$\"Sefza$ <\/div>\n<\/div>\n

<\/a><\/div>\n<\/div>\n<\/div>\n

<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

Analisis dan Prediksi Potensi Buyer Churn<\/p>\n

DQLab Telco merupakan perusahaan Telco yang sudah mempunyai banyak cabang. DQLab Telco sudah mempunyai banyak pelanggan yang beralih langganan ke kompetitor. Pihak administration<\/em> ingin mengurangi jumlah pelanggan yang beralih (churn)<\/em> dengan menggunakan machine<\/em> studying<\/em>.<\/p>\n

Tim Information Scientist diminta untuk mempersiapkan knowledge sekaligus membuat mannequin prediksi yang tepat untuk menentukan pelanggan akan berhenti berlangganan (churn)<\/em> atau tidak.<\/p>\n

Kita akan melakukan Information Preprocessing <\/em>(Information Cleaning)<\/em> bulan lalu, langkah yang akan dilakukan adalah:<\/p>\n

\n
Mencari ID pelanggan (Nomor telepon) yang legitimate<\/li>\n
Mengatasi data-data yang masih kosong (Lacking Values)<\/em><\/li>\n
Mengatasi Nilai-Nilai Pencilan (Outlier)<\/em> dari setiap Variable<\/em><\/li>\n
Menstandardisasi Nilai dari Variable<\/em><\/li>\n<\/ol>\n
Beberapa package deal<\/em> yang membantu kita dalam melakukan analisis knowledge.<\/p>\n
\n
Pandas<\/li>\n<\/ol>\n
Pandas (Python for Information Evaluation)<\/em> adalah library Python yang fokus untuk proses analisis knowledge seperti manipulasi knowledge, persiapan knowledge, dan pembersihan knowledge.<\/p>\n
\n
read_csv()<\/code> digunakan untuk membaca file csv<\/em><\/li>\n
str.match()<\/code> digunakan untuk mencocokan dengan karakter tertentu<\/li>\n
drop()<\/code> digunakan untuk menghapus<\/li>\n
rely()<\/code> digunakan untuk menghitung masing-masing variable<\/em><\/li>\n
drop_duplicates()<\/code> digunakan untuk menghapus knowledge duplicate rows<\/em><\/li>\n
fillna()<\/code> digunakan untuk mengisi dengan nilai tertentu<\/li>\n
quantile()<\/code> digunakan untuk melihat quantile<\/em> ke tertentu<\/li>\n
masks()<\/code> mengganti nilai tertentu jika kondisi memenuhi<\/li>\n
astype()<\/code> mengubah tipe knowledge<\/li>\n
value_counts()<\/code> digunakan untuk menghitung unik dari kolom<\/li>\n
sort_values()<\/code> digunakan untuk type values<\/em><\/li>\n
isnull()<\/code> digunakan untuk mendeteksi lacking values<\/em><\/li>\n
dropna()<\/code> digunakan untuk menghapus lacking values<\/em><\/li>\n
exchange()<\/code> digunakan untuk mengganti nilai<\/li>\n<\/ul>\n2. Matplotlib<\/p>\n Matplotlib adalah library Python yang fokus pada visualisasi knowledge seperti membuat plot<\/em> grafik. Matplotlib dapat digunakan dalam skrip Python, Python dan IPython shell, server aplikasi net, dan beberapa toolkit graphical person interface<\/em> (GUI) lainnya.<\/p>\n \ndetermine()<\/code> digunakan untuk membuat determine<\/em> gambar baru<\/li>\n<\/ul>\n3. Seaborn<\/p>\n Seaborn membangun di atas Matplotlib dan memperkenalkan tipe plot<\/em> tambahan. Ini juga membuat plot<\/em> Matplotlib tradisional Anda terlihat sedikit lebih cantik.