{"id":559,"date":"2023-07-29T12:27:42","date_gmt":"2023-07-29T12:27:42","guid":{"rendered":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/"},"modified":"2023-07-29T12:27:42","modified_gmt":"2023-07-29T12:27:42","slug":"apa-korelasi-yang-kuat","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/","title":{"rendered":"Apa yang dianggap \u201ckuat\u201d; korelasi?"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Dalam statistik, kita sering kali berusaha memahami bagaimana dua variabel berhubungan satu sama lain. Misalnya, kita mungkin ingin mengetahui:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Apa hubungan antara jumlah jam belajar siswa dan nilai ujiannya?<\/span><\/li>\n<li> <span style=\"color: #000000;\">Apa hubungan antara suhu luar dan jumlah es krim yang dijual truk makanan?<\/span><\/li>\n<li> <span style=\"color: #000000;\">Apa hubungan antara dana pemasaran yang dikeluarkan dan total pendapatan yang diperoleh untuk bisnis tertentu?<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dalam setiap skenario ini, kami mencoba memahami hubungan antara dua variabel berbeda.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam statistik, salah satu cara paling umum untuk mengukur hubungan antara dua variabel adalah dengan menggunakan <a href=\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson-1\/\" target=\"_blank\" rel=\"noopener\">koefisien korelasi Pearson<\/a> , yang merupakan ukuran hubungan linier antara dua variabel <em>.<\/em> Ini memiliki nilai antara -1 dan 1 di mana:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">-1 menunjukkan korelasi linier negatif sempurna antara dua variabel<\/span><\/li>\n<li> <span style=\"color: #000000;\">0 menunjukkan tidak ada korelasi linier antara dua variabel<\/span><\/li>\n<li> <span style=\"color: #000000;\">Angka 1 menunjukkan korelasi linier positif sempurna antara dua variabel<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Sering dilambangkan <em>r<\/em> , angka ini membantu kita memahami kekuatan hubungan antara dua variabel. <strong>Semakin jauh <em>r<\/em> dari nol maka semakin kuat hubungan kedua variabel tersebut<\/strong> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Penting untuk diperhatikan bahwa dua variabel dapat memiliki korelasi <i>positif<\/i> yang kuat atau korelasi <em>negatif<\/em> yang kuat.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Korelasi positif yang kuat:<\/strong> Ketika nilai satu variabel meningkat, nilai variabel lainnya juga meningkat dengan cara yang sama. Misalnya, semakin banyak jam yang dihabiskan seorang siswa untuk belajar, cenderung semakin tinggi pula nilai ujiannya. Jumlah jam belajar dan nilai ujian mempunyai korelasi positif yang kuat.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Korelasi negatif kuat:<\/strong> ketika nilai salah satu variabel meningkat maka nilai variabel lainnya cenderung menurun. Misalnya, semakin tua seekor ayam, semakin sedikit telur yang dihasilkannya. Umur ayam dan produksi telur memiliki korelasi negatif yang kuat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tabel berikut menunjukkan aturan praktis untuk menafsirkan kekuatan hubungan dua variabel berdasarkan nilai <em>r<\/em> :<\/span><\/p>\n<table>\n<tbody>\n<tr>\n<th> <strong><span style=\"color: #000000;\">Nilai mutlak <em>r<\/em><\/span><\/strong><\/th>\n<th> <strong><span style=\"color: #000000;\">Kekuatan hubungan<\/span><\/strong><\/th>\n<\/tr>\n<tr>\n<td> <span style=\"color: #000000;\">r &lt;0,25<\/span><\/td>\n<td> <span style=\"color: #000000;\">Tidak ada hubungan<\/span><\/td>\n<\/tr>\n<tr>\n<td> <span style=\"color: #000000;\">0,25 &lt; r &lt; 0,5<\/span><\/td>\n<td> <span style=\"color: #000000;\">Hubungan yang lemah<\/span><\/td>\n<\/tr>\n<tr>\n<td> <span style=\"color: #000000;\">0,5 &lt; r &lt; 0,75<\/span><\/td>\n<td> <span style=\"color: #000000;\">Hubungan yang moderat<\/span><\/td>\n<\/tr>\n<tr>\n<td> <span style=\"color: #000000;\">r &gt; 0,75<\/span><\/td>\n<td> <span style=\"color: #000000;\">Hubungan yang kuat<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p> <span style=\"color: #000000;\">Korelasi antara dua variabel dikatakan kuat jika nilai absolut <em>r<\/em> lebih besar dari <strong>0,75<\/strong> .<\/span> <span style=\"color: #000000;\">Namun, definisi korelasi \u201ckuat\u201d dapat bervariasi dari satu bidang ke bidang lainnya.