{"id":3560,"date":"2023-07-16T20:16:40","date_gmt":"2023-07-16T20:16:40","guid":{"rendered":"https:\/\/statorials.org\/id\/ols-regresi-python\/"},"modified":"2023-07-16T20:16:40","modified_gmt":"2023-07-16T20:16:40","slug":"ols-regresi-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/ols-regresi-python\/","title":{"rendered":"Cara melakukan regresi ols dengan python (dengan contoh)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Regresi kuadrat terkecil biasa (OLS) adalah metode yang memungkinkan kita menemukan garis yang paling menggambarkan hubungan antara satu atau lebih variabel prediktor dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener\">variabel respons<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Metode ini memungkinkan kita menemukan persamaan berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>\u0177 = b <sub>0<\/sub> + b <sub>1<\/sub> x<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>\u0177<\/strong> : Perkiraan nilai respons<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>b <sub>0<\/sub><\/strong> : Asal garis regresi<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>b <sub>1<\/sub><\/strong> : Kemiringan garis regresi<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Persamaan ini dapat membantu kita memahami hubungan antara prediktor dan variabel respon, dan dapat digunakan untuk memprediksi nilai variabel respon dengan mempertimbangkan nilai variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi OLS dengan Python.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><b>Langkah 1: Buat datanya<\/b><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita akan membuat dataset yang berisi dua variabel berikut untuk 15 siswa:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Jumlah total jam belajar<\/span><\/li>\n<li> <span style=\"color: #000000;\">Hasil ujian<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Kami akan melakukan regresi OLS, menggunakan jam sebagai variabel prediktor dan nilai ujian sebagai variabel respon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kode berikut menunjukkan cara membuat dataset palsu ini di pandas:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008000;\">import<\/span> pandas <span style=\"color: #008000;\">as<\/span> pd\n<span style=\"color: #008080;\">\n#createDataFrame<\/span>\ndf = pd. <span style=\"color: #3366ff;\">DataFrame<\/span> ({' <span style=\"color: #ff0000;\">hours<\/span> ': [1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14],\n                   ' <span style=\"color: #ff0000;\">score<\/span> ': [64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89]})\n\n<span style=\"color: #008080;\">#view DataFrame\n<\/span><span style=\"color: #008000;\">print<\/span> (df)\n\n    hours score\n0 1 64\n1 2 66\n2 4 76\n3 5 73\n4 5 74\n5 6 81\n6 6 83\n7 7 82\n8 8 80\n9 10 88\n10 11 84\n11 11 82\n12 12 91\n13 12 93\n14 14 89<\/strong><\/pre>\n<h2> <span style=\"color: #000000;\"><b>Langkah 2: Lakukan regresi OLS<\/b><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita dapat menggunakan fungsi dalam modul <a href=\"https:\/\/www.statsmodels.org\/stable\/index.html\" target=\"_blank\" rel=\"noopener\">statsmodels<\/a> untuk melakukan regresi OLS, menggunakan <strong>jam<\/strong> sebagai variabel prediktor dan skor sebagai variabel <strong>respons<\/strong> :<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\"><span style=\"color: #000000;\"><span style=\"color: #008000;\">import<\/span> statsmodels.api <span style=\"color: #008000;\">as<\/span> sm\n<\/span>\n#define predictor and response variables\n<span style=\"color: #000000;\">y = df[' <span style=\"color: #ff0000;\">score<\/span> ']\nx = df[' <span style=\"color: #ff0000;\">hours<\/span> ']<\/span>\n\n#add constant to predictor variables\n<span style=\"color: #000000;\">x = sm. <span style=\"color: #3366ff;\">add_constant<\/span> (x)\n<\/span>\n#fit linear regression model\n<span style=\"color: #000000;\">model = sm. <span style=\"color: #3366ff;\">OLS<\/span> (y,x). <span style=\"color: #3366ff;\">fit<\/span> ()\n<\/span>\n#view model summary\n<span style=\"color: #000000;\"><span style=\"color: #008000;\">print<\/span> ( <span style=\"color: #3366ff;\">model.summary<\/span> ())\n\n                            OLS Regression Results                            \n==================================================== ============================\nDept. Variable: R-squared score: 0.831\nModel: OLS Adj. R-squared: 0.818\nMethod: Least Squares F-statistic: 63.91\nDate: Fri, 26 Aug 2022 Prob (F-statistic): 2.25e-06\nTime: 10:42:24 Log-Likelihood: -39,594\nNo. Observations: 15 AIC: 