<\/p>\n \nbox_plot()<\/code> digunakan untuk membuat field plot<\/em><\/li>\n<\/ul>\nUntuk dataset yang digunakan yaitu<\/p>\n df_load = pd.read_csv('https:\/\/storage.googleapis.com\/dqlab-dataset\/dqlab_telco.csv')<\/span><\/pre>\nUntuk element datanya adalah sebagai berikut:<\/p>\n \nUpdatedAt<\/code> Periode of Information taken<\/em><\/li>\n customerID<\/code> Buyer ID<\/em><\/li>\n gender<\/code> Whether or not the shopper is a male or a feminine (Male, Feminine)<\/em><\/li>\n SeniorCitizen<\/code> Whether or not the shopper is a senior citizen or not (1, 0)<\/em><\/li>\n Accomplice<\/code> Whether or not the shopper has a associate or not (Sure, No)<\/em><\/li>\n Dependents<\/code> Whether or not the shopper has dependents or not (Sure, No)<\/em><\/li>\n tenure<\/code> Variety of months the shopper has stayed with the corporate<\/em><\/li>\n PhoneService<\/code> Whether or not the shopper has a cellphone service or not (Sure, No)<\/em><\/li>\n MultipleLines<\/code> Whether or not the shopper has a number of traces or not (Sure, No, No cellphone service)<\/em><\/li>\n InternetService<\/code> Buyer\u2019s web service supplier (DSL, Fiber optic, No)<\/em><\/li>\n OnlineSecurity<\/code> Whether or not the shopper has on-line safety or not (Sure, No, No web service)<\/em><\/li>\n OnlineBackup<\/code> Whether or not the shopper has on-line backup or not (Sure, No, No web service)<\/em><\/li>\n DeviceProtection<\/code> Whether or not the shopper has gadget safety or not (Sure, No, No web service)<\/em><\/li>\n TechSupport<\/code> Whether or not the shopper has tech help or not (Sure, No, No web service)<\/em><\/li>\n StreamingTV<\/code> Whether or not the shopper has streaming TV or not (Sure, No, No web service)<\/em><\/li>\n StreamingMovies<\/code> Whether or not the shopper has streaming motion pictures or not (Sure, No, No web service)<\/em><\/li>\n Contract<\/code> The contract time period of the shopper (Month-to-month, One yr, Two yr)<\/em><\/li>\n PaperlessBilling<\/code> Whether or not the shopper has paperless billing or not (Sure, No)<\/em><\/li>\n PaymentMethod<\/code> The shopper\u2019s cost methodology (Digital test, Mailed test, Financial institution switch (automated), Bank card (automated))<\/em><\/li>\n MonthlyCharges<\/code> The quantity charged to the shopper month-to-month<\/em><\/li>\n TotalCharges<\/code> The overall quantity charged to the shopper<\/em><\/li>\n Churn<\/code> Whether or not the shopper churned or not (Sure or No)<\/em><\/li>\n<\/ul>\nHal pertama yang akan kita lakukan adalah melakukan import<\/em> library dan dataset ke dalam workspace<\/em> kita.<\/p>\n Setelah dataset di-import<\/em> ke dalam workspace<\/em>, tampilkan jumlah kolom dan baris dari knowledge set dengan menggunakan .form dan print 5 baris teratas dengan menggunakan head() dan carilah ada berapa jumlah customerID yang bersifat distinctive<\/em> dengan menggunakan .nunique<\/p>\n #import libraryimport pandas as pdpd.choices.show.max_columns = 50#import datasetdf_load = pd.read_csv('https:\/\/storage.googleapis.com\/dqlab-dataset\/dqlab_telco.csv')<\/p> #Tampilkan jumlah baris dan kolomprint(df_load.form)<\/p> #Tampilkan 5 knowledge teratasprint(df_load.head(5))<\/p> #Jumlah ID yang unikprint(df_load.customerID.nunique())<\/p><\/span><\/pre>\n \n\n<\/picture><\/div>\n<\/div>\n<\/figure>\nNotes:<\/em><\/p>\n 1. pd.choices.show.max_columns = 50 digunakan untuk mempermudah penampilan row<\/em> knowledge<\/p>\n 2. Simpan dataset ke dalam variabel df_load<\/p>\n Mencari format ID Quantity (Telephone Quantity) Pelanggan customerID<\/code> yang benar, dengan kriteria:<\/p>\n \nPanjang karakter adalah 11\u201312.<\/li>\n Terdiri dari angka Saja, tidak diperbolehkan ada karakter selain angka<\/li>\n Diawali dengan angka 45 2 digit pertama.