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Medis<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Misalnya, dalam bidang medis, definisi hubungan \u201ckuat\u201d seringkali jauh lebih rendah. Jika hubungan antara meminum obat tertentu dan mengurangi serangan jantung adalah <em>r<\/em> = <strong>0,3,<\/strong> hal ini mungkin dianggap sebagai hubungan &#8220;positif lemah&#8221; di bidang lain, namun dalam dunia kedokteran, hubungan ini cukup signifikan sehingga layak untuk mengonsumsi obat guna mengurangi kemungkinan terjadinya serangan jantung. mengalami serangan jantung.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya manusia<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Di bidang lain seperti sumber daya manusia, korelasi yang lebih rendah juga dapat lebih sering digunakan. Misalnya, korelasi antara nilai perguruan tinggi dan prestasi kerja telah terbukti kira-kira <em>r<\/em> = <strong>0,16<\/strong> . Itu cukup rendah, tapi cukup penting sehingga perusahaan setidaknya harus mempertimbangkannya selama proses wawancara.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Teknologi<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Dan dalam bidang seperti teknologi, korelasi antar variabel mungkin perlu lebih tinggi dalam beberapa kasus agar bisa dianggap &#8220;kuat&#8221;. Misalnya, jika sebuah perusahaan menciptakan mobil tanpa pengemudi dan korelasi antara keputusan membelokkan mobil dan kemungkinan terjadinya kecelakaan adalah <em>r<\/em> = <strong>0,95<\/strong> , maka hal ini mungkin terlalu rendah untuk dianggap aman karena mobil tersebut merupakan hasil dari pembuatan mobil tanpa pengemudi. mobil tanpa pengemudi adalah r = 0,95. keputusan yang buruk bisa berakibat fatal.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Lihat korelasi<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Apa pun bidang pekerjaan Anda, akan sangat membantu jika Anda membuat diagram sebar dari dua variabel yang Anda pelajari sehingga Anda setidaknya dapat memeriksa hubungan di antara keduanya secara visual.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita memiliki kumpulan data berikut yang menunjukkan tinggi dan berat 12 orang:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4986 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple2.jpg\" alt=\"\" width=\"193\" height=\"266\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Agak sulit memahami hubungan kedua variabel ini hanya dengan melihat data mentahnya. Namun, akan lebih mudah untuk memahami hubungannya jika kita membuat diagram sebar dengan tinggi pada sumbu x dan berat pada sumbu y:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1547 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl15.jpg\" alt=\"\" width=\"461\" height=\"335\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Jelas terdapat hubungan positif antara kedua variabel tersebut.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Membuat point cloud adalah ide bagus karena dua alasan lain:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(1) Plot sebar memungkinkan Anda mengidentifikasi outlier yang memengaruhi korelasi.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Pencilan ekstrim dapat mengubah koefisien korelasi Pearson secara signifikan. Perhatikan contoh di bawah ini, dimana variabel <em>X<\/em> dan <em>Y<\/em> mempunyai koefisien korelasi Pearson sebesar <em>r<\/em> = <strong>0,00<\/strong> .<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1539 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl9.jpg\" alt=\"\" width=\"454\" height=\"306\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Tapi sekarang bayangkan kita memiliki outlier dalam kumpulan data:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1540 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl10.jpg\" alt=\"\" width=\"456\" height=\"305\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Outlier ini menyebabkan korelasinya menjadi <em>r<\/em> = <strong>0,878<\/strong> . Titik data tunggal ini benar-benar mengubah korelasi dan membuatnya tampak seolah-olah ada hubungan yang kuat antara variabel <em>X<\/em> dan <em>Y<\/em> , padahal sebenarnya tidak ada.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(2) Plot sebar dapat membantu Anda mengidentifikasi hubungan nonlinier antar variabel.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Koefisien korelasi Pearson hanya memberi tahu kita apakah dua variabel berhubungan <em>linier<\/em> . Namun meskipun koefisien korelasi Pearson menunjukkan bahwa dua variabel tidak berkorelasi, keduanya masih bisa mempunyai hubungan nonlinier. Ini adalah alasan lain mengapa membuat diagram sebar berguna.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, perhatikan diagram sebar di bawah ini antara variabel <em>X<\/em> dan <em>Y<\/em> , yang korelasinya adalah <em>r<\/em> = <strong>0,00<\/strong> .