83.19\nDf Residuals: 13 BIC: 84.60\nModel: 1                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P&gt;|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 65.3340 2.106 31.023 0.000 60.784 69.884\nhours 1.9824 0.248 7.995 0.000 1.447 2.518\n==================================================== ============================\nOmnibus: 4,351 Durbin-Watson: 1,677\nProb(Omnibus): 0.114 Jarque-Bera (JB): 1.329\nSkew: 0.092 Prob(JB): 0.515\nKurtosis: 1.554 Cond. No. 19.2\n==================================================== ============================<\/span><\/span><\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Dari kolom <strong>koefisien<\/strong> , kita dapat melihat koefisien regresi dan menulis persamaan regresi berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Skor = 65.334 + 1.9824*(jam)<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Artinya, setiap tambahan jam belajar dikaitkan dengan peningkatan rata-rata nilai ujian sebesar <strong>1,9824<\/strong> poin.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Nilai awal sebesar <strong>65.334<\/strong> memberi tahu kita rata-rata nilai ujian yang diharapkan untuk seorang siswa yang belajar selama nol jam.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kita juga dapat menggunakan persamaan ini untuk mencari nilai ujian yang diharapkan berdasarkan jumlah jam belajar seorang siswa.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, seorang siswa yang belajar selama 10 jam harus mencapai nilai ujian <strong>85.158<\/strong> :<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Skor = 65.334 + 1.9824*(10) = 85.158<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Berikut cara menafsirkan ringkasan model lainnya:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>P(&gt;|t|):<\/strong> Ini adalah nilai p yang terkait dengan koefisien model. Karena nilai p untuk <em>jam<\/em> (0,000) kurang dari 0,05, kita dapat mengatakan bahwa terdapat hubungan yang signifikan secara statistik antara <em>jam<\/em> dan <em>skor<\/em> .<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>R-squared:<\/strong> Hal ini menunjukkan bahwa persentase variasi nilai ujian dapat dijelaskan oleh jumlah jam belajar. Dalam hal ini, <strong>83,1%<\/strong> variasi skor dapat dijelaskan oleh jam belajar.<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>F-statistik dan nilai p:<\/strong> F-statistik ( <strong>63,91<\/strong> ) dan nilai p yang sesuai ( <strong>2,25e-06<\/strong> ) memberi tahu kita signifikansi model regresi secara keseluruhan, yaitu apakah variabel prediktor dalam model berguna dalam menjelaskan variasi. dalam variabel respon. Karena nilai p dalam contoh ini kurang dari 0,05, model kami signifikan secara statistik dan <em>jam<\/em> dianggap berguna dalam menjelaskan variasi <em>skor<\/em> .<\/span><\/li>\n<\/ul>\n<h2> <span style=\"color: #000000;\"><strong>Langkah 3: Visualisasikan garis yang paling sesuai<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Terakhir, kita dapat menggunakan paket visualisasi data <strong>matplotlib<\/strong> untuk memvisualisasikan garis regresi yang disesuaikan dengan titik data sebenarnya:<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\"><span style=\"color: #000000;\"><span style=\"color: #008000;\">import<\/span> matplotlib. <span style=\"color: #3366ff;\">pyplot<\/span> <span style=\"color: #008000;\">as<\/span> plt\n<\/span>\n#find line of best fit\n<span style=\"color: #000000;\">a, b = np. <span style=\"color: #3366ff;\">polyfit<\/span> (df[' <span style=\"color: #ff0000;\">hours<\/span> '], df[' <span style=\"color: #ff0000;\">score<\/span> '], <span style=\"color: #008000;\">1<\/span> )\n<\/span>\n#add points to plot\n<span style=\"color: #000000;\">plt. <span style=\"color: #3366ff;\">scatter<\/span> (df[' <span style=\"color: #ff0000;\">hours<\/span> '], df[' <span style=\"color: #ff0000;\">score<\/span> '], color=' <span style=\"color: #ff0000;\">purple<\/span> ')\n<\/span>\n#add line of best fit to plot\n<span style=\"color: #000000;\">plt. <span style=\"color: #3366ff;\">plot<\/span> (df[' <span style=\"color: #ff0000;\">hours<\/span> '], a*df[' <span style=\"color: #ff0000;\">hours<\/span> ']+b)\n<\/span>\n#add fitted regression equation to plot\n<span style=\"color: #000000;\">plt. <span style=\"color: #3366ff;\">text<\/span> ( <span style=\"color: #008000;\">1<\/span> , <span style=\"color: #008000;\">90<\/span> , 'y = ' + '{:.3f}'.format(b) + ' + {:.3f}'.format(a) + 'x', size= <span style=\"color: #008000;\">12<\/span> )\n\n<span style=\"color: #008080;\">#add axis labels\n<\/span>plt. <span style=\"color: #3366ff;\">xlabel<\/span> (' <span style=\"color: #ff0000;\">Hours Studied<\/span> ')\nplt. <span style=\"color: #3366ff;\">ylabel<\/span> (' <span style=\"color: #ff0000;\">Exam Score<\/span> ')\n<\/span><\/span><\/strong><\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\" wp-image-29456 aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ligne11.jpg\" alt=\"\" width=\"502\" height=\"385\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Titik ungu mewakili titik data aktual dan garis biru mewakili garis regresi yang sesuai.