<\/li>\n<\/ul>\nGunakan fungsi rely()<\/code> untuk menghitung banyaknya rows<\/em> Buyer ID, anda juga bisa menggunakan str.match()<\/code> & regex<\/em> untuk mencocokan dengan kriteria diatas. Jangan lupa gunakan astype()<\/code> untuk merubah tipe datanya yang semula numeric<\/em><\/p>\n Notes : Buat kolom bantuan baru dengan nama `valid_id`<\/strong><\/p>\n df_load['valid_id'] = df_load['customerID'].astype(str).str.match(r'(45d{9,10})')df_load = (df_load[df_load['valid_id'] == True]).drop('valid_id', axis = 1)print('Hasil jumlah ID Buyer yang terfilter adalah', df_load['customerID'].rely())<\/span><\/pre>\nOutput:Hasil jumlah ID Buyer yang terfilter adalah 7006<\/span><\/pre>\nMemastikan bahwa tidak ada Id Quantity pelanggan yang duplikat. Biasanya duplikasi ID quantity ini tipenya:<\/p>\n \nDuplikasi dikarenakan inserting<\/em> melebihi satu kali dengan nilai yang sama tiap kolomnya<\/li>\n Duplikasi dikarenakan inserting<\/em> beda periode pengambilan knowledge<\/li>\n<\/ul>\nGunakan hasil dari pengolahan di tahap sebelumnya df_load<\/code> untuk diolah di tahap ini. Gunakan fungsi drop_duplicates()<\/code> untuk menghapus duplikasi rows<\/em>, dan gunakan sort_values()<\/code> untuk mengecek pengambilan knowledge terakhir.<\/p>\n # Drop Duplicate Rowsdf_load.drop_duplicates()# Drop duplicate ID sorted by Periodedf_load = df_load.sort_values('UpdatedAt', ascending=False).drop_duplicates('customerID')print('Hasil jumlah ID Buyer yang sudah dihilangkan duplikasinya (distinct) adalah',df_load['customerID'].rely())<\/span><\/pre>\nOutput:Hasil jumlah ID Buyer yang sudah dihilangkan duplikasinya (distinct) adalah 6993<\/span><\/pre>\nValiditas dari ID Quantity pelanggan sangat diperlukan untuk memastikan bahwa knowledge yang kita ambil sudah benar. Berdasarkan hasil tersebut, terdapat perbedaan jumlah nomor ID dari knowledge pertama kali di load sampai dengan hasil akhir. Jumlah row<\/em> knowledge ketika pertama kali di load<\/em> ada sebanyak 7113 rows<\/em> dan 22 columns<\/em> dengan 7017 jumlah ID yang distinctive.<\/em> Kemudian setelah di cek validitas dari ID pelanggan, maka tersisa 6993 rows<\/em> knowledge<\/p>\n Selanjutnya kita akan menghapus rows<\/em> dari data-data yang tidak terdeteksi apakah dia churn<\/em> atau tidak. Diasumsikan knowledge modeller<\/em> hanya mau menerima knowledge yang benar ada flag churn<\/em>-nya atau tidak.<\/p>\n Gunakan isnull()<\/code> digunakan untuk mendeteksi lacking values<\/em> dan dropna()<\/code> untuk menghapus knowledge yang lacking values.<\/em><\/p>\n print('Complete lacking values knowledge dari kolom Churn',df_load['Churn'].isnull().sum())# Dropping all Rows with spesific column (churn)df_load.dropna(subset=['Churn'],inplace=True)print('Complete Rows dan kolom Information setelah dihapus knowledge Lacking Values adalah',df_load.form)<\/span><\/pre>\nOutput:Complete lacking values knowledge dari kolom Churn 43Complete Rows dan kolom Information setelah dihapus knowledge Lacking Values adalah (6950, 22)<\/span><\/pre>\nSelain dengan menghapus rows<\/em> dari knowledge, menangani lacking values<\/em> bisa menggunakan nilai tertentu. Diasumsikan knowledge modeller<\/em> meminta pengisian lacking values<\/em> dengan kriteria berikut:<\/p>\n \nTenure<\/code> pihak knowledge modeller<\/em> meminta setiap rows<\/em> yang memiliki lacking values<\/em> untuk lama berlangganan di isi dengan 11.<\/li>\n Variable<\/em> yang bersifat numeric<\/em> selain Tenure<\/code> di isi dengan median dari masing-masing variable<\/em> tersebut.