Tugas
Herlanto Exaudi Sitompul
2024-03-04
This is an R Markdown Notebook. When you execute code within the notebook, the results appear beneath the code.
Try executing this chunk by clicking the Run button within the chunk or by placing your cursor inside it and pressing Ctrl+Shift+Enter.
plot(cars)
Add a new chunk by clicking the Insert Chunk button on the toolbar or by pressing Ctrl+Alt+I.
When you save the notebook, an HTML file containing the code and output will be saved alongside it (click the Preview button or press Ctrl+Shift+K to preview the HTML file).
The preview shows you a rendered HTML copy of the contents of the editor. Consequently, unlike Knit, Preview does not run any R code chunks. Instead, the output of the chunk when it was last run in the editor is displayed.
Unveiling Socio Demographic Patterns: Exploring Data Panels with plm() in R. ***
Pendahuluan
Kata Pengantar
Dalam era digital saat ini, data telah menjadi komoditas yang sangat berharga, memperkuat pemahaman kita tentang berbagai aspek kehidupan manusia, termasuk faktor sosial dan demografi.Informasi socio demografi memungkinkan kita untuk memahami karakteristik individu dan kelompok dalam suatu populasi. Data mengenai usia, jenis kelamin, pendidikan, dan status ekonomi membantu dalam membentuk gambaran yang lebih lengkap tentang dinamika sosial masyarakat. Dengan pemahaman yang lebih baik tentang faktor-faktor ini, kita dapat mengidentifikasi tren, pola, dan perubahan yang terjadi dari waktu ke waktu.
Salah satu metode yang dapat Kita gunakan untuk melacak perkembangan sosial dan demografi adalah Panel Data Analysis. Dengan analisis data panel memungkinkan kita untuk memahami bagaimana faktor-faktor socio demografi berinteraksi dan berdampak satu sama lain seiring berjalannya waktu. Analisis data panel memungkinkan kita untuk mengeksplorasi hubungan kausalitas antara berbagai variabel socio demografi, serta untuk mengidentifikasi faktor-faktor yang mempengaruhi perubahan dalam jangka panjang
Materi ini bertujuan memberikan pemahaman kepada peserta workshop terkait penggunaan Panel Data analysis dalam mengeksplorasi data Socio demografi. Adapun setelah mempelajari materi ini peserta diharapkan dapat memahami kegunaan dan potensi panel data analysis sesuai dengan proses bisnis yang ada di bidang industri yang dijalani oleh peserta.
Tujuan Pembelajaran
Tujuan utama dari workshop ini adalah untuk memberikan pengenalan yang komprehensif mengenai tools dan perangkat lunak yang digunakan untuk melakukan panel data analysis, yakni sebuah open-source populer: R. Adapun materi ini akan mencakup:
- Dasar Bahasa Pemrograman R
- Pengenalan R untuk data science
- Lingkunan kerja RStudio
- Basic Control Statement di R
- Manipulasi dan pemrosesan data dengan R dplyr
- Pengenalan Socio Demografi & Data Panel
- Pengenalan data socio demografi
- Pengenalan data panel
- Konsep dan alur pemodelan data panel
- Case Study: Pemodelan Persentase Tingkat Pengangguran di
Pulau Jawa Tahun 2015-2018
- Persiapan data panel
- Explorasi Data
- Pembuatan model data panel
- Pemilihan model terbaik
- Pengujin Asumsi
- Interpretasi model
- Prediksi data baru
Perkenalan Tools
Sebelum masuk ke dalam analisis data, kita perlu mengenal tools dan bahasa pemrograman yang akan digunakan. Adapun bahasa pemrograman yang digunakan yaitu R dengan bantuan tools yaitu RStudio.
R merupakan bahasa pemrograman di mana seperangkat instruksi akan diterjemahkan ke dalam bahasa komputer, sedangkan RStudio merupakan aplikasi tambahan yang dapat membantu pengguna R melakukan pekerjaannya.
knitr::include_graphics(path = "assets/rstudio.png")
## Mengapa mempelajari
R?
1. Dibangun oleh ahli statistik, untuk ahli statistik.
R adalah bahasa pemrograman statistik yang dibuat oleh Ross Ihaka dan Robert Gentleman di Departemen Statistik, di University of Auckland (Selandia Baru). R dibuat untuk analisis data, dan dengan demikian, berbeda dari bahasa pemrograman tradisional. R bukan hanya bahasa pemrograman statistik, R juga environment yang lengkap untuk analis data dan perangkat lunak analisis data yang paling banyak digunakan saat ini.
2. Memiliki banyak Library
R menyediakan banyak packages tambahan yang menambahkan fungsionalitas out-of-the-box untuk berbagai kegunaan: uji statistik, analisis deret waktu, visualisasi yang indah, dan berbagai tugas machine learning seperti algoritme regresi, algoritme klasifikasi, dan algoritme clustering. Komunitas R terkenal karena kontribusinya yang aktif dalam hal packages.
3. Sumber Terbuka
Bagian dari alasan komunitasnya yang aktif dan berkembang pesat adalah sifat sumber terbuka (open-source) dari R. Pengguna dapat berkontribusi dalam pembuatan packages, banyak tools statistik dan template kustomisasi untuk visualisasi yang tidak ditemukan dalam aplikasi statistik lain.
4. Digunakan oleh berbagai perusahaan perangkat lunak Terbesar di Dunia
R digunakan oleh Google untuk menghitung Return on Investment (ROI)
dari berbagai iklan, dan seringkali digunakan untuk mengestimasi
casual effect; seperti estimasi dampak dari sebuah fitur dari
suatu aplikasi terhadap jumlah download dari aplikasi tersebut,
ataupun peningkatan tingkat penjualan setelah mengeluarkan
AdWords. Bahkan, Google merilis package R yang dapat
digunakan oleh pengguna R lain untuk melakukan analisis serupa (lihat CausalImpact). Banyak pegawai di Google
telah berkontribusi aktif terhadap komunitas pengguna R: mereka
seringkali aktif dalam berbagai grup pengguna R; membuat interface untuk Google
Prediction; membuat coding style versi Google untuk R,
dan telah berkontribusi berbagai package untuk R.
Microsoft juga termasuk sebagai salah satu diantara perusahaan besar yang sangat bergantung pada R. Pada awalnya, Microsoft menggunakan R dalam: platform Azure–tepatnya sebagai capacity planning; sistem matchmaking pada Xbox’s TrueSkill; analisis churn untuk berbagai produk; dan beberapa internal services lain dalam Microsoft’s line of products. Langkah penting yang diambil oleh Microsoft dalam hal ini adalah akuisisi dari Revolution Analytics, yang terkenal atas berbagai produk perkembangan di R; yang sekarang lebih dikenal sebagai Microsoft R Server, Microsoft R Open, Microsoft Data Science Virtual Machine, dll.
5. Ready for Big Data
R dapat terintegrasi dengan tools lain dalam pengolahan big data, library seperti RHadoop, ParallelR, merupakan sebagian dari library yang mampu membantu data engineers untuk melakukan komputasi pararel di R.
R Studio UI
Pada awal materi kita telah membahas perbedaan utama antara R dan RStudio. RStudio memiliki beberapa panel yang tersedia, jika anda sedang membaca materi ini pada format file RMarkdown (.Rmd), anda sedang melihat panel source dari RStudio. Sekarang mari kita bahas beberapa panel yang terdapat pada RStudio :
knitr::include_graphics("assets/Rstudio UI.png")
Terdapat 4 panel utama
yang harus Anda pahami yaitu:
Panel Source: Jendela yang menampilkan file yang sedang dibuka pada RStudio (fitur utama).
Panel Console: Jendela yang menampilkan eksekusi dari bahasa R yang digunakan untuk berkomunikasi dengan R Session.
Panel Environment / History: Jendela yang menampilkan seluruh object R yang sudah dibuat selama session yang sama. Tab History berfungsi untuk melihat history dari kode yang sudah dijalankan sebelumnya
Panel Files/Plot/Packages/Help:
- Tab Files : Daftar dari file yang berada dalam working directory yang dibuka (satu R project).
- Tab Plot : Menampilkan visualisasi yang terbentuk.
- Tab Packages : Berisi daftar packages yang sudah terinstall.
- Tab Help : Menampilkan dokumentasi resmi dari setiap fungsi dapat membantu pemahaman terkait fungsi tersebut.
Materi ini dibuat menggunakan R markdown file (.Rmd) yang sudah
terintegrasi dengan RStudio dan beberapa fitur sudah diatur dalam
packages rmarkdown. R markdown dapat digunakan untuk
membuat laporan dari analisa dengan standar yang tinggi. Jika Anda
melihat lokasi original dari file ini maka Anda akan menemukan 3 file
utama yaitu : file .Rmd, .html, dan .pdf. Adapun file HTML dan PDF
dihasilkan dari R markdown dengan fungsi knit dari packages
rmarkdown.
Pada R markdown Anda dapat memasukkan narasi dari laporan yang dibuat serta kode program dari analisis Anda. Adapun tempat untuk memasukkan kode program pada R markdown disebut chunk. Terdapat 2 cara untuk membuat chunk yaitu :
- menggunakan shortcut
ctrl+alt+i
- menggunakan tombol insert yang berada pada pojok kanan atas dari panel source kemudian pilih R
Library/Package
Package adalah kumpulan fungsi R, data, dan kode yang dikompilasi dalam format yang terdefinisi dengan baik. Direktori tempat penyimpanan paket disebut library.
Untuk dapat mengikuti materi ini, peserta diharapkan sudah menginstall beberapa packages di bawah ini. Apabila package tersebut belum terinstall, silahkan melakukan instalasi package dengan copy dan jalankan code berikut pada bagian console
install.packages(c(“knitr”, “rmarkdown”, “dplyr”,“tidyr”,“lubridate”, “ggcorplot”, “ggplot2”, “gplots”, “foreign”, “kableExtra”, “plotly”,“plm”,“lfe”,“lmtest”,“car”,“tseries”,“MLmetrics”))
Apabila package sudah terinstall, silahkan jalankan code dibawah ini untuk mengaktifkan package-package yang akan digunakan pada materi ini.
#Packages untuk pengolahan dataframe
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyr)
library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, union#Packages untuk reporting
library(kableExtra)## Warning: package 'kableExtra' was built under R version 4.3.3##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rows#Packages untuk membuat visualisasi
library(ggcorrplot)## Loading required package: ggplot2library(gplots)##
## Attaching package: 'gplots'## The following object is masked from 'package:stats':
##
## lowesslibrary(ggplot2)
library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutlibrary(foreign)
#Packages untuk melakukan analisis
library(plm)##
## Attaching package: 'plm'## The following objects are masked from 'package:dplyr':
##
## between, lag, leadlibrary(lfe)## Loading required package: Matrix##
## Attaching package: 'Matrix'## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack##
## Attaching package: 'lfe'## The following object is masked from 'package:plm':
##
## sarganlibrary(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'lmtest'## The following object is masked from 'package:lfe':
##
## waldtestlibrary(car)## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:dplyr':
##
## recodelibrary(tseries)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoolibrary(MLmetrics)##
## Attaching package: 'MLmetrics'## The following object is masked from 'package:base':
##
## RecallMembuat Report dengan Rmarkdown
Pada materi ini, kita akan menggunakan file Rmarkdown (.Rmd).
Rmarkdown merupakan package/tools yang digunakan untuk membuat report
dengan kualitas tinggi.Pada folder materi ini terdapat file dengan
ekstensi .html yang merupakan hasil knit dari
Rmarkdown.
Untuk membuat file Rmarkdown, kita bisa klik menu file pada pojok
kiri atas Rstudio, pilih New File dan pilih
R Markdown. Window baru akan terbuka, anda dapat memilih
output dari report yang diinginkan kemudian memasukkan nama serta judul
dari report.
knitr::include_graphics("assets/rmarkdown.png")
Objek Data Frame
Setelah kita mempelajari tentang vektor dan kelas, kita akan membahas tipe objek lainnya. Pertimbangkan kasus ini:
Anda bekerja di perusahaan e-commerce dan diberikan data faktur dari tahun 2020 dalam format tabel. Bisakah Anda membayangkan seperti apa data tersebut? Bagaimana Anda akan menyimpan datanya?
Sebuah data frame adalah cara paling umum untuk menyimpan data di R, dan jika digunakan secara sistematis, membuat analisis data lebih mudah. Di bawah kecapi, sebuah data frame adalah daftar dari vektor yang memiliki panjang yang sama. Sekarang, mari kita lihat contoh data frame di bawah ini:
# Please run the code down below
faktur <- data.frame(
faktur.id = 1005:1009,
jumlah.pembelian = c(560400, 701300, 350300, 421600,321000),
tanggal.pembelian = as.Date(c("2020-01-02","2020-01-02","2020-01-02","2020-02-03","2020-02-03")),
nama.pelanggan = c("Shello", "Ardhito", "Arlene", "Bagas", "Cipto"),
alamat = factor(c("Denpasar", "Bogor", "Jakarta", "Surabaya", "Jakarta"))
)
faktur## faktur.id jumlah.pembelian tanggal.pembelian nama.pelanggan alamat
## 1 1005 560400 2020-01-02 Shello Denpasar
## 2 1006 701300 2020-01-02 Ardhito Bogor
## 3 1007 350300 2020-01-02 Arlene Jakarta
## 4 1008 421600 2020-02-03 Bagas Surabaya
## 5 1009 321000 2020-02-03 Cipto JakartaKnowledge Check 2:
- Ingat cara menggunakan
class()untuk mengembalikan atribut kelas dari objek R. Buat chunk baru di bawah ini, dan gunakan panggilan fungsi padafaktur!
# Type your code here
class(faktur)## [1] "data.frame"- Untuk mengakses kolom dari data frame, Anda dapat menggunakan
sintaks
data$kolom. Cobalah menggunakan fungsiclass()padafaktur$alamat, nilai apa yang dikembalikan oleh panggilan fungsi tersebut? Bagaimana denganfaktur$jumlah.pembelian?
# Type your code here
class(faktur$jumlah.pembelian)## [1] "numeric"Exploratory Data Analysis
1. Membaca Data
Pada bagian sebelumnya, kita telah mempelajari struktur data di R.
Untuk selanjutnya kita akan mencoba melakukan import data menggunakan
fungsi read.csv(). Data yang akan kita gunakan adalah
world_population_data.csv yang merupakan data populasi
manudia di seluruh negara yang ada di dunia pada tahun 2023- 1970 yang
sudah tersedia dalam folder data_input.
Untuk menganalisis tingkat populasi beberapa negara di asia tenggara menggunakan data yang diperoleh dari World Population Data 1970 to 2023 yang dipublish melalui kaggle oleh SAZIDUL ISLAM.
Berikut adalah beberapa informasi dari setiap kolom: +
Rank : Kolom ini berisi peringkat negara-negara berdasarkan
populasi. Negara dengan populasi terbesar akan memiliki peringkat
teratas, sementara negara dengan populasi terkecil akan memiliki
peringkat terendah.
cca3: Ini mungkin merupakan kode negara tiga huruf yang mengacu pada standar ISO 3166-1 alpha-3 untuk mengidentifikasi negara. Setiap negara memiliki kode tiga huruf uniknya sendiri.Country: Kolom ini berisi nama negara.Continent: Kolom ini berisi benua tempat negara tersebut berada. Misalnya, Asia, Amerika Utara, Afrika, dan seterusnya.2023, 2022, 2020, 2015, 2010, 2000, 1990, 1980, 1970: Kolom-kolom ini berisi perkiraan jumlah populasi negara pada tahun-tahun tertentu. Setiap kolom mewakili tahun tertentu mulai dari 2023 hingga 1970.Area (km²): Ini adalah luas wilayah negara dalam kilometer persegi. Ini adalah ukuran wilayah fisik negara.Density (km²): Ini adalah kepadatan penduduk, yaitu jumlah penduduk per kilometer persegi. Ini memberi tahu seberapa padat penduduk di suatu negara.Growth Rate: Ini adalah tingkat pertumbuhan populasi negara dalam persentase. Ini mengindikasikan seberapa cepat populasi suatu negara bertambah atau berkurang dari tahun ke tahun.World Percentage: Kolom ini mungkin berisi persentase dari total populasi dunia yang diduduki oleh negara tersebut pada tahun tertentu.
