{"id":418,"date":"2023-07-30T05:00:57","date_gmt":"2023-07-30T05:00:57","guid":{"rendered":"https:\/\/statorials.org\/id\/regresi-linier\/"},"modified":"2023-07-30T05:00:57","modified_gmt":"2023-07-30T05:00:57","slug":"regresi-linier","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/regresi-linier\/","title":{"rendered":"Pengantar regresi linier sederhana"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><strong>Regresi linier sederhana<\/strong> merupakan salah satu metode statistik yang dapat Anda gunakan untuk memahami hubungan antara dua variabel, x dan y.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Variabel, <strong>x<\/strong> , dikenal sebagai <strong>variabel prediktor<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Variabel lainnya, <strong>y<\/strong> , dikenal sebagai <strong>variabel respon<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita memiliki kumpulan data berikut dengan berat dan tinggi badan tujuh orang:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1290 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg\" alt=\"Regresi linier sederhana\" width=\"197\" height=\"200\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Biarkan <em>berat badan<\/em> menjadi variabel prediktor dan biarkan <em>tinggi badan<\/em> menjadi variabel respon.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita membuat grafik kedua variabel ini menggunakan scatterplot, dengan bobot pada sumbu x dan tinggi pada sumbu y, maka akan terlihat seperti ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1291 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur.jpg\" alt=\"Plot Sebaran Regresi Linier\" width=\"513\" height=\"341\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Misalkan kita ingin memahami hubungan antara berat badan dan tinggi badan. Dari diagram sebar kita dapat melihat dengan jelas bahwa seiring bertambahnya berat badan, tinggi badan juga cenderung meningkat, tetapi untuk benar-benar <em>mengukur<\/em> hubungan antara berat badan dan tinggi badan ini kita perlu menggunakan regresi linier.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan menggunakan regresi linier, kita dapat menemukan garis yang paling \u201csesuai\u201d dengan data kita. Garis ini dikenal sebagai <strong>garis regresi kuadrat terkecil<\/strong> dan dapat digunakan untuk membantu kita memahami hubungan antara berat badan dan tinggi badan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Biasanya, Anda akan menggunakan perangkat lunak seperti Microsoft Excel, SPSS, atau kalkulator grafik untuk mencari persamaan garis ini.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Rumus garis yang paling sesuai ditulis:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">\u0177 = b <sub>0<\/sub> + b <sub>1<\/sub> x<\/span><\/p>\n<p> <span style=\"color: #000000;\">dimana \u0177 adalah nilai prediksi variabel respon, b <sub>0<\/sub> adalah intersep, b <sub>1<\/sub> adalah koefisien regresi, dan x adalah nilai variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Terkait:<\/strong> <a href=\"https:\/\/statorials.org\/id\/contoh-nyata-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">4 Contoh Penggunaan Regresi Linier dalam Kehidupan Nyata<\/a><\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Temukan \u201cjalur yang paling cocok\u201d<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Untuk contoh ini, kita cukup memasukkan data kita ke dalam <a href=\"https:\/\/statorials.org\/id\/kalkulator-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">kalkulator regresi linier statistik<\/a> dan tekan <em>Hitung<\/em> :<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-7313 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/linregcalc1.png\" alt=\"Menghitung persamaan regresi linier\" width=\"336\" height=\"582\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kalkulator secara otomatis menemukan <strong>garis regresi kuadrat terkecil<\/strong> :<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">\u0177 = 32,7830 + 0,2001x<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika kita memperkecil tampilan diagram sebar sebelumnya dan menambahkan garis ini ke grafik, tampilannya akan seperti ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1297 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur4.jpg\" alt=\"\" width=\"543\" height=\"356\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bagaimana titik data kita tersebar di sekitar garis ini. Memang benar, garis regresi kuadrat terkecil ini adalah garis yang paling sesuai dengan data kita di antara semua kemungkinan garis yang dapat kita gambar.<\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Bagaimana menafsirkan garis regresi kuadrat terkecil<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Berikut cara mengartikan garis regresi kuadrat terkecil ini: \u0177 = 32,7830 + 0,2001x<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong><sub>b0<\/sub> = 32,7830<\/strong> . Artinya ketika variabel prediktor <em>berat badan<\/em> adalah nol pon, maka tinggi badan yang diprediksi adalah 32,7830 inci. Terkadang nilai b <sub>0<\/sub> berguna untuk diketahui, tetapi dalam contoh spesifik ini tidak masuk akal untuk menafsirkan b <sub>0<\/sub> karena seseorang tidak dapat memiliki berat nol pon.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong><sub>b1<\/sub> = 0,2001<\/strong> . Artinya kenaikan satu satuan pada <em>x<\/em> dikaitkan dengan kenaikan 0,2001 satuan pada <em>y<\/em> . Dalam hal ini, peningkatan berat badan sebesar satu pon dikaitkan dengan peningkatan tinggi badan sebesar 0,2001 inci.<\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Cara menggunakan garis regresi kuadrat terkecil<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Dengan menggunakan garis regresi kuadrat terkecil ini, kita dapat menjawab pertanyaan seperti:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><em>Untuk seseorang yang beratnya 170 pon, berapa tinggi badan yang kita harapkan?<\/em><\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menjawab pertanyaan ini, kita cukup memasukkan 170 ke dalam garis regresi untuk x dan menyelesaikan untuk y:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">\u0177 = 32,7830 + 0,2001(170) = <strong>66,8 inci<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><em>Untuk seseorang yang beratnya 150 pon, berapa tinggi badan yang kita harapkan?<\/em><\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menjawab pertanyaan ini, kita dapat memasukkan 150 ke dalam garis regresi untuk x dan menyelesaikan untuk y:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">\u0177 = 32,7830 + 0,2001(150) = <strong>62,798 inci<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Perhatian:<\/strong> <em>Saat menggunakan persamaan regresi untuk menjawab pertanyaan seperti ini, pastikan untuk hanya menggunakan nilai variabel prediktor yang berada dalam rentang variabel prediktor dalam kumpulan data. asal yang kami gunakan untuk menghasilkan garis regresi kuadrat terkecil. Misalnya, bobot dalam kumpulan data kami berkisar antara 140 dan 212 pon. Jadi masuk akal untuk menjawab pertanyaan tentang tinggi badan yang diharapkan ketika berat badan antara 140 dan 212 pon.