<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1541 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl11.jpg\" alt=\"\" width=\"448\" height=\"307\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Variabel-variabelnya jelas tidak memiliki hubungan linier, tetapi <em>memiliki<\/em> hubungan nonlinier: nilai y hanyalah nilai x yang dikuadratkan. Koefisien korelasi saja tidak dapat mendeteksi hubungan ini, namun plot sebar dapat mendeteksinya.<\/span><\/p>\n<h2> <span style=\"color: #000000;\"><strong>Kesimpulan<\/strong><\/span><\/h2>\n<p> <span style=\"color: #000000;\">Kesimpulan:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Secara umum, korelasi yang lebih besar dari 0,75 dianggap sebagai korelasi yang \u201ckuat\u201d antara dua variabel.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Namun, aturan praktis ini dapat berbeda dari satu daerah ke daerah lain. Misalnya, korelasi yang jauh lebih lemah mungkin dianggap kuat dalam bidang medis dibandingkan dengan bidang teknologi. Cara terbaik adalah menggunakan keahlian khusus domain untuk memutuskan apa yang dianggap kuat.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Saat menggunakan korelasi untuk mendeskripsikan hubungan antara dua variabel, ada baiknya juga membuat plot sebar sehingga Anda dapat mengidentifikasi outlier dalam kumpulan data serta potensi hubungan nonlinier.<\/span><\/li>\n<\/ul>\n<h3> <span style=\"color: #000000;\"><strong>Sumber daya tambahan<\/strong><\/span><\/h3>\n<p> <a href=\"https:\/\/statorials.org\/id\" target=\"_blank\" rel=\"noopener\">Apa yang dianggap sebagai korelasi \u201clemah\u201d?<\/a><br \/> Kalkulator Matriks Korelasi<br \/> <a href=\"https:\/\/statorials.org\/id\/cara-membaca-matriks-korelasi\/\" target=\"_blank\" rel=\"noopener\">Cara membaca matriks korelasi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dalam statistik, kita sering kali berusaha memahami bagaimana dua variabel berhubungan satu sama lain. Misalnya, kita mungkin ingin mengetahui: Apa hubungan antara jumlah jam belajar siswa dan nilai ujiannya? Apa hubungan antara suhu luar dan jumlah es krim yang dijual truk makanan? Apa hubungan antara dana pemasaran yang dikeluarkan dan total pendapatan yang diperoleh untuk [&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>Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi<\/title>\n<meta name=\"description\" content=\"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.\" \/>\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\/apa-korelasi-yang-kuat\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi\" \/>\n<meta property=\"og:description\" content=\"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-29T12:27:42+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple2.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\/apa-korelasi-yang-kuat\/\",\"url\":\"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/\",\"name\":\"Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-29T12:27:42+00:00\",\"dateModified\":\"2023-07-29T12:27:42+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Apa yang dianggap \u201ckuat\u201d; korelasi?\"}]},{\"@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":"Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi","description":"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.","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\/apa-korelasi-yang-kuat\/","og_locale":"id_ID","og_type":"article","og_title":"Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi","og_description":"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.","og_url":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/","og_site_name":"Statorials","article_published_time":"2023-07-29T12:27:42+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple2.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\/apa-korelasi-yang-kuat\/","url":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/","name":"Apa yang dianggap sebagai korelasi \u201ckuat\u201d? - Statologi","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-29T12:27:42+00:00","dateModified":"2023-07-29T12:27:42+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Penjelasan sederhana tentang apa yang dimaksud dengan korelasi \u201ckuat\u201d antara dua variabel disertai beberapa contoh.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/apa-korelasi-yang-kuat\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Apa yang dianggap \u201ckuat\u201d; korelasi?"}]},{"@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\/559"}],"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=559"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/559\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}