# membaca data world_population_data.csv
read.csv("data_sheet/world_population_data.csv")## rank.cca3.country.continent.2023.2022.2020.2015.2010.2000.1990.1980.1970.area..km...density..km...growth.rate.world.percentage
## 1 1;IND;India;Asia;1428627663;1417173173;1396387127;1322866505;1240613620;1059633675;870452165;696828385;557501301;3287590;481;0.81%;17.85%
## 2 2;CHN;China;Asia;1425671352;1425887337;1424929781;1393715448;1348191368;1264099069;1153704252;982372466;822534450;9706961;151;-0.02%;17.81%
## 3 3;USA;United States;North America;339996563;338289857;335942003;324607776;311182845;282398554;248083732;223140018;200328340;9372610;37;0.50%;4.25%
## 4 4;IDN;Indonesia;Asia;277534122;275501339;271857970;259091970;244016173;214072421;182159874;148177096;115228394;1904569;148;0.74%;3.47%
## 5 5;PAK;Pakistan;Asia;240485658;235824862;227196741;210969298;194454498;154369924;115414069;80624057;59290872;881912;312;1.98%;3.00%
## 6 6;NGA;Nigeria;Africa;223804632;218541212;208327405;183995785;160952853;122851984;95214257;72951439;55569264;923768;246;2.41%;2.80%
## 7 7;BRA;Brazil;South America;216422446;215313498;213196304;205188205;196353492;175873720;150706446;122288383;96369875;8515767;26;0.52%;2.70%
## 8 8;BGD;Bangladesh;Asia;172954319;171186372;167420951;157830000;148391139;129193327;107147651;83929765;67541860;147570;1329;1.03%;2.16%
## 9 9;RUS;Russia;Europe;144444359;144713314;145617329;144668389;143242599;146844839;148005704;138257420;130093010;17098242;9;-0.19%;1.80%
## 10 10;MEX;Mexico;North America;128455567;127504125;125998302;120149897;112532401;97873442;81720428;67705186;50289306;1964375;66;0.75%;1.60%
## 11 11;ETH;Ethiopia;Africa;126527060;123379924;117190911;102471895;89237791;67031867;47878073;34945469;28308246;1104300;112;2.55%;1.58%
## 12 12;JPN;Japan;Asia;123294513;123951692;125244761;127250933;128105431;126803861;123686321;117624196;105416839;377930;338;-0.53%;1.54%
## 13 13;PHL;Philippines;Asia;117337368;115559009;112190977;103031365;94636700;77958223;61558898;48419546;37435586;342353;394;1.54%;1.47%
## 14 14;EGY;Egypt;Africa;112716598;110990103;107465134;97723799;87252413;71371371;57214630;43748556;34781986;1002450;113;1.56%;1.41%
## 15 15;COD;DR Congo;Africa;102262808;99010212;92853164;78656904;66391257;48616317;35987541;26708686;20151733;2344858;45;3.29%;1.28%
## 16 16;VNM;Vietnam;Asia;98858950;98186856;96648685;92191398;87411012;79001142;66912613;52968270;41928849;331212;315;0.68%;1.23%
## 17 17;IRN;Iran;Asia;89172767;88550570;87290193;81790841;75373855;65544383;55793629;38520664;28449705;1648195;55;0.70%;1.11%
## 18 18;TUR;Turkey;Asia;85816199;85341241;84135428;79646178;73195345;64113547;54324142;44089069;35540990;783562;110;0.56%;1.07%
## 19 19;DEU;Germany;Europe;83294633;83369843;83328988;82073226;81325090;81551677;79370196;77786703;78294583;357114;238;-0.09%;1.04%
## 20 20;THA;Thailand;Asia;71801279;71697030;71475664;70294397;68270489;63066603;55228410;45737753;35791728;513120;141;0.15%;0.90%
## 21 21;GBR;United Kingdom;Europe;67736802;67508936;67059474;65224364;62760039;58850043;57210442;56326328;55650166;242900;280;0.34%;0.85%
## 22 22;TZA;Tanzania;Africa;67438106;65497748;61704518;52542823;45110527;34463704;26206012;19297659;13618192;945087;76;2.96%;0.84%
## 23 23;FRA;France;Europe;64756584;64626628;64480053;63809769;62444567;58665453;56412897;53713830;50523586;551695;118;0.20%;0.81%
## 24 24;ZAF;South Africa;Africa;60414495;59893885;58801927;55876504;51784921;46813266;39877570;29463549;22368306;1221037;50;0.87%;0.75%
## 25 25;ITA;Italy;Europe;58870762;59037474;59500579;60232906;59822450;56966397;56756561;56329482;53324036;301336;199;-0.28%;0.74%
## 26 26;KEN;Kenya;Africa;55100586;54027487;51985780;46851488;41517895;30851606;23162269;16187124;11473087;580367;97;1.99%;0.69%
## 27 27;MMR;Myanmar;Asia;54577997;54179306;53423198;51483949;49390988;45538332;40099553;33465781;27284112;676578;84;0.74%;0.68%
## 28 28;COL;Colombia;South America;52085168;51874024;50930662;47119728;44816108;39215135;32601393;26176195;20905254;1141748;47;0.41%;0.65%
## 29 29;KOR;South Korea;Asia;51784059;51815810;51844690;50994401;48813042;46788591;44120039;38170501;32601143;100210;531;-0.06%;0.65%
## 30 30;UGA;Uganda;Africa;48582334;47249585;44404611;37477356;32341728;24020697;17586630;13284026;10317212;241550;242;2.82%;0.61%
## 31 31;SDN;Sudan;Africa;48109006;46874204;44440486;38171178;33739933;26298773;21090886;16673586;11305206;1886068;26;2.63%;0.60%
## 32 32;ESP;Spain;Europe;47519628;47558630;47363807;46431342;46572772;40741651;38889889;37491666;33792617;505992;95;-0.08%;0.59%
## 33 33;ARG;Argentina;South America;45773884;45510318;45036032;43257065;41100123;37070774;32637657;28024803;23842803;2780400;17;0.58%;0.57%
## 34 34;DZA;Algeria;Africa;45606480;44903225;43451666;39543154;35856344;30774621;25518074;18739378;13795915;2381741;19;1.57%;0.57%
## 35 35;IRQ;Iraq;Asia;45504560;44496122;42556984;37757813;31264875;24628858;17658381;13653369;9811347;438317;105;2.27%;0.57%
## 36 36;AFG;Afghanistan;Asia;42239854;41128771;38972230;33753499;28189672;19542982;10694796;12486631;10752971;652230;65;2.70%;0.53%
## 37 37;POL;Poland;Europe;41026067;39857145;38428366;38553146;38597353;38504431;38064255;35521429;32482943;312679;134;2.93%;0.51%
## 38 38;CAN;Canada;North America;38781291;38454327;37888705;35732126;33963412;30683313;27657204;24511510;21434577;9984670;4;0.85%;0.48%
## 39 39;MAR;Morocco;Africa;37840044;37457971;36688772;34680458;32464865;28554415;24570814;19678444;15274351;446550;85;1.02%;0.47%
## 40 40;SAU;Saudi Arabia;Asia;36947025;36408820;35997107;32749848;29411929;21547390;16004763;10171710;6106191;2149690;17;1.48%;0.46%
## 41 41;UKR;Ukraine;Europe;36744634;39701739;43909666;44982564;45683020;48879755;51589817;49973920;47279086;603500;63;-7.45%;0.46%
## 42 42;AGO;Angola;Africa;36684202;35588987;33428485;28127721;23364185;16394062;11828638;8330047;6029700;1246700;29;3.08%;0.46%
## 43 43;UZB;Uzbekistan;Asia;35163944;34627652;33526656;30949417;28614227;24925554;20579100;15947129;12011361;447400;80;1.55%;0.44%
## 44 44;YEM;Yemen;Asia;34449825;33696614;32284046;28516545;24743946;18628700;13375121;9204938;6843607;527968;65;2.24%;0.43%
## 45 45;PER;Peru;South America;34352719;34049588;33304756;30711863;29229572;26654439;22109099;17492406;13562371;1285216;27;0.89%;0.43%
## 46 46;MYS;Malaysia;Asia;34308525;33938221;33199993;31068833;28717731;22945150;17517054;13215707;10306508;330803;104;1.09%;0.43%
## 47 47;GHA;Ghana;Africa;34121985;33475870;32180401;28870939;25574719;19665502;15446982;11865246;8861895;238533;150;1.93%;0.43%
## 48 48;MOZ;Mozambique;Africa;33897354;32969518;31178239;26843246;23073723;17768505;13303459;11413587;8411676;801590;43;2.81%;0.42%
## 49 49;NPL;Nepal;Asia;30896590;30547580;29348627;27610325;27161567;24559500;19616530;15600442;12501285;147181;216;1.14%;0.39%
## 50 50;MDG;Madagascar;Africa;30325732;29611714;28225177;24850912;21731053;16216431;11882762;8948162;6639751;587041;52;2.41%;0.38%
## 51 51;CIV;Ivory Coast;Africa;28873034;28160542;26811790;23596741;21120042;16799670;11910540;8303810;5477086;322463;91;2.53%;0.36%
## 52 52;VEN;Venezuela;South America;28838499;28301696;28490453;30529716;28715022;24427729;19750579;15210443;11355475;916445;33;1.90%;0.36%
## 53 53;CMR;Cameroon;Africa;28647293;27914536;26491087;23012646;19878036;15091594;11430520;8519891;6452787;475442;61;2.63%;0.36%
## 54 54;NER;Niger;Africa;27202843;26207977;24333639;20128124;16647543;11622665;8370647;6173177;4669708;1267000;21;3.80%;0.34%
## 55 55;AUS;Australia;Oceania;26439111;26177413;25670051;23820236;22019168;19017963;17048003;14706322;12595034;7692024;3;1.00%;0.33%
## 56 56;PRK;North Korea;Asia;26160821;26069416;25867467;25258015;24686435;23367059;20799523;17973650;14996879;120538;217;0.35%;0.33%
## 57 57;TWN;Taiwan;Asia;23923276;23893394;23821464;23512136;23083083;22194731;20586174;18100281;14957870;36193;661;0.13%;0.30%
## 58 58;MLI;Mali;Africa;23293698;22593590;21224040;18112907;15529181;11239101;8945026;7372581;6153587;1240192;19;3.10%;0.29%
## 59 59;BFA;Burkina Faso;Africa;23251485;22673762;21522626;18718019;16116845;11882888;9131361;6932967;5611666;272967;85;2.55%;0.29%
## 60 60;SYR;Syria;Asia;23227014;22125249;20772595;19205178;22337563;16307654;12408996;8898954;6319199;185180;126;4.98%;0.29%
## 61 61;LKA;Sri Lanka;Asia;21893579;21832143;21715079;21336697;20668557;18776371;17204094;14943645;12388769;65610;354;0.28%;0.27%
## 62 62;MWI;Malawi;Africa;20931751;20405317;19377061;16938942;14718422;11229387;9539665;6267369;4625141;118484;222;2.58%;0.26%
## 63 63;ZMB;Zambia;Africa;20569737;20017675;18927715;16248230;13792086;9891136;7686401;5720438;4281671;752612;28;2.76%;0.26%
## 64 64;ROU;Romania;Europe;19892812;19659267;19442038;19906079;20335211;21919876;22836234;22125224;19922618;238391;86;1.19%;0.25%
## 65 65;CHL;Chile;South America;19629590;19603733;19300315;17870124;17004162;15351799;13342868;11469828;9820481;756102;26;0.13%;0.25%
## 66 66;KAZ;Kazakhstan;Asia;19606633;19397998;18979243;17835909;16627837;15236253;16866563;14172710;12265305;2724900;7;1.08%;0.24%
## 67 67;TCD;Chad;Africa;18278568;17723315;16644701;14140274;11894727;8259137;5827069;4408230;3667394;1284000;15;3.13%;0.23%
## 68 68;ECU;Ecuador;South America;18190484;18001000;17588595;16195902;14989585;12626507;10449837;8135845;6172215;276841;73;1.05%;0.23%
## 69 69;SOM;Somalia;Africa;18143378;17597511;16537016;13763906;12026649;8721465;6999096;5892224;3720977;637657;29;3.10%;0.23%
## 70 70;GTM;Guatemala;North America;18092026;17843908;17362718;16001107;14543121;11735894;9084780;6987767;5453208;108889;169;1.39%;0.23%
## 71 71;SEN;Senegal;Africa;17763163;17316449;16436119;14356181;12530121;9704287;7536001;5703869;4367744;196722;92;2.58%;0.22%
## 72 72;NLD;Netherlands;Europe;17618299;17564014;17434557;17041107;16617117;15899135;14944548;14130387;13037686;41850;523;0.31%;0.22%
## 73 73;KHM;Cambodia;Asia;16944826;16767842;16396860;15417523;14363532;12118841;8910808;6198959;6708525;181035;96;1.06%;0.21%
## 74 74;ZWE;Zimbabwe;Africa;16665409;16320537;15669666;14154937;12839771;11834676;10113893;7049926;5202918;390757;43;2.11%;0.21%
## 75 75;GIN;Guinea;Africa;14190612;13859341;13205153;11625998;10270728;8336967;6354145;4972609;4222374;245857;58;2.39%;0.18%
## 76 76;RWA;Rwanda;Africa;14094683;13776698;13146362;11642959;10309031;8109989;7319962;5247532;3896367;26338;571;2.31%;0.18%
## 77 77;BEN;Benin;Africa;13712828;13352864;12643123;10932783;9445710;6998023;5133419;3833939;3023443;112622;122;2.70%;0.17%
## 78 78;BDI;Burundi;Africa;13238559;12889576;12220227;10727148;9126605;6307659;5483793;4312834;3497834;27834;516;2.71%;0.17%
## 79 79;TUN;Tunisia;Africa;12458223;12356117;12161723;11557779;10895063;9893316;8440023;6578156;5047404;163610;80;0.83%;0.16%
## 80 80;BOL;Bolivia;South America;12388571;12224110;11936162;11090085;10223270;8592656;7096194;5736088;4585693;1098581;11;1.35%;0.15%
## 81 81;HTI;Haiti;North America;11724763;11584996;11306801;10563757;9842880;8360225;6925331;5646676;4680812;27750;425;1.21%;0.15%
## 82 82;BEL;Belgium;Europe;11686140;11655930;11561717;11248303;10877947;10264343;9959560;9828986;9629376;30528;386;0.26%;0.15%
## 83 83;JOR;Jordan;Asia;11337052;11285869;10928721;9494246;6931258;5056174;3480587;2216903;1557374;89342;128;0.45%;0.14%
## 84 84;DOM;Dominican Republic;North America;11332972;11228821;10999664;10405832;9775755;8540791;7129004;5755800;4475871;48671;235;0.93%;0.14%
## 85 85;CUB;Cuba;North America;11194449;11212191;11300698;11339894;11290417;11105791;10626680;9809107;8869636;109884;108;-0.16%;0.14%
## 86 86;SSD;South Sudan;Africa;11088796;10913164;10606227;11194299;9714419;6114440;4750817;4192012;3342410;619745;18;1.61%;0.14%
## 87 87;SWE;Sweden;Europe;10612086;10549347;10368969;9849349;9381729;8871043;8548406;8311763;8027702;450295;26;0.59%;0.13%
## 88 88;HND;Honduras;North America;10593798;10432860;10121763;9294505;8450933;6656725;5053234;3777990;2782753;112492;95;1.54%;0.13%
## 89 89;CZE;Czech Republic;Europe;10495295;10493986;10530953;10523798;10464749;10234710;10301192;10270060;9795744;78865;136;0.01%;0.13%
## 90 90;AZE;Azerbaijan;Asia;10412651;10358074;10284951;9863480;9237202;8190337;7427836;6383060;5425317;86600;126;0.53%;0.13%
## 91 91;GRC;Greece;Europe;10341277;10384971;10512232;10806641;11033783;11038109;10302255;9307148;8544873;131990;80;-0.42%;0.13%
## 92 92;PNG;Papua New Guinea;Oceania;10329931;10142619;9749640;8682174;7583269;5508297;3864972;3104788;2489059;462840;23;1.85%;0.13%
## 93 93;PRT;Portugal;Europe;10247605;10270865;10298192;10365435;10588401;10300626;10007346;9785252;8683631;92090;112;-0.23%;0.13%
## 94 94;HUN;Hungary;Europe;10156239;9967308;9750573;9844246;9986825;10202055;10375989;10698679;10315366;93028;111;1.90%;0.13%
## 95 95;TJK;Tajikistan;Asia;10143543;9952787;9543207;8524063;7621779;6272998;5417860;4045965;2993019;143100;73;1.92%;0.13%
## 96 96;ARE;United Arab Emirates;Asia;9516871;9441129;9287289;8916899;8481771;3275333;1900151;1014048;298084;83600;134;0.80%;0.12%
## 97 97;BLR;Belarus;Europe;9498238;9534954;9633740;9700609;9731427;10256483;10428525;9817257;9170786;207600;47;-0.39%;0.12%
## 98 98;ISR;Israel;Asia;9174520;9038309;8757489;8007778;7328445;6116958;4803254;3744608;2907307;20770;424;1.51%;0.11%
## 99 99;TGO;Togo;Africa;9053799;8848699;8442580;7473229;6571855;5008035;3875947;2838110;2197383;56785;166;2.32%;0.11%
## 100 100;AUT;Austria;Europe;8958960;8939617;8907777;8642421;8362829;8010428;7678729;7547561;7465301;83871;109;0.22%;0.11%
## 101 101;CHE;Switzerland;Europe;8796669;8740472;8638613;8281732;7822435;7182059;6711693;6319113;6181227;41284;223;0.64%;0.11%
## 102 102;SLE;Sierra Leone;Africa;8791092;8605718;8233969;7314773;6436698;4584067;4325388;3367477;2778557;71740;122;2.15%;0.11%
## 103 103;LAO;Laos;Asia;7633779;7529475;7319399;6787419;6323418;5430853;4314443;3297519;2675283;236800;33;1.39%;0.10%
## 104 104;HKG;Hong Kong;Asia;7491609;7488865;7500958;7399838;7132438;6731195;5838574;4978544;3955072;1104;7135;0.04%;0.09%
## 105 105;SRB;Serbia;Europe;7149077;7221365;7358005;7519496;7653748;7935022;7987529;7777010;7193533;88361;82;-1.00%;0.09%
## 106 106;NIC;Nicaragua;North America;7046310;6948392;6755895;6298598;5855734;5123222;4227820;3303309;2444767;130373;59;1.41%;0.09%
## 107 107;LBY;Libya;Africa;6888388;6812341;6653942;6192235;6491988;5154790;4236983;2962720;1909177;1759540;4;1.12%;0.09%
## 108 108;PRY;Paraguay;South America;6861524;6780744;6618695;6177950;5768613;5123819;4059195;3078912;2408787;406752;17;1.19%;0.09%
## 109 109;KGZ;Kyrgyzstan;Asia;6735347;6630623;6424874;5914980;5483774;4935182;4394734;3691209;3016384;199951;35;1.58%;0.08%
## 110 110;BGR;Bulgaria;Europe;6687717;6781953;6979175;7309253;7592273;8097691;8767778;8980606;8582950;110879;62;-1.39%;0.08%
## 111 111;TKM;Turkmenistan;Asia;6516100;6430770;6250438;5766431;5267970;4569132;3720278;2862903;2201432;488100;14;1.33%;0.08%
## 112 112;SLV;El Salvador;North America;6364943;6336392;6292731;6231066;6114034;5958482;5367179;4508992;3619090;21041;307;0.45%;0.08%
## 113 113;COG;Republic of the Congo;Africa;6106869;5970424;5702174;5064386;4437884;3134030;2385435;1829256;1396989;342000;18;2.29%;0.08%
## 114 114;SGP;Singapore;Asia;6014723;5975689;5909869;5650018;5163590;4053602;3022209;2400729;2061831;710;8377;0.65%;0.08%
## 115 115;DNK;Denmark;Europe;5910913;5882261;5825641;5677796;5550849;5340655;5144623;5125392;4922963;43094;148;0.49%;0.07%
## 116 116;SVK;Slovakia;Europe;5795199;5643453;5456681;5424444;5396424;5376690;5261305;4973883;4522867;49037;118;2.69%;0.07%
## 117 117;CAF;Central African Republic;Africa;5742315;5579144;5343020;4819333;4660067;3759170;2809221;2415276;2067356;622984;9;2.92%;0.07%
## 118 118;FIN;Finland;Europe;5545475;5540745;5529468;5479461;5363271;5176209;4986545;4779418;4606621;338424;18;0.09%;0.07%
## 119 119;NOR;Norway;Europe;5474360;5434319;5379839;5190356;4889741;4491202;4241636;4085776;3875546;323802;15;0.74%;0.07%
## 120 120;LBR;Liberia;Africa;5418377;5302681;5087584;4612329;4019956;2895224;2209731;1932169;1463563;111369;56;2.18%;0.07%
## 121 121;PSE;Palestine;Asia;5371230;5250072;5019401;4484614;3992278;3139954;2124609;1453620;1118241;6220;892;2.31%;0.07%
## 122 122;LBN;Lebanon;Asia;5353930;5489739;5662923;6398940;4995800;4320642;3593700;2963702;2381791;10452;523;-2.47%;0.07%
## 123 123;NZL;New Zealand;Oceania;5228100;5185288;5061133;4590590;4346338;3855266;3397389;3147168;2824061;270467;20;0.83%;0.07%
## 124 124;CRI;Costa Rica;North America;5212173;5180829;5123105;4895242;4622252;3979193;3158253;2414303;1855697;51100;102;0.60%;0.07%
## 125 125;IRL;Ireland;Europe;5056935;5023109;4946119;4665760;4524585;3768950;3485374;3391387;2937637;70273;73;0.67%;0.06%
## 126 126;MRT;Mauritania;Africa;4862989;4736139;4498604;3946220;3419461;2695003;2006027;1506694;1122198;1030700;5;2.68%;0.06%
## 127 127;OMN;Oman;Asia;4644384;4576298;4543399;4191776;2881914;2344253;1804524;1017462;670693;309500;15;1.49%;0.06%