<\/li>\n<\/ul>\nTentukan:<\/p>\n \nApakah masih ada knowledge yang lacking values<\/em><\/li>\n Jumlah lacking values<\/em> dari masing-masing variable<\/em><\/li>\n Tangani lacking values-nya<\/em><\/li>\n<\/ul>\ndf_load = df_load.sort_values('UpdatedAt', ascending=False).drop_duplicates('customerID')df_load.dropna(subset=['Churn'],inplace=True)print('Standing Lacking Values :',df_load.isnull().values.any())print('nJumlah Lacking Values masing-masing kolom, adalah:')print(df_load.isnull().sum().sort_values(ascending=False))<\/p> # dealing with lacking values Tenure fill with 11df_load['tenure'].fillna(11, inplace=True)<\/p> # Dealing with lacking values num vars (besides Tenure)for col_name in record(['MonthlyCharges','TotalCharges']):median = df_load[col_name].median()df_load[col_name].fillna(median, inplace=True)<\/p> print('nJumlah Lacking Values setelah di imputer datanya, adalah:')print(df_load.isnull().sum().sort_values(ascending=False))<\/p><\/span><\/pre>\n \n\n<\/picture><\/div>\n<\/div>Jumlah Lacking Values Earlier than<\/figcaption><\/figure>\n\n\n<\/picture><\/div>\n<\/div>Jumlah Lacking Values Then<\/figcaption><\/figure>\nSetelah kita analisis lebih lanjut, ternyata masih ada lacking values<\/em> dari knowledge yang kita sudah validkan Id Quantity pelanggannya. Lacking values<\/em> terdapat pada kolom Churn<\/code>, tenure<\/code>, MonthlyCharges<\/code> & TotalCharges<\/code>. Setelah kita tangani dengan cara penghapusan rows<\/em> dan pengisian rows<\/em> dengan nilai tertentu, terbukti sudah tidak ada lacking values<\/em> lagi pada knowledge, terbukti dari jumlah lacking values<\/em> masing-masing variable<\/em> yang bernilai 0. Selanjutnya kita akan melakukan penanganan pencilan (outlier)<\/em><\/p>\n Mendeteksi pencilan dari suatu nilai (outlier)<\/em> salah satunya bisa melihat plot dari knowledge tersebut menggunakan boxplot. Boxplot<\/em> merupakan ringkasan distribusi sampel yang disajikan secara grafis yang bisa menggambarkan bentuk distribusi knowledge (skewness)<\/em>, ukuran tendensi sentral dan ukuran penyebaran (keragaman). Berikut adalah tampilan umum dari boxplot<\/em> dalam merepresentasikan outliers<\/em>.<\/p>\n \n\n<\/picture><\/div>\n<\/div>\n<\/figure>\nPenggunaan fungsi describe() pada kolom tenure<\/strong>, MonthlyCharges<\/strong>, dan TotalCharges<\/strong> ditunjukkan sebagai berikut.<\/p>\n \n\n<\/picture><\/div>\n<\/div>\n<\/figure>\nMelalui fungsi describe() ini kita hanya memperoleh statistik deskriptif ketiga kolom ini. Agar outlier<\/em> pada ketiga kolom ini dapat dideteksi maka kamu diminta untuk memvisualisasikannya menggunakan boxplot-<\/em>nya. Setiap satu boxplot ada di satu canvas determine.<\/p>\n import pandas as pddf_load = pd.read_csv('https:\/\/storage.googleapis.com\/dqlab-dataset\/dqlab_telco.csv')df_load['valid_id'] = df_load['customerID'].astype(str).str.match(r'(45d{9,10})')df_load = (df_load[df_load['valid_id'] == True]).drop('valid_id', axis = 1)df_load.drop_duplicates()df_load = df_load.sort_values('UpdatedAt', ascending=False).drop_duplicates('customerID')df_load.dropna(subset=['Churn'],inplace=True)<\/p> df_load['tenure'].fillna(11, inplace=True)for col_name in record(['MonthlyCharges','TotalCharges']):median = df_load[col_name].median()df_load[col_name].fillna(median, inplace=True)<\/p> print('nPersebaran knowledge sebelum ditangani Outlier: ')print(df_load[['tenure','MonthlyCharges','TotalCharges']].describe())<\/p> # Creating Field Plotimport