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami juga menggunakan fungsi <strong>plt.text()<\/strong> untuk menambahkan persamaan regresi yang sesuai ke sudut kiri atas plot.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Melihat grafik tersebut, terlihat bahwa garis regresi yang dipasang menunjukkan hubungan antara variabel <strong>jam kerja<\/strong> dan variabel <strong>skor<\/strong> dengan cukup baik.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/python-regresi-logistik\/\" target=\"_blank\" rel=\"noopener\">Cara Melakukan Regresi Logistik dengan Python<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/python-regresi-eksponensial\/\" target=\"_blank\" rel=\"noopener\">Cara Melakukan Regresi Eksponensial dengan Python<\/a><br \/> <a href=\"https:\/\/statorials.org\/id\/aic-dengan-python\/\" target=\"_blank\" rel=\"noopener\">Cara menghitung AIC model regresi dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Regresi kuadrat terkecil biasa (OLS) adalah metode yang memungkinkan kita menemukan garis yang paling menggambarkan hubungan antara satu atau lebih variabel prediktor dan variabel respons . Metode ini memungkinkan kita menemukan persamaan berikut: \u0177 = b 0 + b 1 x Emas: \u0177 : Perkiraan nilai respons b 0 : Asal garis regresi b 1 [&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 Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.\" \/>\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\/ols-regresi-python\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Cara Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/ols-regresi-python\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-16T20:16:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ligne11.jpg\" \/>\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\/ols-regresi-python\/\",\"url\":\"https:\/\/statorials.org\/id\/ols-regresi-python\/\",\"name\":\"Cara Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-16T20:16:40+00:00\",\"dateModified\":\"2023-07-16T20:16:40+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/ols-regresi-python\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/ols-regresi-python\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/ols-regresi-python\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Cara melakukan regresi ols dengan python (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 Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi","description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.","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\/ols-regresi-python\/","og_locale":"id_ID","og_type":"article","og_title":"Cara Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi","og_description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.","og_url":"https:\/\/statorials.org\/id\/ols-regresi-python\/","og_site_name":"Statorials","article_published_time":"2023-07-16T20:16:40+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ligne11.jpg"}],"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\/ols-regresi-python\/","url":"https:\/\/statorials.org\/id\/ols-regresi-python\/","name":"Cara Melakukan Regresi OLS dengan Python (dengan Contoh) - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-16T20:16:40+00:00","dateModified":"2023-07-16T20:16:40+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan regresi kuadrat terkecil biasa (OLS) dengan Python.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/ols-regresi-python\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/ols-regresi-python\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/ols-regresi-python\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Cara melakukan regresi ols dengan python (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\/3560"}],"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=3560"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/3560\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=3560"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=3560"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=3560"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}