## 128 128;PAN;Panama;North America;4468087;4408581;4294396;3957099;3623617;3001731;2449968;1956987;1516188;75417;60;1.35%;0.06%
## 129 129;KWT;Kuwait;Asia;4310108;4268873;4360444;3908743;2943356;1934901;1674938;1493870;802786;17818;242;0.97%;0.05%
## 130 130;HRV;Croatia;Europe;4008617;4030358;4096868;4254815;4368682;4548434;4873707;4680144;4492638;56594;72;-0.54%;0.05%
## 131 131;ERI;Eritrea;Africa;3748901;3684032;3555868;3340006;3147727;2392880;2149960;1657982;1272748;117600;31;1.76%;0.05%
## 132 132;GEO;Georgia;Asia;3728282;3744385;3765912;3771132;3836831;4265172;5391636;5145843;4800426;69700;54;-0.43%;0.05%
## 133 133;MNG;Mongolia;Asia;3447157;3398366;3294335;2964749;2702520;2450979;2161433;1697780;1293880;1564110;2;1.44%;0.04%
## 134 134;MDA;Moldova;Europe;3435931;3272996;3084847;3277388;3678186;4251573;4480199;4103240;3711140;33846;104;4.98%;0.04%
## 135 135;URY;Uruguay;South America;3423108;3422794;3429086;3402818;3352651;3292224;3117012;2953750;2790265;181034;20;0.01%;0.04%
## 136 136;PRI;Puerto Rico;North America;3260314;3252407;3271564;3497335;3717922;3827108;3543776;3214568;2737619;8870;368;0.24%;0.04%
## 137 137;BIH;Bosnia and Herzegovina;Europe;3210847;3233526;3318407;3524324;3811088;4179350;4494310;4199820;3815561;51209;63;-0.70%;0.04%
## 138 138;ALB;Albania;Europe;2832439;2842321;2866849;2882481;2913399;3182021;3295066;2941651;2324731;28748;103;-0.35%;0.04%
## 139 139;JAM;Jamaica;North America;2825544;2827377;2820436;2794445;2733896;2612205;2392030;2135546;1859091;10991;261;-0.06%;0.04%
## 140 140;ARM;Armenia;Asia;2777970;2780469;2805608;2878595;2946293;3168523;3556539;3135123;2534377;29743;98;-0.09%;0.03%
## 141 141;GMB;Gambia;Africa;2773168;2705992;2573995;2253133;1937275;1437539;1040616;718586;528731;10689;274;2.48%;0.03%
## 142 142;LTU;Lithuania;Europe;2718352;2750055;2820267;2963765;3139019;3599637;3785847;3521206;3210147;65300;43;-1.15%;0.03%
## 143 143;QAT;Qatar;Asia;2716391;2695122;2760385;2414573;1713504;645937;441675;277450;118007;11586;236;0.79%;0.03%
## 144 144;BWA;Botswana;Africa;2675352;2630296;2546402;2305171;2091664;1726985;1341474;938578;592244;582000;5;1.71%;0.03%
## 145 145;NAM;Namibia;Africa;2604172;2567012;2489098;2282704;2099271;1819141;1369011;975994;754467;825615;3;1.45%;0.03%
## 146 146;GAB;Gabon;Africa;2436566;2388992;2292573;2028517;1711105;1272935;983028;749078;597192;267668;9;1.99%;0.03%
## 147 147;LSO;Lesotho;Africa;2330318;2305825;2254100;2118521;2022747;1998630;1798997;1407672;1023481;30355;77;1.06%;0.03%
## 148 148;GNB;Guinea-Bissau;Africa;2150842;2105566;2015828;1788919;1567220;1230849;973551;831462;591663;36125;76;2.15%;0.03%
## 149 149;SVN;Slovenia;Europe;2119675;2119844;2117641;2080862;2057287;1984339;1986024;1901570;1741286;20273;105;-0.01%;0.03%
## 150 150;MKD;North Macedonia;Europe;2085679;2093599;2111072;2107962;2093828;2037936;2044174;1907023;1656783;25713;83;-0.38%;0.03%
## 151 151;LVA;Latvia;Europe;1830211;1850651;1897052;1991955;2101530;2392530;2689391;2572037;2397414;64559;29;-1.10%;0.02%
## 152 152;GNQ;Equatorial Guinea;Africa;1714671;1674908;1596049;1346973;1094524;684977;465549;282509;316955;28051;61;2.37%;0.02%
## 153 153;TTO;Trinidad and Tobago;North America;1534937;1531044;1518147;1460177;1410296;1332203;1266518;1127852;988890;5130;299;0.25%;0.02%
## 154 154;BHR;Bahrain;Asia;1485509;1472233;1477469;1362142;1213645;711442;517418;362595;222555;765;1892;0.90%;0.02%
## 155 155;TLS;Timor-Leste;Asia;1360596;1341296;1299995;1205813;1088486;878360;758106;642224;554021;14874;91;1.44%;0.02%
## 156 156;EST;Estonia;Europe;1322765;1326062;1329444;1314657;1331535;1396877;1570674;1476983;1361999;45227;31;-0.25%;0.02%
## 157 157;MUS;Mauritius;Africa;1300557;1299469;1297828;1293153;1283330;1215930;1090290;954865;830115;2040;641;0.08%;0.02%
## 158 158;CYP;Cyprus;Europe;1260138;1251488;1237537;1187280;1129686;948237;788500;679327;640804;9251;136;0.69%;0.02%
## 159 159;SWZ;Eswatini;Africa;1210822;1201670;1180655;1133936;1099920;1030496;854011;598564;442865;17364;70;0.76%;0.02%
## 160 160;DJI;Djibouti;Africa;1136455;1120849;1090156;1006259;919199;742033;577173;324121;144379;23200;49;1.39%;0.01%
## 161 161;REU;Reunion;Africa;981796;974052;957822;922495;890130;785424;658992;551674;473925;2511;391;0.80%;0.01%
## 162 162;FJI;Fiji;Oceania;936375;929766;920422;917200;905169;832509;780430;644582;527634;18272;51;0.71%;0.01%
## 163 163;COM;Comoros;Africa;852075;836774;806166;730216;656024;536758;431119;328328;242351;1862;458;1.83%;0.01%
## 164 164;GUY;Guyana;South America;813834;808726;797202;755031;747932;759051;747116;778176;705261;214969;4;0.63%;0.01%
## 165 165;BTN;Bhutan;Asia;787424;782455;772506;743274;705516;587207;558442;415257;298894;38394;21;0.64%;0.01%
## 166 166;SLB;Solomon Islands;Oceania;740424;724273;691191;612660;540394;429978;324171;233668;172833;28896;26;2.23%;0.01%
## 167 167;MAC;Macau;Asia;704149;695168;676283;615239;557297;431896;350227;245332;247284;32.9;21403;1.29%;0.01%
## 168 168;LUX;Luxembourg;Europe;654768;647599;630399;569408;507070;435628;381267;363741;339342;2586;254;1.11%;0.01%
## 169 169;MNE;Montenegro;Europe;626485;627082;629048;633966;631044;633324;621442;589324;530268;13812;47;-0.10%;0.01%
## 170 170;SUR;Suriname;South America;623236;618040;607065;575475;546080;478998;412756;375112;379918;163820;4;0.84%;0.01%
## 171 171;CPV;Cape Verde;Africa;598682;593149;582640;552166;521212;458251;364563;317234;287262;4033;148;0.93%;0.01%
## 172 172;ESH;Western Sahara;Africa;587259;575986;556048;491824;413296;270375;178529;116775;76371;266000;2;1.96%;0.01%
## 173 173;MLT;Malta;Europe;535064;533286;515357;456579;418755;399212;365392;333587;315414;316;1672;0.33%;0.01%
## 174 174;MDV;Maldives;Asia;521021;523787;514438;435582;361575;282507;224957;164887;123243;300;1737;-0.53%;0.01%
## 175 175;BRN;Brunei;Asia;452524;449002;441725;421437;396053;333926;261928;187921;133343;5765;86;0.78%;0.01%
## 176 176;BHS;Bahamas;North America;412623;409984;406471;392697;373272;325014;270679;223752;179129;13943;41;0.64%;0.01%
## 177 177;BLZ;Belize;North America;410825;405272;394921;359871;322106;240406;182589;145133;120905;22966;18;1.37%;0.01%
## 178 178;GLP;Guadeloupe;North America;395839;395752;395642;399089;403072;424067;391951;334234;318310;1628;243;0.02%;0.00%
## 179 179;ISL;Iceland;Europe;375318;372899;366669;331060;318333;281462;255019;228263;204468;103000;4;0.65%;0.00%
## 180 180;MTQ;Martinique;North America;366981;367507;370391;383515;392181;432543;374271;333786;326428;1128;325;-0.14%;0.00%
## 181 181;MYT;Mayotte;Africa;335995;326101;305587;249545;211786;159215;92659;52233;35383;374;898;3.03%;0.00%
## 182 182;VUT;Vanuatu;Oceania;334506;326740;311685;276438;245453;192074;150882;118156;87019;12189;27;2.38%;0.00%
## 183 183;GUF;French Guiana;South America;312155;304557;290969;257026;228453;164351;113931;66825;46484;83534;4;2.49%;0.00%
## 184 184;PYF;French Polynesia;Oceania;308872;306279;301920;291787;283788;250927;211089;163591;117891;4167;89;0.85%;0.00%
## 185 185;NCL;New Caledonia;Oceania;292991;289950;286403;283032;261426;221537;177264;148599;110982;18575;16;1.05%;0.00%
## 186 186;BRB;Barbados;North America;281995;281635;280693;278083;274711;264657;258868;253575;241397;430;656;0.13%;0.00%
## 187 187;STP;Sao Tome and Principe;Africa;231856;227380;218641;201124;182138;143714;120343;97210;77583;964;242;1.97%;0.00%
## 188 188;WSM;Samoa;Oceania;225681;222382;214929;203571;194672;184008;168186;164905;142771;2842;81;1.48%;0.00%
## 189 189;CUW;Curacao;North America;192077;191163;189288;169572;159380;141424;155446;156851;150385;444;433;0.48%;0.00%
## 190 190;LCA;Saint Lucia;North America;180251;179857;179237;175623;170935;159500;142301;121633;103090;616;295;0.22%;0.00%
## 191 191;GUM;Guam;Oceania;172952;171774;169231;167978;164905;160188;138263;110286;88300;549;320;0.69%;0.00%
## 192 192;KIR;Kiribati;Oceania;133515;131232;126463;116707;107995;88826;75124;60813;57437;811;165;1.74%;0.00%
## 193 193;GRD;Grenada;North America;126183;125438;123663;118980;114039;107432;99047;94838;98794;344;371;0.59%;0.00%
## 194 194;FSM;Micronesia;Oceania;115224;114164;112106;109462;107588;111709;98603;76299;58989;702;165;0.93%;0.00%
## 195 195;JEY;Jersey;Europe;111802;110778;108319;100561;96151;86192;82874;75124;68347;116;932;0.92%;0.00%
## 196 196;TON;Tonga;Oceania;107773;106858;105254;106122;107383;102603;98727;96708;86484;747;150;0.86%;0.00%
## 197 197;SYC;Seychelles;Africa;107660;107118;105530;99240;92409;80060;71057;65290;54379;452;234;0.51%;0.00%
## 198 198;ABW;Aruba;North America;106277;106445;106585;104257;100341;89101;65712;62267;59106;180;590;-0.16%;0.00%
## 199 199;VCT;Saint Vincent and the Grenadines;North America;103698;103948;104632;106482;109308;113813;112487;107480;98459;389;266;-0.24%;0.00%
## 200 200;VIR;United States Virgin Islands;North America;98750;99465;100442;102803;106142;108185;100685;96640;63446;347;285;-0.72%;0.00%
## 201 201;ATG;Antigua and Barbuda;North America;94298;93763;92664;89941;85695;75055;63328;64889;64516;442;214;0.57%;0.00%
## 202 202;IMN;Isle of Man;Europe;84710;84519;84046;83593;83828;75562;68865;64022;55298;572;149;0.23%;0.00%
## 203 203;AND;Andorra;Europe;80088;79824;77700;71746;71519;66097;53569;35611;19860;468;170;0.33%;0.00%
## 204 204;DMA;Dominica;North America;73040;72737;71995;70007;68755;68346;69481;72978;68895;751;97;0.42%;0.00%
## 205 205;CYM;Cayman Islands;North America;69310;68706;67311;60911;54074;39658;26027;17100;10533;264;289;0.88%;0.00%
## 206 206;BMU;Bermuda;North America;64069;64184;64031;63144;63447;61371;57470;53565;52019;54;1186;-0.18%;0.00%
## 207 207;GGY;Guernsey;Europe;63544;63301;62794;61629;60782;59114;57727;52860;52656;78;1009;0.38%;0.00%
## 208 208;GRL;Greenland;North America;56643;56466;56026;55895;56351;56184;55599;50106;45434;2166086;0;0.31%;0.00%
## 209 209;FRO;Faroe Islands;Europe;53270;53090;52415;48816;48410;45660;47479;43054;38416;1393;39;0.34%;0.00%
## 210 210;MNP;Northern Mariana Islands;Oceania;49796;49551;49587;51514;54087;80338;48002;17613;10143;464;108;0.49%;0.00%
## 211 211;KNA;Saint Kitts and Nevis;North America;47755;47657;47642;47790;47403;45461;40636;43097;44968;261;184;0.21%;0.00%
## 212 212;TCA;Turks and Caicos Islands;North America;46062;45703;44276;36538;29726;18744;11709;7598;5665;948;49;0.79%;0.00%
## 213 213;SXM;Sint Maarten;North America;44222;44175;43621;40205;33034;30489;27845;12243;6260;34;1301;0.11%;0.00%
## 214 214;ASM;American Samoa;Oceania;43914;44273;46189;51368;54849;58230;47818;32886;27075;199;220;-0.81%;0.00%
## 215 215;MHL;Marshall Islands;Oceania;41996;41569;43413;49410;53416;54224;46047;31988;23969;181;233;1.03%;0.00%
## 216 216;LIE;Liechtenstein;Europe;39584;39327;38756;37355;35926;33026;28765;25003;21089;160;247;0.65%;0.00%
## 217 217;MCO;Monaco;Europe;36297;36469;36922;36760;33178;32465;30329;27076;24270;2.02;18149;-0.47%;0.00%
## 218 218;SMR;San Marino;Europe;33642;33660;34007;33570;31608;26823;23132;21346;18169;61;561;-0.05%;0.00%
## 219 219;GIB;Gibraltar;Europe;32688;32649;32709;32520;31262;27741;27317;28734;26685;6.8;4807;0.12%;0.00%
## 220 220;MAF;Saint Martin;North America;32077;31791;32552;35020;36458;29610;28127;7776;5802;53;642;0.90%;0.00%
## 221 221;VGB;British Virgin Islands;North America;31538;31305;30910;29366;27556;20104;15617;11109;9581;151;210;0.74%;0.00%
## 222 222;PLW;Palau;Oceania;18058;18055;17972;17794;18540;19726;15293;12252;11366;459;39;0.02%;0.00%
## 223 223;COK;Cook Islands;Oceania;17044;17011;17029;17695;17212;15897;17123;17651;20470;240;71;0.19%;0.00%
## 224 224;AIA;Anguilla;North America;15899;15857;15585;14525;13172;11047;8316;6560;6283;91;175;0.26%;0.00%
## 225 225;NRU;Nauru;Oceania;12780;12668;12315;11185;10241;10377;9598;7635;6663;21;639;0.88%;0.00%
## 226 226;WLF;Wallis and Futuna;Oceania;11502;11572;11655;12182;13142;14723;13454;11315;9377;274;42;-0.60%;0.00%
## 227 227;TUV;Tuvalu;Oceania;11396;11312;11069;10877;10550;9638;9182;7731;5814;26;380;0.74%;0.00%
## 228 228;BLM;Saint Barthelemy;North America;10994;10967;10681;9643;8988;7082;5168;2983;2417;21;440;0.25%;0.00%
## 229 229;SPM;Saint Pierre and Miquelon;North America;5840;5862;5906;5978;6052;6274;6324;6106;5537;242;24;-0.38%;0.00%
## 230 230;MSR;Montserrat;North America;4386;4390;4500;5059;4938;5138;10805;11452;11402;102;43;-0.09%;0.00%
## 231 231;FLK;Falkland Islands;South America;3791;3780;3747;3408;3187;3080;2332;2240;2274;12173;0;0.29%;0.00%
## 232 232;NIU;Niue;Oceania;1935;1934;1942;1847;1812;2074;2533;3637;5185;261;7;0.05%;0.00%
## 233 233;TKL;Tokelau;Oceania;1893;1871;1827;1454;1367;1666;1669;1647;1714;12;189;1.18%;0.00%
## 234 234;VAT;Vatican City;Europe;518;510;520;564;596;651;700;733;752;0.44;1177;1.57%;0.00%dari hasil pembacaan data diatas, terlihat bahwa data terbaca menjadi
1 kolom. hal ini bisa kita atasi dengan memberikan parameter
sep= ";" untuk menunjukkan bahwa data
world_population_data.csv memiliki separator
;dan menambahkan parameter check.names = F
agar informasi kolom yang berupa angka tidak memunculkan tanda X.
read.csv("data_sheet/world_population_data.csv", sep = ";",check.names = F)## rank cca3 country continent 2023
## 1 1 IND India Asia 1428627663
## 2 2 CHN China Asia 1425671352
## 3 3 USA United States North America 339996563
## 4 4 IDN Indonesia Asia 277534122
## 5 5 PAK Pakistan Asia 240485658
## 6 6 NGA Nigeria Africa 223804632
## 7 7 BRA Brazil South America 216422446
## 8 8 BGD Bangladesh Asia 172954319
## 9 9 RUS Russia Europe 144444359
## 10 10 MEX Mexico North America 128455567
## 11 11 ETH Ethiopia Africa 126527060
## 12 12 JPN Japan Asia 123294513
## 13 13 PHL Philippines Asia 117337368
## 14 14 EGY Egypt Africa 112716598
## 15 15 COD DR Congo Africa 102262808
## 16 16 VNM Vietnam Asia 98858950
## 17 17 IRN Iran Asia 89172767
## 18 18 TUR Turkey Asia 85816199
## 19 19 DEU Germany Europe 83294633
## 20 20 THA Thailand Asia 71801279
## 21 21 GBR United Kingdom Europe 67736802
## 22 22 TZA Tanzania Africa 67438106
## 23 23 FRA France Europe 64756584
## 24 24 ZAF South Africa Africa 60414495
## 25 25 ITA Italy Europe 58870762
## 26 26 KEN Kenya Africa 55100586
## 27 27 MMR Myanmar Asia 54577997
## 28 28 COL Colombia South America 52085168
## 29 29 KOR South Korea Asia 51784059
## 30 30 UGA Uganda Africa 48582334
## 31 31 SDN Sudan Africa 48109006
## 32 32 ESP Spain Europe 47519628
## 33 33 ARG Argentina South America 45773884
## 34 34 DZA Algeria Africa 45606480
## 35 35 IRQ Iraq Asia 45504560
## 36 36 AFG Afghanistan Asia 42239854
## 37 37 POL Poland Europe 41026067
## 38 38 CAN Canada North America 38781291
## 39 39 MAR Morocco Africa 37840044
## 40 40 SAU Saudi Arabia Asia 36947025
## 41 41 UKR Ukraine Europe 36744634
## 42 42 AGO Angola Africa 36684202
## 43 43 UZB Uzbekistan Asia 35163944
## 44 44 YEM Yemen Asia 34449825
## 45 45 PER Peru South America 34352719
## 46 46 MYS Malaysia Asia 34308525
## 47 47 GHA Ghana Africa 34121985
## 48 48 MOZ Mozambique Africa 33897354
## 49 49 NPL Nepal Asia 30896590
## 50 50 MDG Madagascar Africa 30325732
## 51 51 CIV Ivory Coast Africa 28873034
## 52 52 VEN Venezuela South America 28838499
## 53 53 CMR Cameroon Africa 28647293
## 54 54 NER Niger Africa 27202843
## 55 55 AUS Australia Oceania 26439111
## 56 56 PRK North Korea Asia 26160821
## 57 57 TWN Taiwan Asia 23923276
## 58 58 MLI Mali Africa 23293698
## 59 59 BFA Burkina Faso Africa 23251485
## 60 60 SYR Syria Asia 23227014
## 61 61 LKA Sri Lanka Asia 21893579
## 62 62 MWI Malawi Africa 20931751
## 63 63 ZMB Zambia Africa 20569737
## 64 64 ROU Romania Europe 19892812
## 65 65 CHL Chile South America 19629590
## 66 66 KAZ Kazakhstan Asia 19606633
## 67 67 TCD Chad Africa 18278568
## 68 68 ECU Ecuador South America 18190484
## 69 69 SOM Somalia Africa 18143378
## 70 70 GTM Guatemala North America 18092026
## 71 71 SEN Senegal Africa 17763163
## 72 72 NLD Netherlands Europe 17618299
## 73 73 KHM Cambodia Asia 16944826
## 74 74 ZWE Zimbabwe Africa 16665409
## 75 75 GIN Guinea Africa 14190612
## 76 76 RWA Rwanda Africa 14094683
## 77 77 BEN Benin Africa 13712828
## 78 78 BDI Burundi Africa 13238559
## 79 79 TUN Tunisia Africa 12458223
## 80 80 BOL Bolivia South America 12388571
## 81 81 HTI Haiti North America 11724763
## 82 82 BEL Belgium Europe 11686140
## 83 83 JOR Jordan Asia 11337052
## 84 84 DOM Dominican Republic North America 11332972
## 85 85 CUB Cuba North America 11194449
## 86 86 SSD South Sudan Africa 11088796
## 87 87 SWE Sweden Europe 10612086
## 88 88 HND Honduras North America 10593798
## 89 89 CZE Czech Republic Europe 10495295
## 90 90 AZE Azerbaijan Asia 10412651
## 91 91 GRC Greece Europe 10341277
## 92 92 PNG Papua New Guinea Oceania 10329931
## 93 93 PRT Portugal Europe 10247605
## 94 94 HUN Hungary Europe 10156239
## 95 95 TJK Tajikistan Asia 10143543
## 96 96 ARE United Arab Emirates Asia 9516871
## 97 97 BLR Belarus Europe 9498238
## 98 98 ISR Israel Asia 