matplotlib.pyplot as pltimport seaborn as sns<\/p> # Masukkan variableplt.determine() # untuk membuat determine barusns.boxplot(x=df_load['tenure'])plt.present()plt.determine() # untuk membuat determine barusns.boxplot(x=df_load['MonthlyCharges'])plt.present()plt.determine() # untuk membuat determine barusns.boxplot(x=df_load['TotalCharges'])plt.present()<\/p><\/span><\/pre>\n \n\n<\/picture><\/div>\n<\/div>Grafik 1<\/figcaption><\/figure>\n\n\n<\/picture><\/div>\n<\/div>Grafik 2<\/figcaption><\/figure>\n\n\n<\/picture><\/div>\n<\/div>Grafik 3<\/figcaption><\/figure>\nSetelah kita mengetahui variable<\/em> mana saja yang terdapat pencilan (outlier)<\/em>, selanjutnya kita akan atasi outlier<\/em> dengan menggunakan metode interquartile vary<\/em> (IQR). Untuk element jelasnya, bisa dilihat di ilustrasi di bawah ini:<\/p>\n Gunakan hasil dari pengolahan di tahap sebelumnya df_load<\/code> untuk di olah di tahap ini. Gunakan fungsi quantile()<\/code> untuk melihat quantile<\/em> tertentu, dan gunakan masks()<\/code> untuk me-replace<\/em> nilai. Tentukan:<\/p>\n \nNilai minimal<\/em> dan most<\/em> knowledge di tolerir<\/li>\n Ubah nilai yang di luar vary<\/em> minimal & most<\/em> ke dalam nilai minimal<\/em> dan most<\/em><\/li>\n<\/ul>\n# Dealing with with IQRQ1 = (df_load[['tenure','MonthlyCharges','TotalCharges']]).quantile(0.25)Q3 = (df_load[['tenure','MonthlyCharges','TotalCharges']]).quantile(0.75)IQR = Q3 - Q1most = Q3 + (1.5*IQR)print('Nilai Most dari masing-masing Variable adalah: ')print(most)minimal = Q1 - (1.5*IQR)print('nNilai Minimal dari masing-masing Variable adalah: ')print(minimal)<\/p> more_than = (df_load > most)lower_than = (df_load < minimal)df_load = df_load.masks(more_than, most, axis=1)df_load = df_load.masks(lower_than, minimal, axis=1)<\/p> print('nPersebaran knowledge setelah ditangani Outlier: ')print(df_load[['tenure','MonthlyCharges','TotalCharges']].describe())<\/p><\/span><\/pre>\n \n\n<\/picture><\/div>\n<\/div>\n<\/figure>\nDari ketiga boxplot<\/em> dengan variable<\/em> \u2018tenure\u2019,\u2019MonthlyCharges\u2019 & \u2018TotalCharges\u2019<\/em> terlihat jelas bahwasannya ada outlier.<\/em> Hal ini bisa di identifikasi dari adanya titik-titik yang berada jauh dari gambar boxplot-nya.<\/em> Kemudian kalau kita liat persebaran datanya dari kolom max<\/strong> nya juga ada nilai yang sangat tinggi sekali.<\/p>\n Kemudian nilai outlier<\/em> tersebut ditangani dengan cara merubah nilainya ke nilai most<\/em> & minimal<\/em> dari interquartile vary<\/em> (IQR). Setelah di tangani outlier-nya,<\/em> dan dilihat perseberan datanya, terlihat sudah tidak ada lagi nilai yang outlier.<\/em><\/p>\n Mendeteksi apakah ada nilai-nilai dari variable<\/em> kategorik yang tidak commonplace. Hal ini biasanya terjadi dikarenakan kesalahan enter<\/em> knowledge. Perbedaan istilah menjadi salah satu faktor yang sering terjadi, untuk itu dibutuhkan standardisasi dari knowledge yang sudah ter-input.<\/em><\/p>\n Gunakan fungsi value_counts()<\/code> untuk melihat jumlah knowledge distinctive<\/em> per variable-<\/em>nya.