki suku asli.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Penyimpangan sisa<\/strong> memberi tahu kita seberapa baik variabel respons dapat diprediksi oleh model spesifik yang kita sesuaikan dengan variabel prediktor <em>p<\/em> . Semakin rendah nilainya, maka semakin baik model tersebut dalam memprediksi nilai variabel respon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menentukan apakah suatu model \u201cberguna\u201d, kita dapat menghitung statistik Chi-kuadrat sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>X <sup>2<\/sup><\/strong> = Nol penyimpangan \u2013 Sisa penyimpangan<\/span><\/p>\n<p> <span style=\"color: #000000;\">dengan derajat kebebasan <em>p<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami kemudian dapat menemukan nilai p yang terkait dengan statistik Chi-kuadrat ini. Semakin rendah nilai p, semakin baik model tersebut mampu menyesuaikan dengan kumpulan data dibandingkan dengan model yang hanya memiliki term asli.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, dalam model regresi kita, kita dapat mengamati nilai berikut pada keluaran untuk nol dan simpangan sisa:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>Penyimpangan nol<\/strong> : 43,23 dengan df = 31<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>Deviasi sisa<\/strong> : 16,713 dengan df = 29<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan nilai-nilai ini untuk menghitung statistik X <sup>2<\/sup> model:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">X <sup>2<\/sup> = Nol penyimpangan \u2013 Sisa penyimpangan<\/span><\/li>\n<li> <span style=\"color: #000000;\"><sup>X2<\/sup> = 43,23 \u2013 16,713<\/span><\/li>\n<li> <span style=\"color: #000000;\"><sup>X2<\/sup> = 26.517<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Terdapat <em>p<\/em> = 2 derajat kebebasan variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat menggunakan <a href=\"https:\/\/statorials.org\/id\/kalkulator-nilai-p-chi-kuadrat\/\" target=\"_blank\" rel=\"noopener\">kalkulator Chi-kuadrat ke nilai P<\/a> untuk menemukan bahwa nilai X <sup>2<\/sup> sebesar 26,517 dengan 2 derajat kebebasan memiliki nilai p sebesar 0,000002.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Karena nilai p ini jauh lebih rendah dari 0,05, kami menyimpulkan bahwa model ini sangat berguna.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>AIC<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Kriteria Informasi Akaike ( <strong>AIC<\/strong> ) adalah ukuran yang digunakan untuk membandingkan kesesuaian model regresi yang berbeda. Semakin rendah nilainya maka semakin baik model regresi tersebut mampu menyesuaikan data.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ini dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">AIC = 2K \u2013 2 <em>ln<\/em> (L)<\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>K :<\/strong> Jumlah parameter model.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong><em>ln<\/em> (L)<\/strong> : Log-likelihood model. Hal ini memberi tahu kita seberapa besar kemungkinan model tersebut didasarkan pada data.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Nilai sebenarnya dari AIC tidak ada artinya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, jika Anda menyesuaikan beberapa model regresi, Anda dapat membandingkan nilai AIC setiap model. Model dengan AIC terendah memberikan kesesuaian terbaik.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Terkait:<\/strong><\/span> <a href=\"https:\/\/statorials.org\/id\" target=\"_blank\" rel=\"noopener\">Apa yang dianggap sebagai nilai AIC yang baik?<\/a><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan informasi tambahan tentang cara menggunakan fungsi <strong>glm()<\/strong> di R:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/glm-vs-lm-di-r\/\" target=\"_blank\" rel=\"noopener\">Perbedaan antara glm dan lm di R<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/r-glm-memprediksi\/\" target=\"_blank\" rel=\"noopener\">Cara menggunakan fungsi prediksi dengan glm di R<\/a><\/p>\n<p> <span style=\"color: #000000;\">Tutorial berikut menjelaskan cara menangani kesalahan umum saat menggunakan fungsi <strong>glm()<\/strong> :<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/algoritma-glm-fit-tidak-konvergen\/\" target=\"_blank\" rel=\"noopener\">Cara menangani R Peringatan: glm.fit: algoritma tidak menyatu<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/glm-fit-dipasang-probabilitas-secara-numerik-0-atau-1-terjadi\/\" target=\"_blank\" rel=\"noopener\">Cara menangani: glm.fit: probabilitas yang disesuaikan secara numerik 0 atau 1 terjadi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Fungsi glm() di R dapat digunakan untuk menyesuaikan model linier umum. Fungsi ini menggunakan sintaks berikut: glm(rumus, keluarga=Gaussian, data, \u2026) Emas: rumus : Rumus model linier (misal y ~ x1 + x2) keluarga: keluarga statistik yang digunakan agar sesuai dengan model. Standarnya adalah Gaussian, tetapi opsi lainnya antara lain Binomial, Gamma, dan Poisson. data: Nama [&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 menafsirkan keluaran glm di R (dengan contoh) - Statorials<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.\" \/>\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\/menafsirkan-keluaran-glm-di-r\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara menafsirkan keluaran glm di R (dengan contoh) - Statorials\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-22T07:47:44+00:00\" \/>\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\/menafsirkan-keluaran-glm-di-r\/\",\"url\":\"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/\",\"name\":\"Cara menafsirkan keluaran glm di R (dengan contoh) - Statorials\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-22T07:47:44+00:00\",\"dateModified\":\"2023-07-22T07:47:44+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara menafsirkan keluaran glm di r (dengan contoh)\"}]},{\"@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 menafsirkan keluaran glm di R (dengan contoh) - Statorials","description":"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.","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\/menafsirkan-keluaran-glm-di-r\/","og_locale":"id_ID","og_type":"article","og_title":"Cara menafsirkan keluaran glm di R (dengan contoh) - Statorials","og_description":"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.","og_url":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/","og_site_name":"Statorials","article_published_time":"2023-07-22T07:47:44+00:00","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\/menafsirkan-keluaran-glm-di-r\/","url":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/","name":"Cara menafsirkan keluaran glm di R (dengan contoh) - Statorials","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-22T07:47:44+00:00","dateModified":"2023-07-22T07:47:44+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara menginterpretasikan output glm di R, termasuk contoh lengkapnya.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/menafsirkan-keluaran-glm-di-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara menafsirkan keluaran glm di r (dengan contoh)"}]},{"@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\/2430"}],"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=2430"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/2430\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=2430"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=2430"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=2430"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}