9174520
## 99 99 TGO Togo Africa 9053799
## 100 100 AUT Austria Europe 8958960
## 101 101 CHE Switzerland Europe 8796669
## 102 102 SLE Sierra Leone Africa 8791092
## 103 103 LAO Laos Asia 7633779
## 104 104 HKG Hong Kong Asia 7491609
## 105 105 SRB Serbia Europe 7149077
## 106 106 NIC Nicaragua North America 7046310
## 107 107 LBY Libya Africa 6888388
## 108 108 PRY Paraguay South America 6861524
## 109 109 KGZ Kyrgyzstan Asia 6735347
## 110 110 BGR Bulgaria Europe 6687717
## 111 111 TKM Turkmenistan Asia 6516100
## 112 112 SLV El Salvador North America 6364943
## 113 113 COG Republic of the Congo Africa 6106869
## 114 114 SGP Singapore Asia 6014723
## 115 115 DNK Denmark Europe 5910913
## 116 116 SVK Slovakia Europe 5795199
## 117 117 CAF Central African Republic Africa 5742315
## 118 118 FIN Finland Europe 5545475
## 119 119 NOR Norway Europe 5474360
## 120 120 LBR Liberia Africa 5418377
## 121 121 PSE Palestine Asia 5371230
## 122 122 LBN Lebanon Asia 5353930
## 123 123 NZL New Zealand Oceania 5228100
## 124 124 CRI Costa Rica North America 5212173
## 125 125 IRL Ireland Europe 5056935
## 126 126 MRT Mauritania Africa 4862989
## 127 127 OMN Oman Asia 4644384
## 128 128 PAN Panama North America 4468087
## 129 129 KWT Kuwait Asia 4310108
## 130 130 HRV Croatia Europe 4008617
## 131 131 ERI Eritrea Africa 3748901
## 132 132 GEO Georgia Asia 3728282
## 133 133 MNG Mongolia Asia 3447157
## 134 134 MDA Moldova Europe 3435931
## 135 135 URY Uruguay South America 3423108
## 136 136 PRI Puerto Rico North America 3260314
## 137 137 BIH Bosnia and Herzegovina Europe 3210847
## 138 138 ALB Albania Europe 2832439
## 139 139 JAM Jamaica North America 2825544
## 140 140 ARM Armenia Asia 2777970
## 141 141 GMB Gambia Africa 2773168
## 142 142 LTU Lithuania Europe 2718352
## 143 143 QAT Qatar Asia 2716391
## 144 144 BWA Botswana Africa 2675352
## 145 145 NAM Namibia Africa 2604172
## 146 146 GAB Gabon Africa 2436566
## 147 147 LSO Lesotho Africa 2330318
## 148 148 GNB Guinea-Bissau Africa 2150842
## 149 149 SVN Slovenia Europe 2119675
## 150 150 MKD North Macedonia Europe 2085679
## 151 151 LVA Latvia Europe 1830211
## 152 152 GNQ Equatorial Guinea Africa 1714671
## 153 153 TTO Trinidad and Tobago North America 1534937
## 154 154 BHR Bahrain Asia 1485509
## 155 155 TLS Timor-Leste Asia 1360596
## 156 156 EST Estonia Europe 1322765
## 157 157 MUS Mauritius Africa 1300557
## 158 158 CYP Cyprus Europe 1260138
## 159 159 SWZ Eswatini Africa 1210822
## 160 160 DJI Djibouti Africa 1136455
## 161 161 REU Reunion Africa 981796
## 162 162 FJI Fiji Oceania 936375
## 163 163 COM Comoros Africa 852075
## 164 164 GUY Guyana South America 813834
## 165 165 BTN Bhutan Asia 787424
## 166 166 SLB Solomon Islands Oceania 740424
## 167 167 MAC Macau Asia 704149
## 168 168 LUX Luxembourg Europe 654768
## 169 169 MNE Montenegro Europe 626485
## 170 170 SUR Suriname South America 623236
## 171 171 CPV Cape Verde Africa 598682
## 172 172 ESH Western Sahara Africa 587259
## 173 173 MLT Malta Europe 535064
## 174 174 MDV Maldives Asia 521021
## 175 175 BRN Brunei Asia 452524
## 176 176 BHS Bahamas North America 412623
## 177 177 BLZ Belize North America 410825
## 178 178 GLP Guadeloupe North America 395839
## 179 179 ISL Iceland Europe 375318
## 180 180 MTQ Martinique North America 366981
## 181 181 MYT Mayotte Africa 335995
## 182 182 VUT Vanuatu Oceania 334506
## 183 183 GUF French Guiana South America 312155
## 184 184 PYF French Polynesia Oceania 308872
## 185 185 NCL New Caledonia Oceania 292991
## 186 186 BRB Barbados North America 281995
## 187 187 STP Sao Tome and Principe Africa 231856
## 188 188 WSM Samoa Oceania 225681
## 189 189 CUW Curacao North America 192077
## 190 190 LCA Saint Lucia North America 180251
## 191 191 GUM Guam Oceania 172952
## 192 192 KIR Kiribati Oceania 133515
## 193 193 GRD Grenada North America 126183
## 194 194 FSM Micronesia Oceania 115224
## 195 195 JEY Jersey Europe 111802
## 196 196 TON Tonga Oceania 107773
## 197 197 SYC Seychelles Africa 107660
## 198 198 ABW Aruba North America 106277
## 199 199 VCT Saint Vincent and the Grenadines North America 103698
## 200 200 VIR United States Virgin Islands North America 98750
## 201 201 ATG Antigua and Barbuda North America 94298
## 202 202 IMN Isle of Man Europe 84710
## 203 203 AND Andorra Europe 80088
## 204 204 DMA Dominica North America 73040
## 205 205 CYM Cayman Islands North America 69310
## 206 206 BMU Bermuda North America 64069
## 207 207 GGY Guernsey Europe 63544
## 208 208 GRL Greenland North America 56643
## 209 209 FRO Faroe Islands Europe 53270
## 210 210 MNP Northern Mariana Islands Oceania 49796
## 211 211 KNA Saint Kitts and Nevis North America 47755
## 212 212 TCA Turks and Caicos Islands North America 46062
## 213 213 SXM Sint Maarten North America 44222
## 214 214 ASM American Samoa Oceania 43914
## 215 215 MHL Marshall Islands Oceania 41996
## 216 216 LIE Liechtenstein Europe 39584
## 217 217 MCO Monaco Europe 36297
## 218 218 SMR San Marino Europe 33642
## 219 219 GIB Gibraltar Europe 32688
## 220 220 MAF Saint Martin North America 32077
## 221 221 VGB British Virgin Islands North America 31538
## 222 222 PLW Palau Oceania 18058
## 223 223 COK Cook Islands Oceania 17044
## 224 224 AIA Anguilla North America 15899
## 225 225 NRU Nauru Oceania 12780
## 226 226 WLF Wallis and Futuna Oceania 11502
## 227 227 TUV Tuvalu Oceania 11396
## 228 228 BLM Saint Barthelemy North America 10994
## 229 229 SPM Saint Pierre and Miquelon North America 5840
## 230 230 MSR Montserrat North America 4386
## 231 231 FLK Falkland Islands South America 3791
## 232 232 NIU Niue Oceania 1935
## 233 233 TKL Tokelau Oceania 1893
## 234 234 VAT Vatican City Europe 518
## 2022 2020 2015 2010 2000 1990 1980
## 1 1417173173 1396387127 1322866505 1240613620 1059633675 870452165 696828385
## 2 1425887337 1424929781 1393715448 1348191368 1264099069 1153704252 982372466
## 3 338289857 335942003 324607776 311182845 282398554 248083732 223140018
## 4 275501339 271857970 259091970 244016173 214072421 182159874 148177096
## 5 235824862 227196741 210969298 194454498 154369924 115414069 80624057
## 6 218541212 208327405 183995785 160952853 122851984 95214257 72951439
## 7 215313498 213196304 205188205 196353492 175873720 150706446 122288383
## 8 171186372 167420951 157830000 148391139 129193327 107147651 83929765
## 9 144713314 145617329 144668389 143242599 146844839 148005704 138257420
## 10 127504125 125998302 120149897 112532401 97873442 81720428 67705186
## 11 123379924 117190911 102471895 89237791 67031867 47878073 34945469
## 12 123951692 125244761 127250933 128105431 126803861 123686321 117624196
## 13 115559009 112190977 103031365 94636700 77958223 61558898 48419546
## 14 110990103 107465134 97723799 87252413 71371371 57214630 43748556
## 15 99010212 92853164 78656904 66391257 48616317 35987541 26708686
## 16 98186856 96648685 92191398 87411012 79001142 66912613 52968270
## 17 88550570 87290193 81790841 75373855 65544383 55793629 38520664
## 18 85341241 84135428 79646178 73195345 64113547 54324142 44089069
## 19 83369843 83328988 82073226 81325090 81551677 79370196 77786703
## 20 71697030 71475664 70294397 68270489 63066603 55228410 45737753
## 21 67508936 67059474 65224364 62760039 58850043 57210442 56326328
## 22 65497748 61704518 52542823 45110527 34463704 26206012 19297659
## 23 64626628 64480053 63809769 62444567 58665453 56412897 53713830
## 24 59893885 58801927 55876504 51784921 46813266 39877570 29463549
## 25 59037474 59500579 60232906 59822450 56966397 56756561 56329482
## 26 54027487 51985780 46851488 41517895 30851606 23162269 16187124
## 27 54179306 53423198 51483949 49390988 45538332 40099553 33465781
## 28 51874024 50930662 47119728 44816108 39215135 32601393 26176195
## 29 51815810 51844690 50994401 48813042 46788591 44120039 38170501
## 30 47249585 44404611 37477356 32341728 24020697 17586630 13284026
## 31 46874204 44440486 38171178 33739933 26298773 21090886 16673586
## 32 47558630 47363807 46431342 46572772 40741651 38889889 37491666
## 33 45510318 45036032 43257065 41100123 37070774 32637657 28024803
## 34 44903225 43451666 39543154 35856344 30774621 25518074 18739378
## 35 44496122 42556984 37757813 31264875 24628858 17658381 13653369
## 36 41128771 38972230 33753499 28189672 19542982 10694796 12486631
## 37 39857145 38428366 38553146 38597353 38504431 38064255 35521429
## 38 38454327 37888705 35732126 33963412 30683313 27657204 24511510
## 39 37457971 36688772 34680458 32464865 28554415 24570814 19678444
## 40 36408820 35997107 32749848 29411929 21547390 16004763 10171710
## 41 39701739 43909666 44982564 45683020 48879755 51589817 49973920
## 42 35588987 33428485 28127721 23364185 16394062 11828638 8330047
## 43 34627652 33526656 30949417 28614227 24925554 20579100 15947129
## 44 33696614 32284046 28516545 24743946 18628700 13375121 9204938
## 45 34049588 33304756 30711863 29229572 26654439 22109099 17492406
## 46 33938221 33199993 31068833 28717731 22945150 17517054 13215707
## 47 33475870 32180401 28870939 25574719 19665502 15446982 11865246
## 48 32969518 31178239 26843246 23073723 17768505 13303459 11413587
## 49 30547580 29348627 27610325 27161567 24559500 19616530 15600442
## 50 29611714 28225177 24850912 21731053 16216431 11882762 8948162
## 51 28160542 26811790 23596741 21120042 16799670 11910540 8303810
## 52 28301696 28490453 30529716 28715022 24427729 19750579 15210443
## 53 27914536 26491087 23012646 19878036 15091594 11430520 8519891
## 54 26207977 24333639 20128124 16647543 11622665 8370647 6173177
## 55 26177413 25670051 23820236 22019168 19017963 17048003 14706322
## 56 26069416 25867467 25258015 24686435 23367059 20799523 17973650
## 57 23893394 23821464 23512136 23083083 22194731 20586174 18100281
## 58 22593590 21224040 18112907 15529181 11239101 8945026 7372581
## 59 22673762 21522626 18718019 16116845 11882888 9131361 6932967
## 60 22125249 20772595 19205178 22337563 16307654 12408996 8898954
## 61 21832143 21715079 21336697 20668557 18776371 17204094 14943645
## 62 20405317 19377061 16938942 14718422 11229387 9539665 6267369
## 63 20017675 18927715 16248230 13792086 9891136 7686401 5720438
## 64 19659267 19442038 19906079 20335211 21919876 22836234 22125224
## 65 19603733 19300315 17870124 17004162 15351799 13342868 11469828
## 66 19397998 18979243 17835909 16627837 15236253 16866563 14172710
## 67 17723315 16644701 14140274 11894727 8259137 5827069 4408230
## 68 18001000 17588595 16195902 14989585 12626507 10449837 8135845
## 69 17597511 16537016 13763906 12026649 8721465 6999096 5892224
## 70 17843908 17362718 16001107 14543121 11735894 9084780 6987767
## 71 17316449 16436119 14356181 12530121 9704287 7536001 5703869
## 72 17564014 17434557 17041107 16617117 15899135 14944548 14130387
## 73 16767842 16396860 15417523 14363532 12118841 8910808 6198959
## 74 16320537 15669666 14154937 12839771 11834676 10113893 7049926
## 75 13859341 13205153 11625998 10270728 8336967 6354145 4972609
## 76 13776698 13146362 11642959 10309031 8109989 7319962 5247532
## 77 13352864 12643123 10932783 9445710 6998023 5133419 3833939
## 78 12889576 12220227 10727148 9126605 6307659 5483793 4312834
## 79 12356117 12161723 11557779 10895063 9893316 8440023 6578156
## 80 12224110 11936162 11090085 10223270 8592656 7096194 5736088
## 81 11584996 11306801 10563757 9842880 8360225 6925331 5646676
## 82 11655930 11561717 11248303 10877947 10264343 9959560 9828986
## 83 11285869 10928721 9494246 6931258 5056174 3480587 2216903
## 84 11228821 10999664 10405832 9775755 8540791 7129004 5755800
## 85 11212191 11300698 11339894 11290417 11105791 10626680 9809107
## 86 10913164 10606227 11194299 9714419 6114440 4750817 4192012
## 87 10549347 10368969 9849349 9381729 8871043 8548406 8311763
## 88 10432860 10121763 9294505 8450933 6656725 5053234 3777990
## 89 10493986 10530953 10523798 10464749 10234710 10301192 10270060
## 90 10358074 10284951 9863480 9237202 8190337 7427836 6383060
## 91 10384971 10512232 10806641 11033783 11038109 10302255 9307148
## 92 10142619 9749640 8682174 7583269 5508297 3864972 3104788
## 93 10270865 10298192 10365435 10588401 10300626 10007346 9785252
## 94 9967308 9750573 9844246 9986825 10202055 10375989 10698679
## 95 9952787 9543207 8524063 7621779 6272998 5417860 4045965
## 96 9441129 9287289 8916899 8481771 3275333 1900151 1014048
## 97 9534954 9633740 9700609 9731427 10256483 10428525 9817257
## 98 9038309 8757489 8007778 7328445 6116958 4803254 3744608
## 99 8848699 8442580 7473229 6571855 5008035 3875947 2838110
## 100 8939617 8907777 8642421 8362829 8010428 7678729 7547561
## 101 8740472 8638613 8281732 7822435 7182059 6711693 6319113
## 102 8605718 8233969 7314773 6436698 4584067 4325388 3367477
## 103 7529475 7319399 6787419 6323418 5430853 4314443 3297519
## 104 7488865 7500958 7399838 7132438 6731195 5838574 4978544
## 105 7221365 7358005 7519496 7653748 7935022 7987529 7777010
## 106 6948392 6755895 6298598 5855734 5123222 4227820 3303309
## 107 6812341 6653942 6192235 6491988 5154790 4236983 2962720
## 108 6780744 6618695 6177950 5768613 5123819 4059195 3078912
## 109 6630623 6424874 5914980 5483774 4935182 4394734 3691209
## 110 6781953 6979175 7309253 7592273 8097691 8767778 8980606
## 111 6430770 6250438 5766431 5267970 4569132 3720278 2862903
## 112 6336392 6292731 6231066 6114034 5958482 5367179 4508992
## 113 5970424 5702174 5064386 4437884 3134030 2385435 1829256
## 114 5975689 5909869 5650018 5163590 4053602 3022209 2400729
## 115 5882261 5825641 5677796 5550849 5340655 5144623 5125392
## 116 5643453 5456681 5424444 5396424 5376690 5261305 4973883
## 117 5579144 5343020 4819333 4660067 3759170 2809221 2415276
## 118 5540745 5529468 5479461 5363271 5176209 4986545 4779418
## 119 5434319 5379839 5190356 4889741 4491202 4241636 4085776
## 120 5302681 5087584 4612329 4019956 2895224 2209731 1932169
## 121 5250072 5019401 4484614 3992278 3139954 2124609 1453620
## 122 5489739 5662923 6398940 4995800 4320642 3593700 2963702
## 123 5185288 5061133 4590590 4346338 3855266 3397389 3147168
## 124 5180829 5123105 4895242 4622252 3979193 3158253 2414303
## 125 5023109 4946119 4665760 4524585 3768950 3485374 3391387
## 126 4736139 4498604 3946220 3419461 2695003 2006027 1506694
## 127 4576298 4543399 4191776 2881914 2344253 1804524 1017462
## 128 4408581 4294396 3957099 3623617 3001731 2449968 1956987
## 129 4268873 4360444 3908743 2943356 1934901 1674938 1493870
## 130 4030358 4096868 4254815 4368682 4548434 4873707 4680144
## 131 3684032 3555868 3340006 3147727 2392880 2149960 1657982
## 132 3744385 3765912 3771132 3836831 4265172 5391636 5145843
## 133 3398366 3294335 2964749 2702520 2450979 2161433 1697780
## 134 3272996 3084847 3277388 3678186 4251573 4480199 4103240
## 135 3422794 3429086 3402818 3352651 3292224 3117012 2953750
## 136 3252407 3271564 3497335 3717922 3827108 3543776 3214568
## 137 3233526 3318407 3524324 3811088 4179350 4494310 4199820
## 138 2842321 2866849 2882481 2913399 3182021 3295066 2941651
## 139 2827377 2820436 2794445 2733896 2612205 2392030 2135546
## 140 2780469 2805608 2878595 2946293 3168523 3556539 3135123
## 141 2705992 2573995 2253133 1937275 1437539 1040616 718586
## 142 2750055 2820267 2963765 3139019 3599637 3785847 3521206
## 143 2695122 2760385 2414573 1713504 645937 441675 277450
## 144 2630296 2546402 2305171 2091664 1726985 1341474 938578
## 145 2567012 2489098 2282704 2099271 1819141 1369011 975994
## 146 2388992 2292573 2028517 1711105 1272935 983028 749078
## 147 2305825 2254100 2118521 2022747 1998630 1798997 1407672
## 148 2105566 2015828 1788919 1567220 1230849 973551 831462
## 149 2119844 2117641 2080862 2057287 1984339 1986024 1901570
## 150 2093599 2111072 2107962 2093828 2037936 2044174 1907023
## 151 1850651 1897052 1991955 2101530 2392530 2689391 2572037
## 152 1674908 1596049 1346973 1094524 684977 465549 282509
## 153 1531044 1518147 1460177 1410296 1332203 1266518 1127852
## 154 1472233 1477469 1362142 1213645 711442 517418 362595
## 155 1341296 1299995 1205813 1088486 878360 758106 642224
## 156 1326062 1329444 1314657 1331535 1396877 1570674 1476983
## 157 1299469 1297828 1293153 1283330 1215930 1090290 954865
## 158 1251488 1237537 1187280 1129686 948237 788500 679327
## 159 1201670 1180655 1133936 1099920 1030496 854011 598564
## 160 1120849 1090156 1006259 919199 742033 577173 324121
## 161 974052 957822 922495 890130 785424 658992 551674
## 162 929766 920422 917200 905169 832509 780430 644582
## 163 836774 806166 730216 656024 536758 431119 328328
## 164 808726 797202 755031 747932 759051 747116 778176
## 165 782455 772506 743274 705516 587207 558442 415257
## 166 724273 691191 612660 540394 429978 324171 233668
## 167 695168 676283 615239 557297 431896 350227 245332
## 168 647599 630399 569408 507070 435628 381267 363741