<\/p>\n #Loop# Masukkan variablefor col_name in record(['gender','SeniorCitizen','Partner','Dependents','PhoneService','MultipleLines','InternetService','OnlineSecurity','OnlineBackup','DeviceProtection','TechSupport','StreamingTV','StreamingMovies','Contract','PaperlessBilling','PaymentMethod','Churn']):print('nUnique Values Depend \u000033[1m' + 'Before Standardized \u000033[0m Variable',col_name)print(df_load[col_name].value_counts())<\/span><\/pre>\n\n\n<\/picture><\/div>\n<\/div>Sebagian Output<\/figcaption><\/figure>\nSetelah kita mengeteahui variable<\/em> mana saja yang ada nilai tidak commonplace, maka kita standardkan dengan pola terbanyak nya, dengan syarat tanpa mengubah maknanya. Contoh : Iya<\/em> -> Sure<\/em> Kemudian liat kembali distinctive values<\/em> dari masing-masing variable<\/em> yang sudah di ubah. Gunakan fungsi exchange()<\/code> untuk menstandardkan nilai.<\/p>\n df_load = df_load.exchange(['Wanita','Laki-Laki','Churn','Iya'],['Female','Male','Yes','Yes'])# Masukkan variablefor col_name in record(['gender','Dependents','Churn']):print('nUnique Values Depend \u000033[1m' + 'After Standardized \u000033[0mVariable',col_name)print(df_load[col_name].value_counts())<\/p><\/span><\/pre>\n \n<\/picture><\/div>Sebagian Output<\/figcaption><\/figure>\nKetika kita amati lebih jauh dari jumlah distinctive worth<\/em> dari masing-masing variable<\/em> kategorik, terlihat jelas bahwa ada beberapa variable<\/em> yang tidak standar. Variable<\/em> itu adalah:<\/p>\n \nGender<\/code> (Feminine, Male,<\/em> Wanita, Laki-Laki), yang bisa di standardkan nilainya menjadi (Feminine, Male)<\/em> karena mempunyai makna yang sama.<\/li>\n Dependents<\/code> (Sure<\/em>, No,<\/em> Iya), yang bisa di standardkan nilainya menjadi (Sure, No)<\/em> karena mempunyai makna yang sama.<\/li>\n Churn<\/code> (Sure, No, Churn<\/em>), yang bisa di standardkan nilainya menjadi (Sure, No)<\/em> karena mempunyai makna yang sama.<\/li>\n<\/ul>\nSetelah kita standardkan nilainya, dan kita amati kembali bentuk datanya, sudah terstandar dengan baik untuk distinctive value-<\/em>nya.<\/p>\n \n\n<\/picture><\/div>\n<\/div>\n<\/figure>\n<\/div>\n\n","protected":false},"excerpt":{"rendered":"Analisis dan Prediksi Potensi Buyer Churn DQLab Telco merupakan perusahaan Telco yang sudah mempunyai banyak cabang. DQLab Telco sudah mempunyai banyak pelanggan yang beralih langganan ke kompetitor. Pihak administration ingin mengurangi jumlah pelanggan yang beralih (churn) dengan menggunakan machine studying. Tim Information Scientist diminta untuk mempersiapkan knowledge sekaligus membuat mannequin prediksi yang tepat untuk menentukan […]<\/p>\n","protected":false},"author":2,"featured_media":2492,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[55],"tags":[2429,2427,2425,157,668,1483,2426,2424,2428],"class_list":["post-2490","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-machine-learning","tag-alam","tag-auma","tag-cleansing","tag-data","tag-part","tag-science","tag-sefza","tag-telco","tag-tiang"],"_links":{"self":[{"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/posts\/2490","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=2490"}],"version-history":[{"count":1,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/posts\/2490\/revisions"}],"predecessor-version":[{"id":2491,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/posts\/2490\/revisions\/2491"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=\/wp\/v2\/media\/2492"}],"wp:attachment":[{"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=2490"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=2490"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/techtrendfeed.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=2490"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}