<\/em><\/span><\/p>\n<h2> <strong>Koefisien determinasi<\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Salah satu cara untuk mengukur seberapa cocok garis regresi kuadrat terkecil dengan data adalah dengan menggunakan <strong>koefisien determinasi<\/strong> yang dilambangkan dengan R <sup>2<\/sup> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Koefisien determinasi merupakan proporsi variansi variabel respon yang dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Koefisien determinasi dapat bervariasi dari 0 hingga 1. Nilai 0 menunjukkan bahwa variabel respon tidak dapat dijelaskan sama sekali oleh variabel prediktor. Nilai 1 menunjukkan bahwa variabel respon dapat dijelaskan dengan sempurna tanpa kesalahan oleh variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">R2<\/span> <span style=\"color: #000000;\"><sup>antara<\/sup> 0 dan 1 menunjukkan sejauh mana variabel respon dapat dijelaskan oleh variabel prediktor. Misalnya, R <sup>2<\/sup> sebesar 0,2 menunjukkan bahwa 20% varians dalam variabel respon dapat dijelaskan oleh variabel prediktor; R <sup>2<\/sup> sebesar 0,77 menunjukkan bahwa 77% varians variabel respon dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Perhatikan bahwa pada hasil sebelumnya kami memperoleh R <sup>2<\/sup> sebesar 0,9311, yang menunjukkan bahwa 93,11% variabilitas tinggi badan dapat dijelaskan oleh variabel prediktor berat badan:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-7314 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/linregcalc2.png\" alt=\"Koefisien determinasi dalam regresi linier\" width=\"283\" height=\"237\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Ini memberi tahu kita bahwa berat badan adalah indikator tinggi badan yang sangat baik.<\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Asumsi Regresi Linier<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Agar hasil model regresi linier valid dan dapat diandalkan, kita harus memverifikasi bahwa empat asumsi berikut terpenuhi:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Hubungan linier :<\/strong> Terdapat hubungan linier antara variabel bebas, x, dan variabel terikat, y.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Independensi:<\/strong> Residunya bersifat independen. Secara khusus, tidak ada korelasi antara residu yang berurutan dalam data deret waktu.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Homoskedastisitas :<\/strong> Residual mempunyai varian yang konstan pada setiap level x.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>4. Normalitas:<\/strong> Residual model berdistribusi normal.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika satu atau lebih asumsi ini tidak terpenuhi, maka hasil regresi linier kami mungkin tidak dapat diandalkan atau bahkan menyesatkan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Lihat <a href=\"https:\/\/statorials.org\/id\/asumsi-regresi-linier\/\" target=\"_blank\" rel=\"noopener noreferrer\">artikel ini<\/a> untuk penjelasan masing-masing asumsi, cara menentukan apakah asumsi tersebut terpenuhi, dan apa yang harus dilakukan jika asumsi tersebut tidak terpenuhi.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Regresi linier sederhana merupakan salah satu metode statistik yang dapat Anda gunakan untuk memahami hubungan antara dua variabel, x dan y. Variabel, x , dikenal sebagai variabel prediktor . Variabel lainnya, y , dikenal sebagai variabel respon . Misalnya, kita memiliki kumpulan data berikut dengan berat dan tinggi badan tujuh orang: Biarkan berat badan menjadi [&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>Pengantar Regresi Linier Sederhana - Statorial<\/title>\n<meta name=\"description\" content=\"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.\" \/>\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\/regresi-linier\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar Regresi Linier Sederhana - Statorial\" \/>\n<meta property=\"og:description\" content=\"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/regresi-linier\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-30T05:00:57+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.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=\"4 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier\/\",\"url\":\"https:\/\/statorials.org\/id\/regresi-linier\/\",\"name\":\"Pengantar Regresi Linier Sederhana - Statorial\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-30T05:00:57+00:00\",\"dateModified\":\"2023-07-30T05:00:57+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/regresi-linier\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/regresi-linier\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar regresi linier sederhana\"}]},{\"@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":"Pengantar Regresi Linier Sederhana - Statorial","description":"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.","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\/regresi-linier\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar Regresi Linier Sederhana - Statorial","og_description":"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.","og_url":"https:\/\/statorials.org\/id\/regresi-linier\/","og_site_name":"Statorials","article_published_time":"2023-07-30T05:00:57+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/poids_hauteur1.jpg"}],"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\/regresi-linier\/","url":"https:\/\/statorials.org\/id\/regresi-linier\/","name":"Pengantar Regresi Linier Sederhana - Statorial","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-30T05:00:57+00:00","dateModified":"2023-07-30T05:00:57+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Pengenalan sederhana tentang regresi linier, termasuk definisi formal dan contohnya.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/regresi-linier\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/regresi-linier\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/regresi-linier\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar regresi linier sederhana"}]},{"@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\/418"}],"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=418"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/418\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=418"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=418"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=418"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}