## 169 627082 629048 633966 631044 633324 621442 589324
## 170 618040 607065 575475 546080 478998 412756 375112
## 171 593149 582640 552166 521212 458251 364563 317234
## 172 575986 556048 491824 413296 270375 178529 116775
## 173 533286 515357 456579 418755 399212 365392 333587
## 174 523787 514438 435582 361575 282507 224957 164887
## 175 449002 441725 421437 396053 333926 261928 187921
## 176 409984 406471 392697 373272 325014 270679 223752
## 177 405272 394921 359871 322106 240406 182589 145133
## 178 395752 395642 399089 403072 424067 391951 334234
## 179 372899 366669 331060 318333 281462 255019 228263
## 180 367507 370391 383515 392181 432543 374271 333786
## 181 326101 305587 249545 211786 159215 92659 52233
## 182 326740 311685 276438 245453 192074 150882 118156
## 183 304557 290969 257026 228453 164351 113931 66825
## 184 306279 301920 291787 283788 250927 211089 163591
## 185 289950 286403 283032 261426 221537 177264 148599
## 186 281635 280693 278083 274711 264657 258868 253575
## 187 227380 218641 201124 182138 143714 120343 97210
## 188 222382 214929 203571 194672 184008 168186 164905
## 189 191163 189288 169572 159380 141424 155446 156851
## 190 179857 179237 175623 170935 159500 142301 121633
## 191 171774 169231 167978 164905 160188 138263 110286
## 192 131232 126463 116707 107995 88826 75124 60813
## 193 125438 123663 118980 114039 107432 99047 94838
## 194 114164 112106 109462 107588 111709 98603 76299
## 195 110778 108319 100561 96151 86192 82874 75124
## 196 106858 105254 106122 107383 102603 98727 96708
## 197 107118 105530 99240 92409 80060 71057 65290
## 198 106445 106585 104257 100341 89101 65712 62267
## 199 103948 104632 106482 109308 113813 112487 107480
## 200 99465 100442 102803 106142 108185 100685 96640
## 201 93763 92664 89941 85695 75055 63328 64889
## 202 84519 84046 83593 83828 75562 68865 64022
## 203 79824 77700 71746 71519 66097 53569 35611
## 204 72737 71995 70007 68755 68346 69481 72978
## 205 68706 67311 60911 54074 39658 26027 17100
## 206 64184 64031 63144 63447 61371 57470 53565
## 207 63301 62794 61629 60782 59114 57727 52860
## 208 56466 56026 55895 56351 56184 55599 50106
## 209 53090 52415 48816 48410 45660 47479 43054
## 210 49551 49587 51514 54087 80338 48002 17613
## 211 47657 47642 47790 47403 45461 40636 43097
## 212 45703 44276 36538 29726 18744 11709 7598
## 213 44175 43621 40205 33034 30489 27845 12243
## 214 44273 46189 51368 54849 58230 47818 32886
## 215 41569 43413 49410 53416 54224 46047 31988
## 216 39327 38756 37355 35926 33026 28765 25003
## 217 36469 36922 36760 33178 32465 30329 27076
## 218 33660 34007 33570 31608 26823 23132 21346
## 219 32649 32709 32520 31262 27741 27317 28734
## 220 31791 32552 35020 36458 29610 28127 7776
## 221 31305 30910 29366 27556 20104 15617 11109
## 222 18055 17972 17794 18540 19726 15293 12252
## 223 17011 17029 17695 17212 15897 17123 17651
## 224 15857 15585 14525 13172 11047 8316 6560
## 225 12668 12315 11185 10241 10377 9598 7635
## 226 11572 11655 12182 13142 14723 13454 11315
## 227 11312 11069 10877 10550 9638 9182 7731
## 228 10967 10681 9643 8988 7082 5168 2983
## 229 5862 5906 5978 6052 6274 6324 6106
## 230 4390 4500 5059 4938 5138 10805 11452
## 231 3780 3747 3408 3187 3080 2332 2240
## 232 1934 1942 1847 1812 2074 2533 3637
## 233 1871 1827 1454 1367 1666 1669 1647
## 234 510 520 564 596 651 700 733
## 1970 area (km²) density (km²) growth rate world percentage
## 1 557501301 3287590.00 481 0.81% 17.85%
## 2 822534450 9706961.00 151 -0.02% 17.81%
## 3 200328340 9372610.00 37 0.50% 4.25%
## 4 115228394 1904569.00 148 0.74% 3.47%
## 5 59290872 881912.00 312 1.98% 3.00%
## 6 55569264 923768.00 246 2.41% 2.80%
## 7 96369875 8515767.00 26 0.52% 2.70%
## 8 67541860 147570.00 1329 1.03% 2.16%
## 9 130093010 17098242.00 9 -0.19% 1.80%
## 10 50289306 1964375.00 66 0.75% 1.60%
## 11 28308246 1104300.00 112 2.55% 1.58%
## 12 105416839 377930.00 338 -0.53% 1.54%
## 13 37435586 342353.00 394 1.54% 1.47%
## 14 34781986 1002450.00 113 1.56% 1.41%
## 15 20151733 2344858.00 45 3.29% 1.28%
## 16 41928849 331212.00 315 0.68% 1.23%
## 17 28449705 1648195.00 55 0.70% 1.11%
## 18 35540990 783562.00 110 0.56% 1.07%
## 19 78294583 357114.00 238 -0.09% 1.04%
## 20 35791728 513120.00 141 0.15% 0.90%
## 21 55650166 242900.00 280 0.34% 0.85%
## 22 13618192 945087.00 76 2.96% 0.84%
## 23 50523586 551695.00 118 0.20% 0.81%
## 24 22368306 1221037.00 50 0.87% 0.75%
## 25 53324036 301336.00 199 -0.28% 0.74%
## 26 11473087 580367.00 97 1.99% 0.69%
## 27 27284112 676578.00 84 0.74% 0.68%
## 28 20905254 1141748.00 47 0.41% 0.65%
## 29 32601143 100210.00 531 -0.06% 0.65%
## 30 10317212 241550.00 242 2.82% 0.61%
## 31 11305206 1886068.00 26 2.63% 0.60%
## 32 33792617 505992.00 95 -0.08% 0.59%
## 33 23842803 2780400.00 17 0.58% 0.57%
## 34 13795915 2381741.00 19 1.57% 0.57%
## 35 9811347 438317.00 105 2.27% 0.57%
## 36 10752971 652230.00 65 2.70% 0.53%
## 37 32482943 312679.00 134 2.93% 0.51%
## 38 21434577 9984670.00 4 0.85% 0.48%
## 39 15274351 446550.00 85 1.02% 0.47%
## 40 6106191 2149690.00 17 1.48% 0.46%
## 41 47279086 603500.00 63 -7.45% 0.46%
## 42 6029700 1246700.00 29 3.08% 0.46%
## 43 12011361 447400.00 80 1.55% 0.44%
## 44 6843607 527968.00 65 2.24% 0.43%
## 45 13562371 1285216.00 27 0.89% 0.43%
## 46 10306508 330803.00 104 1.09% 0.43%
## 47 8861895 238533.00 150 1.93% 0.43%
## 48 8411676 801590.00 43 2.81% 0.42%
## 49 12501285 147181.00 216 1.14% 0.39%
## 50 6639751 587041.00 52 2.41% 0.38%
## 51 5477086 322463.00 91 2.53% 0.36%
## 52 11355475 916445.00 33 1.90% 0.36%
## 53 6452787 475442.00 61 2.63% 0.36%
## 54 4669708 1267000.00 21 3.80% 0.34%
## 55 12595034 7692024.00 3 1.00% 0.33%
## 56 14996879 120538.00 217 0.35% 0.33%
## 57 14957870 36193.00 661 0.13% 0.30%
## 58 6153587 1240192.00 19 3.10% 0.29%
## 59 5611666 272967.00 85 2.55% 0.29%
## 60 6319199 185180.00 126 4.98% 0.29%
## 61 12388769 65610.00 354 0.28% 0.27%
## 62 4625141 118484.00 222 2.58% 0.26%
## 63 4281671 752612.00 28 2.76% 0.26%
## 64 19922618 238391.00 86 1.19% 0.25%
## 65 9820481 756102.00 26 0.13% 0.25%
## 66 12265305 2724900.00 7 1.08% 0.24%
## 67 3667394 1284000.00 15 3.13% 0.23%
## 68 6172215 276841.00 73 1.05% 0.23%
## 69 3720977 637657.00 29 3.10% 0.23%
## 70 5453208 108889.00 169 1.39% 0.23%
## 71 4367744 196722.00 92 2.58% 0.22%
## 72 13037686 41850.00 523 0.31% 0.22%
## 73 6708525 181035.00 96 1.06% 0.21%
## 74 5202918 390757.00 43 2.11% 0.21%
## 75 4222374 245857.00 58 2.39% 0.18%
## 76 3896367 26338.00 571 2.31% 0.18%
## 77 3023443 112622.00 122 2.70% 0.17%
## 78 3497834 27834.00 516 2.71% 0.17%
## 79 5047404 163610.00 80 0.83% 0.16%
## 80 4585693 1098581.00 11 1.35% 0.15%
## 81 4680812 27750.00 425 1.21% 0.15%
## 82 9629376 30528.00 386 0.26% 0.15%
## 83 1557374 89342.00 128 0.45% 0.14%
## 84 4475871 48671.00 235 0.93% 0.14%
## 85 8869636 109884.00 108 -0.16% 0.14%
## 86 3342410 619745.00 18 1.61% 0.14%
## 87 8027702 450295.00 26 0.59% 0.13%
## 88 2782753 112492.00 95 1.54% 0.13%
## 89 9795744 78865.00 136 0.01% 0.13%
## 90 5425317 86600.00 126 0.53% 0.13%
## 91 8544873 131990.00 80 -0.42% 0.13%
## 92 2489059 462840.00 23 1.85% 0.13%
## 93 8683631 92090.00 112 -0.23% 0.13%
## 94 10315366 93028.00 111 1.90% 0.13%
## 95 2993019 143100.00 73 1.92% 0.13%
## 96 298084 83600.00 134 0.80% 0.12%
## 97 9170786 207600.00 47 -0.39% 0.12%
## 98 2907307 20770.00 424 1.51% 0.11%
## 99 2197383 56785.00 166 2.32% 0.11%
## 100 7465301 83871.00 109 0.22% 0.11%
## 101 6181227 41284.00 223 0.64% 0.11%
## 102 2778557 71740.00 122 2.15% 0.11%
## 103 2675283 236800.00 33 1.39% 0.10%
## 104 3955072 1104.00 7135 0.04% 0.09%
## 105 7193533 88361.00 82 -1.00% 0.09%
## 106 2444767 130373.00 59 1.41% 0.09%
## 107 1909177 1759540.00 4 1.12% 0.09%
## 108 2408787 406752.00 17 1.19% 0.09%
## 109 3016384 199951.00 35 1.58% 0.08%
## 110 8582950 110879.00 62 -1.39% 0.08%
## 111 2201432 488100.00 14 1.33% 0.08%
## 112 3619090 21041.00 307 0.45% 0.08%
## 113 1396989 342000.00 18 2.29% 0.08%
## 114 2061831 710.00 8377 0.65% 0.08%
## 115 4922963 43094.00 148 0.49% 0.07%
## 116 4522867 49037.00 118 2.69% 0.07%
## 117 2067356 622984.00 9 2.92% 0.07%
## 118 4606621 338424.00 18 0.09% 0.07%
## 119 3875546 323802.00 15 0.74% 0.07%
## 120 1463563 111369.00 56 2.18% 0.07%
## 121 1118241 6220.00 892 2.31% 0.07%
## 122 2381791 10452.00 523 -2.47% 0.07%
## 123 2824061 270467.00 20 0.83% 0.07%
## 124 1855697 51100.00 102 0.60% 0.07%
## 125 2937637 70273.00 73 0.67% 0.06%
## 126 1122198 1030700.00 5 2.68% 0.06%
## 127 670693 309500.00 15 1.49% 0.06%
## 128 1516188 75417.00 60 1.35% 0.06%
## 129 802786 17818.00 242 0.97% 0.05%
## 130 4492638 56594.00 72 -0.54% 0.05%
## 131 1272748 117600.00 31 1.76% 0.05%
## 132 4800426 69700.00 54 -0.43% 0.05%
## 133 1293880 1564110.00 2 1.44% 0.04%
## 134 3711140 33846.00 104 4.98% 0.04%
## 135 2790265 181034.00 20 0.01% 0.04%
## 136 2737619 8870.00 368 0.24% 0.04%
## 137 3815561 51209.00 63 -0.70% 0.04%
## 138 2324731 28748.00 103 -0.35% 0.04%
## 139 1859091 10991.00 261 -0.06% 0.04%
## 140 2534377 29743.00 98 -0.09% 0.03%
## 141 528731 10689.00 274 2.48% 0.03%
## 142 3210147 65300.00 43 -1.15% 0.03%
## 143 118007 11586.00 236 0.79% 0.03%
## 144 592244 582000.00 5 1.71% 0.03%
## 145 754467 825615.00 3 1.45% 0.03%
## 146 597192 267668.00 9 1.99% 0.03%
## 147 1023481 30355.00 77 1.06% 0.03%
## 148 591663 36125.00 76 2.15% 0.03%
## 149 1741286 20273.00 105 -0.01% 0.03%
## 150 1656783 25713.00 83 -0.38% 0.03%
## 151 2397414 64559.00 29 -1.10% 0.02%
## 152 316955 28051.00 61 2.37% 0.02%
## 153 988890 5130.00 299 0.25% 0.02%
## 154 222555 765.00 1892 0.90% 0.02%
## 155 554021 14874.00 91 1.44% 0.02%
## 156 1361999 45227.00 31 -0.25% 0.02%
## 157 830115 2040.00 641 0.08% 0.02%
## 158 640804 9251.00 136 0.69% 0.02%
## 159 442865 17364.00 70 0.76% 0.02%
## 160 144379 23200.00 49 1.39% 0.01%
## 161 473925 2511.00 391 0.80% 0.01%
## 162 527634 18272.00 51 0.71% 0.01%
## 163 242351 1862.00 458 1.83% 0.01%
## 164 705261 214969.00 4 0.63% 0.01%
## 165 298894 38394.00 21 0.64% 0.01%
## 166 172833 28896.00 26 2.23% 0.01%
## 167 247284 32.90 21403 1.29% 0.01%
## 168 339342 2586.00 254 1.11% 0.01%
## 169 530268 13812.00 47 -0.10% 0.01%
## 170 379918 163820.00 4 0.84% 0.01%
## 171 287262 4033.00 148 0.93% 0.01%
## 172 76371 266000.00 2 1.96% 0.01%
## 173 315414 316.00 1672 0.33% 0.01%
## 174 123243 300.00 1737 -0.53% 0.01%
## 175 133343 5765.00 86 0.78% 0.01%
## 176 179129 13943.00 41 0.64% 0.01%
## 177 120905 22966.00 18 1.37% 0.01%
## 178 318310 1628.00 243 0.02% 0.00%
## 179 204468 103000.00 4 0.65% 0.00%
## 180 326428 1128.00 325 -0.14% 0.00%
## 181 35383 374.00 898 3.03% 0.00%
## 182 87019 12189.00 27 2.38% 0.00%
## 183 46484 83534.00 4 2.49% 0.00%
## 184 117891 4167.00 89 0.85% 0.00%
## 185 110982 18575.00 16 1.05% 0.00%
## 186 241397 430.00 656 0.13% 0.00%
## 187 77583 964.00 242 1.97% 0.00%
## 188 142771 2842.00 81 1.48% 0.00%
## 189 150385 444.00 433 0.48% 0.00%
## 190 103090 616.00 295 0.22% 0.00%
## 191 88300 549.00 320 0.69% 0.00%
## 192 57437 811.00 165 1.74% 0.00%
## 193 98794 344.00 371 0.59% 0.00%
## 194 58989 702.00 165 0.93% 0.00%
## 195 68347 116.00 932 0.92% 0.00%
## 196 86484 747.00 150 0.86% 0.00%
## 197 54379 452.00 234 0.51% 0.00%
## 198 59106 180.00 590 -0.16% 0.00%
## 199 98459 389.00 266 -0.24% 0.00%
## 200 63446 347.00 285 -0.72% 0.00%
## 201 64516 442.00 214 0.57% 0.00%
## 202 55298 572.00 149 0.23% 0.00%
## 203 19860 468.00 170 0.33% 0.00%
## 204 68895 751.00 97 0.42% 0.00%
## 205 10533 264.00 289 0.88% 0.00%
## 206 52019 54.00 1186 -0.18% 0.00%
## 207 52656 78.00 1009 0.38% 0.00%
## 208 45434 2166086.00 0 0.31% 0.00%
## 209 38416 1393.00 39 0.34% 0.00%
## 210 10143 464.00 108 0.49% 0.00%
## 211 44968 261.00 184 0.21% 0.00%
## 212 5665 948.00 49 0.79% 0.00%
## 213 6260 34.00 1301 0.11% 0.00%
## 214 27075 199.00 220 -0.81% 0.00%
## 215 23969 181.00 233 1.03% 0.00%
## 216 21089 160.00 247 0.65% 0.00%
## 217 24270 2.02 18149 -0.47% 0.00%
## 218 18169 61.00 561 -0.05% 0.00%
## 219 26685 6.80 4807 0.12% 0.00%
## 220 5802 53.00 642 0.90% 0.00%
## 221 9581 151.00 210 0.74% 0.00%
## 222 11366 459.00 39 0.02% 0.00%
## 223 20470 240.00 71 0.19% 0.00%
## 224 6283 91.00 175 0.26% 0.00%
## 225 6663 21.00 639 0.88% 0.00%
## 226 9377 274.00 42 -0.60% 0.00%
## 227 5814 26.00 380 0.74% 0.00%
## 228 2417 21.00 440 0.25% 0.00%
## 229 5537 242.00 24 -0.38% 0.00%
## 230 11402 102.00 43 -0.09% 0.00%
## 231 2274 12173.00 0 0.29% 0.00%
## 232 5185 261.00 7 0.05% 0.00%
## 233 1714 12.00 189 1.18% 0.00%
## 234 752 0.44 1177 1.57% 0.00%# membaca dan menyimpan data world_population_data.csv
population <- read.csv("data_sheet/world_population_data.csv", sep = ";",check.names = F)2. Menampilkan Data
Untuk dataset yang relatif kecil seperti ini, Anda masih dapat
melihat CSV lengkap dalam format mentahnya melalui perintah
View(population), atau dengan mengklik ikon “spreadsheet”
di sebelah data yang ingin Anda inspeksi dalam jendela environtment.
Tetapi, saya tidak merekomendasikan Anda menggunakan perintah
View(), karena dalam kehidupan nyata Anda tidak selalu tahu
sebelumnya ukuran data, dan pada umumnya melihat beberapa baris data
awal sudah cukup untuk mendapatkan gambaran informasi data.
Untuk melihat 6 observasi pertama, kita bisa melakukannya dengan
menggunakan fungsi head(nama objek). Kita dapat menambahkan
parameter tambahan, n, sehingga fungsi tersebut akan
mengembalikan n baris pertama dari data. apabila parameter n tidak
diisi, secara default akan menampilkan sebanyak 6 baris data. Sebagai
contoh mari kita tampilkan 6 baris data pertama dari data population
:
## Your code here
head(population)## rank cca3 country continent 2023 2022 2020
## 1 1 IND India Asia 1428627663 1417173173 1396387127
## 2 2 CHN China Asia 1425671352 1425887337 1424929781
## 3 3 USA United States North America 339996563 338289857 335942003
## 4 4 IDN Indonesia Asia 277534122 275501339 271857970
## 5 5 PAK Pakistan Asia 240485658 235824862 227196741
## 6 6 NGA Nigeria Africa 223804632 218541212 208327405
## 2015 2010 2000 1990 1980 1970 area (km²)
## 1 1322866505 1240613620 1059633675 870452165 696828385 557501301 3287590
## 2 1393715448 1348191368 1264099069 1153704252 982372466 822534450 9706961
## 3 324607776 311182845 282398554 248083732 223140018 200328340 9372610
## 4 259091970 244016173 214072421 182159874 148177096 115228394 1904569
## 5 210969298 194454498 154369924 115414069 80624057 59290872 881912
## 6 183995785 160952853 122851984 95214257 72951439 55569264 923768
## density (km²) growth rate world percentage
## 1 481 0.81% 17.85%
## 2 151 -0.02% 17.81%
## 3 37 0.50% 4.25%
## 4 148 0.74% 3.47%
## 5 312 1.98% 3.00%
## 6 246 2.41% 2.80%head(population, 8) ##untuk 8 data paling atas## rank cca3 country continent 2023 2022 2020
## 1 1 IND India Asia 1428627663 1417173173 1396387127
## 2 2 CHN China Asia 1425671352 1425887337 1424929781
## 3 3 USA United States North America 339996563 338289857 335942003
## 4 4 IDN Indonesia Asia 277534122 275501339 271857970
## 5 5 PAK Pakistan Asia 240485658 235824862 227196741
## 6 6 NGA Nigeria Africa 223804632 218541212 208327405
## 7 7 BRA Brazil South America 216422446 215313498 213196304
## 8 8 BGD Bangladesh Asia 172954319 171186372 167420951
## 2015 2010 2000 1990 1980 1970 area (km²)
## 1 1322866505 1240613620 1059633675 870452165 696828385 557501301 3287590
## 2 1393715448 1348191368 1264099069 1153704252 982372466 822534450 9706961
## 3 324607776 311182845 282398554 248083732 223140018 200328340 9372610
## 4 259091970 244016173 214072421 182159874 148177096 115228394 1904569
## 5 210969298 194454498 154369924 115414069 80624057 59290872 881912
## 6 183995785 160952853 122851984 95214257 72951439 55569264 923768
## 7 205188205 196353492 175873720 150706446 122288383 96369875 8515767
## 8 157830000 148391139 129193327 107147651 83929765 67541860 147570
## density (km²) growth rate world percentage
## 1 481 0.81% 17.85%
## 2 151 -0.02% 17.81%
## 3 37 0.50% 4.25%
## 4 148 0.74% 3.47%
## 5 312 1.98% 3.00%
## 6 246 2.41% 2.80%
## 7 26 0.52% 2.70%
## 8 1329 1.03% 2.16%tail(population,3) ##menampilkan 3 data paling bawah## rank cca3 country continent 2023 2022 2020 2015 2010 2000 1990 1980
## 232 232 NIU Niue Oceania 1935 1934 1942 1847 1812 2074 2533 3637
## 233 233 TKL Tokelau Oceania 1893 1871 1827 1454 1367 1666 1669 1647
## 234 234 VAT Vatican City Europe 518 510 520 564 596 651 700 733
## 1970 area (km²) density (km²) growth rate world percentage
## 232 5185 261.00 7 0.05% 0.00%
## 233 1714 12.00 189 1.18% 0.00%
## 234 752 0.44 1177 1.57% 0.00%Note: apabila ingin menampilkan 6 observasi terakhir, kita dapat
menggunakan fungsi tail()
3. Pemeriksaan Struktur Data
Untuk mengetahui tipe data dari masing masing kolom yang ada. Kita
bisa menggunakan fungsi str() untuk melihat struktur serta
dimensi dari data.
Lakukan pemeriksaan struktur data dengan fungsi str()
pada dataset population, kemudian Tinjau output dari
str() di atas dan jawab pertanyaan berikut:
## Your code here
str(population)## 'data.frame': 234 obs. of 17 variables:
## $ rank : int 1 2 3 4 5 6 7 8 9 10 ...
## $ cca3 : chr "IND" "CHN" "USA" "IDN" ...
## $ country : chr "India" "China" "United States" "Indonesia" ...
## $ continent : chr "Asia" "Asia" "North America" "Asia" ...
## $ 2023 : int 1428627663 1425671352 339996563 277534122 240485658 223804632 216422446 172954319 144444359 128455567 ...
## $ 2022 : int 1417173173 1425887337 338289857 275501339 235824862 218541212 215313498 171186372 144713314 127504125 ...
## $ 2020 : int 1396387127 1424929781 335942003 271857970 227196741 208327405 213196304 167420951 145617329 125998302 ...
## $ 2015 : int 1322866505 1393715448 324607776 259091970 210969298 183995785 205188205 157830000 144668389 120149897 ...
## $ 2010 : int 1240613620 1348191368 311182845 244016173 194454498 160952853 196353492 148391139 143242599 112532401 ...
## $ 2000 : int 1059633675 1264099069 282398554 214072421 154369924 122851984 175873720 129193327 146844839 97873442 ...
## $ 1990 : int 870452165 1153704252 248083732 182159874 115414069 95214257 150706446 107147651 148005704 81720428 ...
## $ 1980 : int 696828385 982372466 223140018 148177096 80624057 72951439 122288383 83929765 138257420 67705186 ...
## $ 1970 : int 557501301 822534450 200328340 115228394 59290872 55569264 96369875 67541860 130093010 50289306 ...
## $ area (km²) : num 3287590 9706961 9372610 1904569 881912 ...
## $ density (km²) : int 481 151 37 148 312 246 26 1329 9 66 ...
## $ growth rate : chr "0.81%" "-0.02%" "0.50%" "0.74%" ...
## $ world percentage: chr "17.85%" "17.81%" "4.25%" "3.47%" ...Berdasarkan pemeriksaan struktur data diatas:
- Kita memiliki 234 baris dan 17 kolom
- Adengan tipe kelas setiap variabel yang sudah sesuai
Data transformation using dplyr
dplyr merupakan library/package khusus
yang mempermudah kita dalam melakukan data
wrangling/cleaning/transformation. Tahapan data wrangling yang umum:
- cek data
- seleksi kolom
- filter baris
- membuat/mengubah kolom
🛠 glimpse: cek struktur data
fungsi glimpse memiliki kegunaan yang sama dengan fungsi
str() namun memiliki tampilan informasi yang lebih rapih
dan
- Rows : jumlah baris
- Columns : jumlah kolom
- nama kolom
- tipe data
- isi kolom
# Please type your code here
# base
str(population)# Please type your code here
# dplyr
library(dplyr)
glimpse(population)## Rows: 234
## Columns: 17
## $ rank <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
## $ cca3 <chr> "IND", "CHN", "USA", "IDN", "PAK", "NGA", "BRA", "B…
## $ country <chr> "India", "China", "United States", "Indonesia", "Pa…
## $ continent <chr> "Asia", "Asia", "North America", "Asia", "Asia", "A…
## $ `2023` <int> 1428627663, 1425671352, 339996563, 277534122, 24048…
## $ `2022` <int> 1417173173, 1425887337, 338289857, 275501339, 23582…
## $ `2020` <int> 1396387127, 1424929781, 335942003, 271857970, 22719…
## $ `2015` <int> 1322866505, 1393715448, 324607776, 259091970, 21096…
## $ `2010` <int> 1240613620, 1348191368, 311182845, 244016173, 19445…
## $ `2000` <int> 1059633675, 1264099069, 282398554, 214072421, 15436…
## $ `1990` <int> 870452165, 1153704252, 248083732, 182159874, 115414…
## $ `1980` <int> 696828385, 982372466, 223140018, 148177096, 8062405…
## $ `1970` <int> 557501301, 822534450, 200328340, 115228394, 5929087…
## $ `area (km²)` <dbl> 3287590, 9706961, 9372610, 1904569, 881912, 923768,…
## $ `density (km²)` <int> 481, 151, 37, 148, 312, 246, 26, 1329, 9, 66, 112, …
## $ `growth rate` <chr> "0.81%", "-0.02%", "0.50%", "0.74%", "1.98%", "2.41…
## $ `world percentage` <chr> "17.85%", "17.81%", "4.25%", "3.47%", "3.00%", "2.8…🛠 select : seleksi kolom
fungsi select digunakan untuk mengambil atau membuang
kolom tertentu dari data.
Misalkan kita ingin mengambil kolom 2023 population
& 2022 population:
# base objek[baris, kolom]
#population[1:3, c("2023","2022")]
##population[c(1,2,3), c("2023","2022")] ##menampilkan 3 data population di tahun 2023 dan 2022
population[ , c("2023", "2022") ] dplyr:
select(data, kolom yg ingin diambil/dibuang)
# Please type your code here
# dplyr
select( .data = population, # data
"2023", # kolom 1
"2022" ) # kolom 2## 2023 2022
## 1 1428627663 1417173173
## 2 1425671352 1425887337
## 3 339996563 338289857
## 4 277534122 275501339
## 5 240485658 235824862
## 6 223804632 218541212
## 7 216422446 215313498
## 8 172954319 171186372
## 9 144444359 144713314
## 10 128455567 127504125
## 11 126527060 123379924
## 12 123294513 123951692
## 13 117337368 115559009
## 14 112716598 110990103
## 15 102262808 99010212
## 16 98858950 98186856
## 17 89172767 88550570
## 18 85816199 85341241
## 19 83294633 83369843
## 20 71801279 71697030
## 21 67736802 67508936
## 22 67438106 65497748
## 23 64756584 64626628
## 24 60414495 59893885
## 25 58870762 59037474
## 26 55100586 54027487
## 27 54577997 54179306
## 28 52085168 51874024
## 29 51784059 51815810
## 30 48582334 47249585
## 31 48109006 46874204
## 32 47519628 47558630
## 33 45773884 45510318
## 34 45606480 44903225
## 35 45504560 44496122
## 36 42239854 41128771
## 37 41026067 39857145
## 38 38781291 38454327
## 39 37840044 37457971
## 40 36947025 36408820
## 41 36744634 39701739
## 42 36684202 35588987
## 43 35163944 34627652
## 44 34449825 33696614
## 45 34352719 34049588
## 46 34308525 33938221
## 47 34121985 33475870
## 48 33897354 32969518
## 49 30896590 30547580
## 50 30325732 29611714
## 51 28873034 28160542
## 52 28838499 28301696
## 53 28647293 27914536
## 54 27202843 26207977
## 55 26439111 26177413
## 56 26160821 26069416
## 57 23923276 23893394
## 58 23293698 22593590
## 59 23251485 22673762
## 60 23227014 22125249
## 61 21893579 21832143
## 62 20931751 20405317
## 63 20569737 20017675
## 64 19892812 19659267
## 65 19629590 19603733
## 66 19606633 19397998
## 67 18278568 17723315
## 68 18190484 18001000
## 69 18143378 17597511
## 70 18092026 17843908
## 71 17763163 17316449
## 72 17618299 17564014
## 73 16944826 16767842
## 74 16665409 16320537
## 75 14190612 13859341
## 76 14094683 13776698
## 77 13712828 13352864
## 78 13238559 12889576
## 79 12458223 12356117
## 80 12388571 12224110
## 81 11724763 11584996
## 82 11686140 11655930
## 83 11337052 11285869
## 84 11332972 11228821
## 85 11194449 11212191
## 86 11088796 10913164
## 87 10612086 10549347
## 88 10593798 10432860
## 89 10495295 10493986
## 90 10412651 10358074
## 91 10341277 10384971
## 92 10329931 10142619
## 93 10247605 10270865
## 94 10156239 9967308
## 95 10143543 9952787
## 96 9516871 9441129
## 97 9498238 9534954
## 98 9174520 9038309
## 99 9053799 8848699
## 100 8958960 8939617
## 101 8796669 8740472
## 102 8791092 8605718
## 103 7633779 7529475
## 104 7491609 7488865
## 105 7149077 7221365
## 106 7046310 6948392
## 107 6888388 6812341
## 108 6861524 6780744
## 109 6735347 6630623
## 110 6687717 6781953
## 111 6516100 6430770
## 112 6364943 6336392
## 113 6106869 5970424
## 114 6014723 5975689
## 115 5910913 5882261
## 116 5795199 5643453
## 117 5742315 5579144
## 118 5545475 5540745
## 119 5474360 5434319
## 120 5418377 5302681
## 121 5371230 5250072
## 122 5353930 5489739
## 123 5228100 5185288
## 124 5212173 5180829
## 125 5056935 5023109
## 126 4862989 4736139
## 127 4644384 4576298
## 128 4468087 4408581
## 129 4310108 4268873
## 130 4008617 4030358
## 131 3748901 3684032
## 132 3728282 3744385
## 133 3447157 3398366
## 134 3435931 3272996
## 135 3423108 3422794
## 136 3260314 3252407
## 137 3210847 3233526
## 138 2832439 2842321
## 139 2825544 2827377
## 140 2777970 2780469
## 141 2773168 2705992
## 142 2718352 2750055
## 143 2716391 2695122
## 144 2675352 2630296
## 145 2604172 2567012
## 146 2436566 2388992
## 147 2330318 2305825
## 148 2150842 2105566
## 149 2119675 2119844
## 150 2085679 2093599
## 151 1830211 1850651
## 152 1714671 1674908
## 153 1534937 1531044
## 154 1485509 1472233
## 155 1360596 1341296
## 156 1322765 1326062
## 157 1300557 1299469
## 158 1260138 1251488
## 159 1210822 1201670
## 160 1136455 1120849
## 161 981796 974052
## 162 936375 929766
## 163 852075 836774
## 164 813834 808726
## 165 787424 782455
## 166 740424 724273
## 167 704149 695168
## 168 654768 647599
## 169 626485 627082
## 170 623236 618040
## 171 598682 593149
## 172 587259 575986
## 173 535064 533286
## 174 521021 523787
## 175 452524 449002
## 176 412623 409984
## 177 410825 405272
## 178 395839 395752
## 179 375318 372899
## 180 366981 367507
## 181 335995 326101
## 182 334506 326740
## 183 312155 304557
## 184 308872 306279
## 185 292991 289950
## 186 281995 281635
## 187 231856 227380
## 188 225681 222382
## 189 192077 191163
## 190 180251 179857
## 191 172952 171774
## 192 133515 131232
## 193 126183 125438
## 194 115224 114164
## 195 111802 110778
## 196 107773 106858
## 197 107660 107118
## 198 106277 106445
## 199 103698 103948
## 200 98750 99465
## 201 94298 93763
## 202 84710 84519
## 203 80088 79824
## 204 73040 72737
## 205 69310 68706
## 206 64069 64184
## 207 63544 63301
## 208 56643 56466
## 209 53270 53090
## 210 49796 49551
## 211 47755 47657
## 212 46062 45703
## 213 44222 44175
## 214 43914 44273
## 215 41996 41569
## 216 39584 39327
## 217 36297 36469
## 218 33642 33660
## 219 32688 32649
## 220 32077 31791
## 221 31538 31305
## 222 18058 18055
## 223 17044 17011
## 224 15899 15857
## 225 12780 12668
## 226 11502 11572
## 227 11396 11312
## 228 10994 10967
## 229 5840 5862
## 230 4386 4390
## 231 3791 3780
## 232 1935 1934
## 233 1893 1871
## 234 518 510select( .data = population, cca3, country,continent,
"2023", # kolom 1
"2022", # kolom 2
"2020", # kolom 3
"2015", # kolom 4
"2010" ) # kolom 5,## cca3 country continent 2023 2022
## 1 IND India Asia 1428627663 1417173173
## 2 CHN China Asia 1425671352 1425887337
## 3 USA United States North America 339996563 338289857
## 4 IDN Indonesia Asia 277534122 275501339
## 5 PAK Pakistan Asia 240485658 235824862
## 6 NGA Nigeria Africa 223804632 218541212
## 7 BRA Brazil South America 216422446 215313498
## 8 BGD Bangladesh Asia 172954319 171186372
## 9 RUS Russia Europe 144444359 144713314
## 10 MEX Mexico North America 128455567 127504125
## 11 ETH Ethiopia Africa 126527060 123379924
## 12 JPN Japan Asia 123294513 123951692
## 13 PHL Philippines Asia 117337368 115559009
## 14 EGY Egypt Africa 112716598 110990103
## 15 COD DR Congo Africa 102262808 99010212
## 16 VNM Vietnam Asia 98858950 98186856
## 17 IRN Iran Asia 89172767 88550570
## 18 TUR Turkey Asia 85816199 85341241
## 19 DEU Germany Europe 83294633 83369843
## 20 THA Thailand Asia 71801279 71697030
## 21 GBR United Kingdom Europe 67736802 67508936
## 22 TZA Tanzania Africa 67438106 65497748
## 23 FRA France Europe 64756584 64626628
## 24 ZAF South Africa Africa 60414495 59893885
## 25 ITA Italy Europe 58870762 59037474
## 26 KEN Kenya Africa 55100586 54027487
## 27 MMR Myanmar Asia 54577997 54179306
## 28 COL Colombia South America 52085168 51874024
## 29 KOR South Korea Asia 51784059 51815810
## 30 UGA Uganda Africa 48582334 47249585
## 31 SDN Sudan Africa 48109006 46874204
## 32 ESP Spain Europe 47519628 47558630
## 33 ARG Argentina South America 45773884 45510318
## 34 DZA Algeria Africa 45606480 44903225
## 35 IRQ Iraq Asia 45504560 44496122
## 36 AFG Afghanistan Asia 42239854 41128771
## 37 POL Poland Europe 41026067 39857145
## 38 CAN Canada North America 38781291 38454327
## 39 MAR Morocco Africa 37840044 37457971
## 40 SAU Saudi Arabia Asia 36947025 36408820
## 41 UKR Ukraine Europe 36744634 39701739
## 42 AGO Angola Africa 36684202 35588987
## 43 UZB Uzbekistan Asia 35163944 34627652
## 44 YEM Yemen Asia 34449825 33696614
## 45 PER Peru South America 34352719 34049588
## 46 MYS Malaysia Asia 34308525 33938221
## 47 GHA Ghana Africa 34121985 33475870
## 48 MOZ Mozambique Africa 33897354 32969518
## 49 NPL Nepal Asia 30896590 30547580
## 50 MDG Madagascar Africa 30325732 29611714
## 51 CIV Ivory Coast Africa 28873034 28160542
## 52 VEN Venezuela South America 28838499 28301696
## 53 CMR Cameroon Africa 28647293 27914536
## 54 NER Niger Africa 27202843 26207977
## 55 AUS Australia Oceania 26439111 26177413
## 56 PRK North Korea Asia 26160821 26069416
## 57 TWN Taiwan Asia 23923276 23893394
## 58 MLI Mali Africa 23293698 22593590
## 59 BFA Burkina Faso Africa 23251485 22673762
## 60 SYR Syria Asia 23227014 22125249
## 61 LKA Sri Lanka Asia 21893579 21832143
## 62 MWI Malawi Africa 20931751 20405317
## 63 ZMB Zambia Africa 20569737 20017675
## 64 ROU Romania Europe 19892812 19659267
## 65 CHL Chile South America 19629590 19603733
## 66 KAZ Kazakhstan Asia 19606633 19397998
## 67 TCD Chad Africa 18278568 17723315
## 68 ECU Ecuador South America 18190484 18001000
## 69 SOM Somalia Africa 18143378 17597511
## 70 GTM Guatemala North America 18092026 17843908
## 71 SEN Senegal Africa 17763163 17316449
## 72 NLD Netherlands Europe 17618299 17564014
## 73 KHM Cambodia Asia 16944826 16767842
## 74 ZWE Zimbabwe Africa 16665409 16320537
## 75 GIN Guinea Africa 14190612 13859341
## 76 RWA Rwanda Africa 14094683 13776698
## 77 BEN Benin Africa 13712828 13352864
## 78 BDI Burundi Africa 13238559 12889576
## 79 TUN Tunisia Africa 12458223 12356117
## 80 BOL Bolivia South America 12388571 12224110
## 81 HTI Haiti North America 11724763 11584996
## 82 BEL Belgium Europe 11686140 11655930
## 83 JOR Jordan Asia 11337052 11285869
## 84 DOM Dominican Republic North America 11332972 11228821
## 85 CUB Cuba North America 11194449 11212191
## 86 SSD South Sudan Africa 11088796 10913164
## 87 SWE Sweden Europe 10612086 10549347
## 88 HND Honduras North America 10593798 10432860
## 89 CZE Czech Republic Europe 10495295 10493986
## 90 AZE Azerbaijan Asia 10412651 10358074
## 91 GRC Greece Europe 10341277 10384971
## 92 PNG Papua New Guinea Oceania 10329931 10142619
## 93 PRT Portugal Europe 10247605 10270865
## 94 HUN Hungary Europe 10156239 9967308
## 95 TJK Tajikistan Asia 10143543 9952787
## 96 ARE United Arab Emirates Asia 9516871 9441129
## 97 BLR Belarus Europe 9498238 9534954
## 98 ISR Israel Asia 9174520 9038309
## 99 TGO Togo Africa 9053799 8848699
## 100 AUT Austria Europe 8958960 8939617
## 101 CHE Switzerland Europe 8796669 8740472
## 102 SLE Sierra Leone Africa 8791092 8605718
## 103 LAO Laos Asia 7633779 7529475
## 104 HKG Hong Kong Asia 7491609 7488865
## 105 SRB Serbia Europe 7149077 7221365
## 106 NIC Nicaragua North America 7046310 6948392
## 107 LBY Libya Africa 6888388 6812341
## 108 PRY Paraguay South America 6861524 6780744
## 109 KGZ Kyrgyzstan Asia 6735347 6630623
## 110 BGR Bulgaria Europe 6687717 6781953
## 111 TKM Turkmenistan Asia 6516100 6430770
## 112 SLV El Salvador North America 6364943 6336392
## 113 COG Republic of the Congo Africa 6106869 5970424
## 114 SGP Singapore Asia 6014723 5975689
## 115 DNK Denmark Europe 5910913 5882261
## 116 SVK Slovakia Europe 5795199 5643453
## 117 CAF Central African Republic Africa 5742315 5579144
## 118 FIN Finland Europe 5545475 5540745
## 119 NOR Norway Europe 5474360 5434319
## 120 LBR Liberia Africa 5418377 5302681
## 121 PSE Palestine Asia 5371230 5250072
## 122 LBN Lebanon Asia 5353930 5489739
## 123 NZL New Zealand Oceania 5228100 5185288
## 124 CRI Costa Rica North America 5212173 5180829
## 125 IRL Ireland Europe 5056935 5023109
## 126 MRT Mauritania Africa 4862989 4736139
## 127 OMN Oman Asia 4644384 4576298
## 128 PAN Panama North America 4468087 4408581
## 129 KWT Kuwait Asia 4310108 4268873
## 130 HRV Croatia Europe 4008617 4030358
## 131 ERI Eritrea Africa 3748901 3684032
## 132 GEO Georgia Asia 3728282 3744385
## 133 MNG Mongolia Asia 3447157 3398366
## 134 MDA Moldova Europe 3435931 3272996
## 135 URY Uruguay South America 3423108 3422794
## 136 PRI Puerto Rico North America 3260314 3252407
## 137 BIH Bosnia and Herzegovina Europe 3210847 3233526
## 138 ALB Albania Europe 2832439 2842321
## 139 JAM Jamaica North America 2825544 2827377
## 140 ARM Armenia Asia 2777970 2780469
## 141 GMB Gambia Africa 2773168 2705992
## 142 LTU Lithuania Europe 2718352 2750055
## 143 QAT Qatar Asia 2716391 2695122
## 144 BWA Botswana Africa 2675352 2630296
## 145 NAM Namibia Africa 2604172 2567012
## 146 GAB Gabon Africa 2436566 2388992
## 147 LSO Lesotho Africa 2330318 2305825
## 148 GNB Guinea-Bissau Africa 2150842 2105566
## 149 SVN Slovenia Europe 2119675 2119844
## 150 MKD North Macedonia Europe 2085679 2093599
## 151 LVA Latvia Europe 1830211 1850651
## 152 GNQ Equatorial Guinea Africa 1714671 1674908
## 153 TTO Trinidad and Tobago North America 1534937 1531044
## 154 BHR Bahrain Asia 1485509 1472233
## 155 TLS Timor-Leste Asia 1360596 1341296
## 156 EST Estonia Europe 1322765 1326062
## 157 MUS Mauritius Africa 1300557 1299469
## 158 CYP Cyprus Europe 1260138 1251488
## 159 SWZ Eswatini Africa 1210822 1201670
## 160 DJI Djibouti Africa 1136455 1120849
## 161 REU Reunion Africa 981796 974052
## 162 FJI Fiji Oceania 936375 929766
## 163 COM Comoros Africa 852075 836774
## 164 GUY Guyana South America 813834 808726
## 165 BTN Bhutan Asia 787424 782455
## 166 SLB Solomon Islands Oceania 740424 724273
## 167 MAC Macau Asia 704149 695168
## 168 LUX Luxembourg Europe 654768 647599
## 169 MNE Montenegro Europe 626485 627082
## 170 SUR Suriname South America 623236 618040
## 171 CPV Cape Verde Africa 598682 593149
## 172 ESH Western Sahara Africa 587259 575986
## 173 MLT Malta Europe 535064 533286
## 174 MDV Maldives Asia 521021 523787
## 175 BRN Brunei Asia 452524 449002
## 176 BHS Bahamas North America 412623 409984
## 177 BLZ Belize North America 410825 405272
## 178 GLP Guadeloupe North America 395839 395752
## 179 ISL Iceland Europe 375318 372899
## 180 MTQ Martinique North America 366981 367507
## 181 MYT Mayotte Africa 335995 326101
## 182 VUT Vanuatu Oceania 334506 326740
## 183 GUF French Guiana South America 312155 304557
## 184 PYF French Polynesia Oceania 308872 306279
## 185 NCL New Caledonia Oceania 292991 289950
## 186 BRB Barbados North America 281995 281635
## 187 STP Sao Tome and Principe Africa 231856 227380
## 188 WSM Samoa Oceania 225681 222382
## 189 CUW Curacao North America 192077 191163
## 190 LCA Saint Lucia North America 180251 179857
## 191 GUM Guam Oceania 172952 171774
## 192 KIR Kiribati Oceania 133515 131232
## 193 GRD Grenada North America 126183 125438
## 194 FSM Micronesia Oceania 115224 114164
## 195 JEY Jersey Europe 111802 110778
## 196 TON Tonga Oceania 107773 106858
## 197 SYC Seychelles Africa 107660 107118
## 198 ABW Aruba North America 106277 106445
## 199 VCT Saint Vincent and the Grenadines North America 103698 103948
## 200 VIR United States Virgin Islands North America 98750 99465
## 201 ATG Antigua and Barbuda North America 94298 93763
## 202 IMN Isle of Man Europe 84710 84519
## 203 AND Andorra Europe 80088 79824
## 204 DMA Dominica North America 73040 72737
## 205 CYM Cayman Islands North America 69310 68706
## 206 BMU Bermuda North America 64069 64184
## 207 GGY Guernsey Europe 63544 63301
## 208 GRL Greenland North America 56643 56466
## 209 FRO Faroe Islands Europe 53270 53090
## 210 MNP Northern Mariana Islands Oceania 49796 49551
## 211 KNA Saint Kitts and Nevis North America 47755 47657
## 212 TCA Turks and Caicos Islands North America 46062 45703
## 213 SXM Sint Maarten North America 44222 44175
## 214 ASM American Samoa Oceania 43914 44273
## 215 MHL Marshall Islands Oceania 41996 41569
## 216 LIE Liechtenstein Europe 39584 39327
## 217 MCO Monaco Europe 36297 36469
## 218 SMR San Marino Europe 33642 33660
## 219 GIB Gibraltar Europe 32688 32649
## 220 MAF Saint Martin North America 32077 31791
## 221 VGB British Virgin Islands North America 31538 31305
## 222 PLW Palau Oceania 18058 18055
## 223 COK Cook Islands Oceania 17044 17011
## 224 AIA Anguilla North America 15899 15857
## 225 NRU Nauru Oceania 12780 12668
## 226 WLF Wallis and Futuna Oceania 11502 11572
## 227 TUV Tuvalu Oceania 11396 11312
## 228 BLM Saint Barthelemy North America 10994 10967
## 229 SPM Saint Pierre and Miquelon North America 5840 5862
## 230 MSR Montserrat North America 4386 4390
## 231 FLK Falkland Islands South America 3791 3780
## 232 NIU Niue Oceania 1935 1934
## 233 TKL Tokelau Oceania 1893 1871
## 234 VAT Vatican City Europe 518 510
## 2020 2015 2010
## 1 1396387127 1322866505 1240613620
## 2 1424929781 1393715448 1348191368
## 3 335942003 324607776 311182845
## 4 271857970 259091970 244016173
## 5 227196741 210969298 194454498
## 6 208327405 183995785 160952853
## 7 213196304 205188205 196353492
## 8 167420951 157830000 148391139
## 9 145617329 144668389 143242599
## 10 125998302 120149897 112532401
## 11 117190911 102471895 89237791
## 12 125244761 127250933 128105431
## 13 112190977 103031365 94636700
## 14 107465134 97723799 87252413
## 15 92853164 78656904 66391257
## 16 96648685 92191398 87411012
## 17 87290193 81790841 75373855
## 18 84135428 79646178 73195345
## 19 83328988 82073226 81325090
## 20 71475664 70294397 68270489
## 21 67059474 65224364 62760039
## 22 61704518 52542823 45110527
## 23 64480053 63809769 62444567
## 24 58801927 55876504 51784921
## 25 59500579 60232906 59822450
## 26 51985780 46851488 41517895
## 27 53423198 51483949 49390988
## 28 50930662 47119728 44816108
## 29 51844690 50994401 48813042
## 30 44404611 37477356 32341728
## 31 44440486 38171178 33739933
## 32 47363807 46431342 46572772
## 33 45036032 43257065 41100123
## 34 43451666 39543154 35856344
## 35 42556984 37757813 31264875
## 36 38972230 33753499 28189672
## 37 38428366 38553146 38597353
## 38 37888705 35732126 33963412
## 39 36688772 34680458 32464865
## 40 35997107 32749848 29411929
## 41 43909666 44982564 45683020
## 42 33428485 28127721 23364185
## 43 33526656 30949417 28614227
## 44 32284046 28516545 24743946
## 45 33304756 30711863 29229572
## 46 33199993 31068833 28717731
## 47 32180401 28870939 25574719
## 48 31178239 26843246 23073723
## 49 29348627 27610325 27161567
## 50 28225177 24850912 21731053
## 51 26811790 23596741 21120042
## 52 28490453 30529716 28715022
## 53 26491087 23012646 19878036
## 54 24333639 20128124 16647543
## 55 25670051 23820236 22019168
## 56 25867467 25258015 24686435
## 57 23821464 23512136 23083083
## 58 21224040 18112907 15529181
## 59 21522626 18718019 16116845
## 60 20772595 19205178 22337563
## 61 21715079 21336697 20668557
## 62 19377061 16938942 14718422
## 63 18927715 16248230 13792086
## 64 19442038 19906079 20335211
## 65 19300315 17870124 17004162
## 66 18979243 17835909 16627837
## 67 16644701 14140274 11894727
## 68 17588595 16195902 14989585
## 69 16537016 13763906 12026649
## 70 17362718 16001107 14543121
## 71 16436119 14356181 12530121
## 72 17434557 17041107 16617117
## 73 16396860 15417523 14363532
## 74 15669666 14154937 12839771
## 75 13205153 11625998 10270728
## 76 13146362 11642959 10309031
## 77 12643123 10932783 9445710
## 78 12220227 10727148 9126605
## 79 12161723 11557779 10895063
## 80 11936162 11090085 10223270
## 81 11306801 10563757 9842880
## 82 11561717 11248303 10877947
## 83 10928721 9494246 6931258
## 84 10999664 10405832 9775755
## 85 11300698 11339894 11290417
## 86 10606227 11194299 9714419
## 87 10368969 9849349 9381729
## 88 10121763 9294505 8450933
## 89 10530953 10523798 10464749
## 90 10284951 9863480 9237202
## 91 10512232 10806641 11033783
## 92 9749640 8682174 7583269
## 93 10298192 10365435 10588401
## 94 9750573 9844246 9986825
## 95 9543207 8524063 7621779
## 96 9287289 8916899 8481771
## 97 9633740 9700609 9731427
## 98 8757489 8007778 7328445
## 99 8442580 7473229 6571855
## 100 8907777 8642421 8362829
## 101 8638613 8281732 7822435
## 102 8233969 7314773 6436698
## 103 7319399 6787419 6323418
## 104 7500958 7399838 7132438
## 105 7358005 7519496 7653748
## 106 6755895 6298598 5855734
## 107 6653942 6192235 6491988
## 108 6618695 6177950 5768613
## 109 6424874 5914980 5483774
## 110 6979175 7309253 7592273
## 111 6250438 5766431 5267970
## 112 6292731 6231066 6114034
## 113 5702174 5064386 4437884
## 114 5909869 5650018 5163590
## 115 5825641 5677796 5550849
## 116 5456681 5424444 5396424
## 117 5343020 4819333 4660067
## 118 5529468 5479461 5363271
## 119 5379839 5190356 4889741
## 120 5087584 4612329 4019956
## 121 5019401 4484614 3992278
## 122 5662923 6398940 4995800
## 123 5061133 4590590 4346338
## 124 5123105 4895242 4622252
## 125 4946119 4665760 4524585
## 126 4498604 3946220 3419461
## 127 4543399 4191776 2881914
## 128 4294396 3957099 3623617
## 129 4360444 3908743 2943356
## 130 4096868 4254815 4368682
## 131 3555868 3340006 3147727
## 132 3765912 3771132 3836831
## 133 3294335 2964749 2702520
## 134 3084847 3277388 3678186
## 135 3429086 3402818 3352651
## 136 3271564 3497335 3717922
## 137 3318407 3524324 3811088
## 138 2866849 2882481 2913399
## 139 2820436 2794445 2733896
## 140 2805608 2878595 2946293
## 141 2573995 2253133 1937275
## 142 2820267 2963765 3139019
## 143 2760385 2414573 1713504
## 144 2546402 2305171 2091664
## 145 2489098 2282704 2099271
## 146 2292573 2028517 1711105
## 147 2254100 2118521 2022747
## 148 2015828 1788919 1567220
## 149 2117641 2080862 2057287
## 150 2111072 2107962 2093828
## 151 1897052 1991955 2101530
## 152 1596049 1346973 1094524
## 153 1518147 1460177 1410296
## 154 1477469 1362142 1213645
## 155 1299995 1205813 1088486
## 156 1329444 1314657 1331535
## 157 1297828 1293153 1283330
## 158 1237537 1187280 1129686
## 159 1180655 1133936 1099920
## 160 1090156 1006259 919199
## 161 957822 922495 890130
## 162 920422 917200 905169
## 163 806166 730216 656024
## 164 797202 755031 747932
## 165 772506 743274 705516
## 166 691191 612660 540394
## 167 676283 615239 557297
## 168 630399 569408 507070
## 169 629048 633966 631044
## 170 607065 575475 546080
## 171 582640 552166 521212
## 172 556048 491824 413296
## 173 515357 456579 418755
## 174 514438 435582 361575
## 175 441725 421437 396053
## 176 406471 392697 373272
## 177 394921 359871 322106
## 178 395642 399089 403072
## 179 366669 331060 318333
## 180 370391 383515 392181
## 181 305587 249545 211786
## 182 311685 276438 245453
## 183 290969 257026 228453
## 184 301920 291787 283788
## 185 286403 283032 261426
## 186 280693 278083 274711
## 187 218641 201124 182138
## 188 214929 203571 194672
## 189 189288 169572 159380
## 190 179237 175623 170935
## 191 169231 167978 164905
## 192 126463 116707 107995
## 193 123663 118980 114039
## 194 112106 109462 107588
## 195 108319 100561 96151
## 196 105254 106122 107383
## 197 105530 99240 92409
## 198 106585 104257 100341
## 199 104632 106482 109308
## 200 100442 102803 106142
## 201 92664 89941 85695
## 202 84046 83593 83828
## 203 77700 71746 71519
## 204 71995 70007 68755
## 205 67311 60911 54074
## 206 64031 63144 63447
## 207 62794 61629 60782
## 208 56026 55895 56351
## 209 52415 48816 48410
## 210 49587 51514 54087
## 211 47642 47790 47403
## 212 44276 36538 29726
## 213 43621 40205 33034
## 214 46189 51368 54849
## 215 43413 49410 53416
## 216 38756 37355 35926
## 217 36922 36760 33178
## 218 34007 33570 31608
## 219 32709 32520 31262
## 220 32552 35020 36458
## 221 30910 29366 27556
## 222 17972 17794 18540
## 223 17029 17695 17212
## 224 15585 14525 13172
## 225 12315 11185 10241
## 226 11655 12182 13142
## 227 11069 10877 10550
## 228 10681 9643 8988
## 229 5906 5978 6052
## 230 4500 5059 4938
## 231 3747 3408 3187
## 232 1942 1847 1812
## 233 1827 1454 1367
## 234 520 564 596❓M isalkan kita ingin buang kolom `2023 population dan 2022 population
# base: harus menggunakan index
population[,-c(4,5)]# Please type your code here
# dplyr
select(.data = population,
-"2023",
-"2022")## rank cca3 country continent 2020
## 1 1 IND India Asia 1396387127
## 2 2 CHN China Asia 1424929781
## 3 3 USA United States North America 335942003
## 4 4 IDN Indonesia Asia 271857970
## 5 5 PAK Pakistan Asia 227196741
## 6 6 NGA Nigeria Africa 208327405
## 7 7 BRA Brazil South America 213196304
## 8 8 BGD Bangladesh Asia 167420951
## 9 9 RUS Russia Europe 145617329
## 10 10 MEX Mexico North America 125998302
## 11 11 ETH Ethiopia Africa 117190911
## 12 12 JPN Japan Asia 125244761
## 13 13 PHL Philippines Asia 112190977
## 14 14 EGY Egypt Africa 107465134
## 15 15 COD DR Congo Africa 92853164
## 16 16 VNM Vietnam Asia 96648685
## 17 17 IRN Iran Asia 87290193
## 18 18 TUR Turkey Asia 84135428
## 19 19 DEU Germany Europe 83328988
## 20 20 THA Thailand Asia 71475664
## 21 21 GBR United Kingdom Europe 67059474
## 22 22 TZA Tanzania Africa 61704518
## 23 23 FRA France Europe 64480053
## 24 24 ZAF South Africa Africa 58801927
## 25 25 ITA Italy Europe 59500579
## 26 26 KEN Kenya Africa 51985780
## 27 27 MMR Myanmar Asia 53423198
## 28 28 COL Colombia South America 50930662
## 29 29 KOR South Korea Asia 51844690
## 30 30 UGA Uganda Africa 44404611
## 31 31 SDN Sudan Africa 44440486
## 32 32 ESP Spain Europe 47363807
## 33 33 ARG Argentina South America 45036032
## 34 34 DZA Algeria Africa 43451666
## 35 35 IRQ Iraq Asia 42556984
## 36 36 AFG Afghanistan Asia 38972230
## 37 37 POL Poland Europe 38428366
## 38 38 CAN Canada North America 37888705
## 39 39 MAR Morocco Africa 36688772
## 40 40 SAU Saudi Arabia Asia 35997107
## 41 41 UKR Ukraine Europe 43909666
## 42 42 AGO Angola Africa 33428485
## 43 43 UZB Uzbekistan Asia 33526656
## 44 44 YEM Yemen Asia 32284046
## 45 45 PER Peru South America 33304756
## 46 46 MYS Malaysia Asia 33199993
## 47 47 GHA Ghana Africa 32180401
## 48 48 MOZ Mozambique Africa 31178239
## 49 49 NPL Nepal Asia 29348627
## 50 50 MDG Madagascar Africa 28225177
## 51 51 CIV Ivory Coast Africa 26811790
## 52 52 VEN Venezuela South America 28490453
## 53 53 CMR Cameroon Africa 26491087
## 54 54 NER Niger Africa 24333639
## 55 55 AUS Australia Oceania 25670051
## 56 56 PRK North Korea Asia 25867467
## 57 57 TWN Taiwan Asia 23821464
## 58 58 MLI Mali Africa 21224040
## 59 59 BFA Burkina Faso Africa 21522626
## 60 60 SYR Syria Asia 20772595
## 61 61 LKA Sri Lanka Asia 21715079
## 62 62 MWI Malawi Africa 19377061
## 63 63 ZMB Zambia Africa 18927715
## 64 64 ROU Romania Europe 19442038
## 65 65 CHL Chile South America 19300315
## 66 66 KAZ Kazakhstan Asia 18979243
## 67 67 TCD Chad Africa 16644701
## 68 68 ECU Ecuador South America 17588595
## 69 69 SOM Somalia Africa 16537016
## 70 70 GTM Guatemala North America 17362718
## 71 71 SEN Senegal Africa 16436119
## 72 72 NLD Netherlands Europe 17434557
## 73 73 KHM Cambodia Asia 16396860
## 74 74 ZWE Zimbabwe Africa 15669666
## 75 75 GIN Guinea Africa 13205153
## 76 76 RWA Rwanda Africa 13146362
## 77 77 BEN Benin Africa 12643123
## 78 78 BDI Burundi Africa 12220227
## 79 79 TUN Tunisia Africa 12161723
## 80 80 BOL Bolivia South America 11936162
## 81 81 HTI Haiti North America 11306801
## 82 82 BEL Belgium Europe 11561717
## 83 83 JOR Jordan Asia 10928721
## 84 84 DOM Dominican Republic North America 10999664
## 85 85 CUB Cuba North America 11300698
## 86 86 SSD South Sudan Africa 10606227
## 87 87 SWE Sweden Europe 10368969
## 88 88 HND Honduras North America 10121763
## 89 89 CZE Czech Republic Europe 10530953
## 90 90 AZE Azerbaijan Asia 10284951
## 91 91 GRC Greece Europe 10512232
## 92 92 PNG Papua New Guinea Oceania 9749640
## 93 93 PRT Portugal Europe 10298192
## 94 94 HUN Hungary Europe 9750573
## 95 95 TJK Tajikistan Asia 9543207
## 96 96 ARE United Arab Emirates Asia 9287289
## 97 97 BLR Belarus Europe 9633740
## 98 98 ISR Israel Asia 8757489
## 99 99 TGO Togo Africa 8442580
## 100 100 AUT Austria Europe 8907777
## 101 101 CHE Switzerland Europe 8638613
## 102 102 SLE Sierra Leone Africa 8233969
## 103 103 LAO Laos Asia 7319399
## 104 104 HKG Hong Kong Asia 7500958
## 105 105 SRB Serbia Europe 7358005
## 106 106 NIC Nicaragua North America 6755895
## 107 107 LBY Libya Africa 6653942
## 108 108 PRY Paraguay South America 6618695
## 109 109 KGZ Kyrgyzstan Asia 6424874
## 110 110 BGR Bulgaria Europe 6979175
## 111 111 TKM Turkmenistan Asia 6250438
## 112 112 SLV El Salvador North America 6292731
## 113 113 COG Republic of the Congo Africa 5702174
## 114 114 SGP Singapore Asia 5909869
## 115 115 DNK Denmark Europe 5825641
## 116 116 SVK Slovakia Europe 5456681
## 117 117 CAF Central African Republic Africa 5343020
## 118 118 FIN Finland Europe 5529468
## 119 119 NOR Norway Europe 5379839
## 120 120 LBR Liberia Africa 5087584
## 121 121 PSE Palestine Asia 5019401
## 122 122 LBN Lebanon Asia 5662923
## 123 123 NZL New Zealand Oceania 5061133
## 124 124 CRI Costa Rica North America 5123105
## 125 125 IRL Ireland Europe 4946119
## 126 126 MRT Mauritania Africa 4498604
## 127 127 OMN Oman Asia 4543399
## 128 128 PAN Panama North America 4294396
## 129 129 KWT Kuwait Asia 4360444
## 130 130 HRV Croatia Europe 4096868
## 131 131 ERI Eritrea Africa 3555868
## 132 132 GEO Georgia Asia 3765912
## 133 133 MNG Mongolia Asia 3294335
## 134 134 MDA Moldova Europe 3084847
## 135 135 URY Uruguay South America 3429086
## 136 136 PRI Puerto Rico North America 3271564
## 137 137 BIH Bosnia and Herzegovina Europe 3318407
## 138 138 ALB Albania Europe 2866849
## 139 139 JAM Jamaica North America 2820436
## 140 140 ARM Armenia Asia 2805608
## 141 141 GMB Gambia Africa 2573995
## 142 142 LTU Lithuania Europe 2820267
## 143 143 QAT Qatar Asia 2760385
## 144 144 BWA Botswana Africa 2546402
## 145 145 NAM Namibia Africa 2489098
## 146 146 GAB Gabon Africa 2292573
## 147 147 LSO Lesotho Africa 2254100
## 148 148 GNB Guinea-Bissau Africa 2015828
## 149 149 SVN Slovenia Europe 2117641
## 150 150 MKD North Macedonia Europe 2111072
## 151 151 LVA Latvia Europe 1897052
## 152 152 GNQ Equatorial Guinea Africa 1596049
## 153 153 TTO Trinidad and Tobago North America 1518147
## 154 154 BHR Bahrain Asia 1477469
## 155 155 TLS Timor-Leste Asia 1299995
## 156 156 EST Estonia Europe 1329444
## 157 157 MUS Mauritius Africa 1297828
## 158 158 CYP Cyprus Europe 1237537
## 159 159 SWZ Eswatini Africa 1180655
## 160 160 DJI Djibouti Africa 1090156
## 161 161 REU Reunion Africa 957822
## 162 162 FJI Fiji Oceania 920422
## 163 163 COM Comoros Africa 806166
## 164 164 GUY Guyana South America 797202
## 165 165 BTN Bhutan Asia 772506
## 166 166 SLB Solomon Islands Oceania 691191
## 167 167 MAC Macau Asia 676283
## 168 168 LUX Luxembourg Europe 630399
## 169 169 MNE Montenegro Europe 629048
## 170 170 SUR Suriname South America 607065
## 171 171 CPV Cape Verde Africa 582640
## 172 172 ESH Western Sahara Africa 556048
## 173 173 MLT Malta Europe 515357
## 174 174 MDV Maldives Asia 514438
## 175 175 BRN Brunei Asia 441725
## 176 176 BHS Bahamas North America 406471
## 177 177 BLZ Belize North America 394921
## 178 178 GLP Guadeloupe North America 395642
## 179 179 ISL Iceland Europe 366669
## 180 180 MTQ Martinique North America 370391
## 181 181 MYT Mayotte Africa 305587
## 182 182 VUT Vanuatu Oceania 311685
## 183 183 GUF French Guiana South America 290969
## 184 184 PYF French Polynesia Oceania 301920
## 185 185 NCL New Caledonia Oceania 286403
## 186 186 BRB Barbados North America 280693
## 187 187 STP Sao Tome and Principe Africa 218641
## 188 188 WSM Samoa Oceania 214929
## 189 189 CUW Curacao North America 189288
## 190 190 LCA Saint Lucia North America 179237
## 191 191 GUM Guam Oceania 169231
## 192 192 KIR Kiribati Oceania 126463
## 193 193 GRD Grenada North America 123663
## 194 194 FSM Micronesia Oceania 112106
## 195 195 JEY Jersey Europe 108319
## 196 196 TON Tonga Oceania 105254
## 197 197 SYC Seychelles Africa 105530
## 198 198 ABW Aruba North America 106585
## 199 199 VCT Saint Vincent and the Grenadines North America 104632
## 200 200 VIR United States Virgin Islands North America 100442
## 201 201 ATG Antigua and Barbuda North America 92664
## 202 202 IMN Isle of Man Europe 84046
## 203 203 AND Andorra Europe 77700
## 204 204 DMA Dominica North America 71995
## 205 205 CYM Cayman Islands North America 67311
## 206 206 BMU Bermuda North America 64031
## 207 207 GGY Guernsey Europe 62794
## 208 208 GRL Greenland North America 56026
## 209 209 FRO Faroe Islands Europe 52415
## 210 210 MNP Northern Mariana Islands Oceania 49587
## 211 211 KNA Saint Kitts and Nevis North America 47642
## 212 212 TCA Turks and Caicos Islands North America 44276
## 213 213 SXM Sint Maarten North America 43621
## 214 214 ASM American Samoa Oceania 46189
## 215 215 MHL Marshall Islands Oceania 43413
## 216 216 LIE Liechtenstein Europe 38756
## 217 217 MCO Monaco Europe 36922
## 218 218 SMR San Marino Europe 34007
## 219 219 GIB Gibraltar Europe 32709
## 220 220 MAF Saint Martin North America 32552
## 221 221 VGB British Virgin Islands North America 30910
## 222 222 PLW Palau Oceania 17972
## 223 223 COK Cook Islands Oceania 17029
## 224 224 AIA Anguilla North America 15585
## 225 225 NRU Nauru Oceania 12315
## 226 226 WLF Wallis and Futuna Oceania 11655
## 227 227 TUV Tuvalu Oceania 11069
## 228 228 BLM Saint Barthelemy North America 10681
## 229 229 SPM Saint Pierre and Miquelon North America 5906
## 230 230 MSR Montserrat North America 4500
## 231 231 FLK Falkland Islands South America 3747
## 232 232 NIU Niue Oceania 1942
## 233 233 TKL Tokelau Oceania 1827
## 234 234 VAT Vatican City Europe 520
## 2015 2010 2000 1990 1980 1970 area (km²)
## 1 1322866505 1240613620 1059633675 870452165 696828385 557501301 3287590.00
## 2 1393715448 1348191368 1264099069 1153704252 982372466 822534450 9706961.00
## 3 324607776 311182845 282398554 248083732 223140018 200328340 9372610.00
## 4 259091970 244016173 214072421 182159874 148177096 115228394 1904569.00
## 5 210969298 194454498 154369924 115414069 80624057 59290872 881912.00
## 6 183995785 160952853 122851984 95214257 72951439 55569264 923768.00
## 7 205188205 196353492 175873720 150706446 122288383 96369875 8515767.00
## 8 157830000 148391139 129193327 107147651 83929765 67541860 147570.00
## 9 144668389 143242599 146844839 148005704 138257420 130093010 17098242.00
## 10 120149897 112532401 97873442 81720428 67705186 50289306 1964375.00
## 11 102471895 89237791 67031867 47878073 34945469 28308246 1104300.00
## 12 127250933 128105431 126803861 123686321 117624196 105416839 377930.00
## 13 103031365 94636700 77958223 61558898 48419546 37435586 342353.00
## 14 97723799 87252413 71371371 57214630 43748556 34781986 1002450.00
## 15 78656904 66391257 48616317 35987541 26708686 20151733 2344858.00
## 16 92191398 87411012 79001142 66912613 52968270 41928849 331212.00
## 17 81790841 75373855 65544383 55793629 38520664 28449705 1648195.00
## 18 79646178 73195345 64113547 54324142 44089069 35540990 783562.00
## 19 82073226 81325090 81551677 79370196 77786703 78294583 357114.00
## 20 70294397 68270489 63066603 55228410 45737753 35791728 513120.00
## 21 65224364 62760039 58850043 57210442 56326328 55650166 242900.00
## 22 52542823 45110527 34463704 26206012 19297659 13618192 945087.00
## 23 63809769 62444567 58665453 56412897 53713830 50523586 551695.00
## 24 55876504 51784921 46813266 39877570 29463549 22368306 1221037.00
## 25 60232906 59822450 56966397 56756561 56329482 53324036 301336.00
## 26 46851488 41517895 30851606 23162269 16187124 11473087 580367.00
## 27 51483949 49390988 45538332 40099553 33465781 27284112 676578.00
## 28 47119728 44816108 39215135 32601393 26176195 20905254 1141748.00
## 29 50994401 48813042 46788591 44120039 38170501 32601143 100210.00
## 30 37477356 32341728 24020697 17586630 13284026 10317212 241550.00
## 31 38171178 33739933 26298773 21090886 16673586 11305206 1886068.00
## 32 46431342 46572772 40741651 38889889 37491666 33792617 505992.00
## 33 43257065 41100123 37070774 32637657 28024803 23842803 2780400.00
## 34 39543154 35856344 30774621 25518074 18739378 13795915 2381741.00
## 35 37757813 31264875 24628858 17658381 13653369 9811347 438317.00
## 36 33753499 28189672 19542982 10694796 12486631 10752971 652230.00
## 37 38553146 38597353 38504431 38064255 35521429 32482943 312679.00
## 38 35732126 33963412 30683313 27657204 24511510 21434577 9984670.00
## 39 34680458 32464865 28554415 24570814 19678444 15274351 446550.00
## 40 32749848 29411929 21547390 16004763 10171710 6106191 2149690.00
## 41 44982564 45683020 48879755 51589817 49973920 47279086 603500.00
## 42 28127721 23364185 16394062 11828638 8330047 6029700 1246700.00
## 43 30949417 28614227 24925554 20579100 15947129 12011361 447400.00
## 44 28516545 24743946 18628700 13375121 9204938 6843607 527968.00
## 45 30711863 29229572 26654439 22109099 17492406 13562371 1285216.00
## 46 31068833 28717731 22945150 17517054 13215707 10306508 330803.00
## 47 28870939 25574719 19665502 15446982 11865246 8861895 238533.00
## 48 26843246 23073723 17768505 13303459 11413587 8411676 801590.00
## 49 27610325 27161567 24559500 19616530 15600442 12501285 147181.00
## 50 24850912 21731053 16216431 11882762 8948162 6639751 587041.00
## 51 23596741 21120042 16799670 11910540 8303810 5477086 322463.00
## 52 30529716 28715022 24427729 19750579 15210443 11355475 916445.00
## 53 23012646 19878036 15091594 11430520 8519891 6452787 475442.00
## 54 20128124 16647543 11622665 8370647 6173177 4669708 1267000.00
## 55 23820236 22019168 19017963 17048003 14706322 12595034 7692024.00
## 56 25258015 24686435 23367059 20799523 17973650 14996879 120538.00
## 57 23512136 23083083 22194731 20586174 18100281 14957870 36193.00
## 58 18112907 15529181 11239101 8945026 7372581 6153587 1240192.00
## 59 18718019 16116845 11882888 9131361 6932967 5611666 272967.00
## 60 19205178 22337563 16307654 12408996 8898954 6319199 185180.00
## 61 21336697 20668557 18776371 17204094 14943645 12388769 65610.00
## 62 16938942 14718422 11229387 9539665 6267369 4625141 118484.00
## 63 16248230 13792086 9891136 7686401 5720438 4281671 752612.00
## 64 19906079 20335211 21919876 22836234 22125224 19922618 238391.00
## 65 17870124 17004162 15351799 13342868 11469828 9820481 756102.00
## 66 17835909 16627837 15236253 16866563 14172710 12265305 2724900.00
## 67 14140274 11894727 8259137 5827069 4408230 3667394 1284000.00
## 68 16195902 14989585 12626507 10449837 8135845 6172215 276841.00
## 69 13763906 12026649 8721465 6999096 5892224 3720977 637657.00
## 70 16001107 14543121 11735894 9084780 6987767 5453208 108889.00
## 71 14356181 12530121 9704287 7536001 5703869 4367744 196722.00
## 72 17041107 16617117 15899135 14944548 14130387 13037686 41850.00
## 73 15417523 14363532 12118841 8910808 6198959 6708525 181035.00
## 74 14154937 12839771 11834676 10113893 7049926 5202918 390757.00
## 75 11625998 10270728 8336967 6354145 4972609 4222374 245857.00
## 76 11642959 10309031 8109989 7319962 5247532 3896367 26338.00
## 77 10932783 9445710 6998023 5133419 3833939 3023443 112622.00
## 78 10727148 9126605 6307659 5483793 4312834 3497834 27834.00
## 79 11557779 10895063 9893316 8440023 6578156 5047404 163610.00
## 80 11090085 10223270 8592656 7096194 5736088 4585693 1098581.00
## 81 10563757 9842880 8360225 6925331 5646676 4680812 27750.00
## 82 11248303 10877947 10264343 9959560 9828986 9629376 30528.00
## 83 9494246 6931258 5056174 3480587 2216903 1557374 89342.00
## 84 10405832 9775755 8540791 7129004 5755800 4475871 48671.00
## 85 11339894 11290417 11105791 10626680 9809107 8869636 109884.00
## 86 11194299 9714419 6114440 4750817 4192012 3342410 619745.00
## 87 9849349 9381729 8871043 8548406 8311763 8027702 450295.00
## 88 9294505 8450933 6656725 5053234 3777990 2782753 112492.00
## 89 10523798 10464749 10234710 10301192 10270060 9795744 78865.00
## 90 9863480 9237202 8190337 7427836 6383060 5425317 86600.00
## 91 10806641 11033783 11038109 10302255 9307148 8544873 131990.00
## 92 8682174 7583269 5508297 3864972 3104788 2489059 462840.00
## 93 10365435 10588401 10300626 10007346 9785252 8683631 92090.00
## 94 9844246 9986825 10202055 10375989 10698679 10315366 93028.00
## 95 8524063 7621779 6272998 5417860 4045965 2993019 143100.00
## 96 8916899 8481771 3275333 1900151 1014048 298084 83600.00
## 97 9700609 9731427 10256483 10428525 9817257 9170786 207600.00
## 98 8007778 7328445 6116958 4803254 3744608 2907307 20770.00
## 99 7473229 6571855 5008035 3875947 2838110 2197383 56785.00
## 100 8642421 8362829 8010428 7678729 7547561 7465301 83871.00
## 101 8281732 7822435 7182059 6711693 6319113 6181227 41284.00
## 102 7314773 6436698 4584067 4325388 3367477 2778557 71740.00
## 103 6787419 6323418 5430853 4314443 3297519 2675283 236800.00
## 104 7399838 7132438 6731195 5838574 4978544 3955072 1104.00
## 105 7519496 7653748 7935022 7987529 7777010 7193533 88361.00
## 106 6298598 5855734 5123222 4227820 3303309 2444767 130373.00
## 107 6192235 6491988 5154790 4236983 2962720 1909177 1759540.00
## 108 6177950 5768613 5123819 4059195 3078912 2408787 406752.00
## 109 5914980 5483774 4935182 4394734 3691209 3016384 199951.00
## 110 7309253 7592273 8097691 8767778 8980606 8582950 110879.00
## 111 5766431 5267970 4569132 3720278 2862903 2201432 488100.00
## 112 6231066 6114034 5958482 5367179 4508992 3619090 21041.00
## 113 5064386 4437884 3134030 2385435 1829256 1396989 342000.00
## 114 5650018 5163590 4053602 3022209 2400729 2061831 710.00
## 115 5677796 5550849 5340655 5144623 5125392 4922963 43094.00
## 116 5424444 5396424 5376690 5261305 4973883 4522867 49037.00
## 117 4819333 4660067 3759170 2809221 2415276 2067356 622984.00
## 118 5479461 5363271 5176209 4986545 4779418 4606621 338424.00
## 119 5190356 4889741 4491202 4241636 4085776 3875546 323802.00
## 120 4612329 4019956 2895224 2209731 1932169 1463563 111369.00
## 121 4484614 3992278 3139954 2124609 1453620 1118241 6220.00
## 122 6398940 4995800 4320642 3593700 2963702 2381791 10452.00
## 123 4590590 4346338 3855266 3397389 3147168 2824061 270467.00
## 124 4895242 4622252 3979193 3158253 2414303 1855697 51100.00
## 125 4665760 4524585 3768950 3485374 3391387 2937637 70273.00
## 126 3946220 3419461 2695003 2006027 1506694 1122198 1030700.00
## 127 4191776 2881914 2344253 1804524 1017462 670693 309500.00
## 128 3957099 3623617 3001731 2449968 1956987 1516188 75417.00
## 129 3908743 2943356 1934901 1674938 1493870 802786 17818.00
## 130 4254815 4368682 4548434 4873707 4680144 4492638 56594.00
## 131 3340006 3147727 2392880 2149960 1657982 1272748 117600.00
## 132 3771132 3836831 4265172 5391636 5145843 4800426 69700.00
## 133 2964749 2702520 2450979 2161433 1697780 1293880 1564110.00
## 134 3277388 3678186 4251573 4480199 4103240 3711140 33846.00
## 135 3402818 3352651 3292224 3117012 2953750 2790265 181034.00
## 136 3497335 3717922 3827108 3543776 3214568 2737619 8870.00
## 137 3524324 3811088 4179350 4494310 4199820 3815561 51209.00
## 138 2882481 2913399 3182021 3295066 2941651 2324731 28748.00
## 139 2794445 2733896 2612205 2392030 2135546 1859091 10991.00
## 140 2878595 2946293 3168523 3556539 3135123 2534377 29743.00
## 141 2253133 1937275 1437539 1040616 718586 528731 10689.00
## 142 2963765 3139019 3599637 3785847 3521206 3210147 65300.00
## 143 2414573 1713504 645937 441675 277450 118007 11586.00
## 144 2305171 2091664 1726985 1341474 938578 592244 582000.00
## 145 2282704 2099271 1819141 1369011 975994 754467 825615.00
## 146 2028517 1711105 1272935 983028 749078 597192 267668.00
## 147 2118521 2022747 1998630 1798997 1407672 1023481 30355.00
## 148 1788919 1567220 1230849 973551 831462 591663 36125.00
## 149 2080862 2057287 1984339 1986024 1901570 1741286 20273.00
## 150 2107962 2093828 2037936 2044174 1907023 1656783 25713.00
## 151 1991955 2101530 2392530 2689391 2572037 2397414 64559.00
## 152 1346973 1094524 684977 465549 282509 316955 28051.00
## 153 1460177 1410296 1332203 1266518 1127852 988890 5130.00
## 154 1362142 1213645 711442 517418 362595 222555 765.00
## 155 1205813 1088486 878360 758106 642224 554021 14874.00
## 156 1314657 1331535 1396877 1570674 1476983 1361999 45227.00
## 157 1293153 1283330 1215930 1090290 954865 830115 2040.00
## 158 1187280 1129686 948237 788500 679327 640804 9251.00
## 159 1133936 1099920 1030496 854011 598564 442865 17364.00
## 160 1006259 919199 742033 577173 324121 144379 23200.00
## 161 922495 890130 785424 658992 551674 473925 2511.00
## 162 917200 905169 832509 780430 644582 527634 18272.00
## 163 730216 656024 536758 431119 328328 242351 1862.00
## 164 755031 747932 759051 747116 778176 705261 214969.00
## 165 743274 705516 587207 558442 415257 298894 38394.00
## 166 612660 540394 429978 324171 233668 172833 28896.00
## 167 615239 557297 431896 350227 245332 247284 32.90
## 168 569408 507070 435628 381267 363741 339342 2586.00
## 169 633966 631044 633324 621442 589324 530268 13812.00
## 170 575475 546080 478998 412756 375112 379918 163820.00
## 171 552166 521212 458251 364563 317234 287262 4033.00
## 172 491824 413296 270375 178529 116775 76371 266000.00
## 173 456579 418755 399212 365392 333587 315414 316.00
## 174 435582 361575 282507 224957 164887 123243 300.00
## 175 421437 396053 333926 261928 187921 133343 5765.00
## 176 392697 373272 325014 270679 223752 179129 13943.00
## 177 359871 322106 240406 182589 145133 120905 22966.00
## 178 399089 403072 424067 391951 334234 318310 1628.00
## 179 331060 318333 281462 255019 228263 204468 103000.00
## 180 383515 392181 432543 374271 333786 326428 1128.00
## 181 249545 211786 159215 92659 52233 35383 374.00
## 182 276438 245453 192074 150882 118156 87019 12189.00
## 183 257026 228453 164351 113931 66825 46484 83534.00
## 184 291787 283788 250927 211089 163591 117891 4167.00
## 185 283032 261426 221537 177264 148599 110982 18575.00
## 186 278083 274711 264657 258868 253575 241397 430.00
## 187 201124 182138 143714 120343 97210 77583 964.00
## 188 203571 194672 184008 168186 164905 142771 2842.00
## 189 169572 159380 141424 155446 156851 150385 444.00
## 190 175623 170935 159500 142301 121633 103090 616.00
## 191 167978 164905 160188 138263 110286 88300 549.00
## 192 116707 107995 88826 75124 60813 57437 811.00
## 193 118980 114039 107432 99047 94838 98794 344.00
## 194 109462 107588 111709 98603 76299 58989 702.00
## 195 100561 96151 86192 82874 75124 68347 116.00
## 196 106122 107383 102603 98727 96708 86484 747.00
## 197 99240 92409 80060 71057 65290 54379 452.00
## 198 104257 100341 89101 65712 62267 59106 180.00
## 199 106482 109308 113813 112487 107480 98459 389.00
## 200 102803 106142 108185 100685 96640 63446 347.00
## 201 89941 85695 75055 63328 64889 64516 442.00
## 202 83593 83828 75562 68865 64022 55298 572.00
## 203 71746 71519 66097 53569 35611 19860 468.00
## 204 70007 68755 68346 69481 72978 68895 751.00
## 205 60911 54074 39658 26027 17100 10533 264.00
## 206 63144 63447 61371 57470 53565 52019 54.00
## 207 61629 60782 59114 57727 52860 52656 78.00
## 208 55895 56351 56184 55599 50106 45434 2166086.00
## 209 48816 48410 45660 47479 43054 38416 1393.00
## 210 51514 54087 80338 48002 17613 10143 464.00
## 211 47790 47403 45461 40636 43097 44968 261.00
## 212 36538 29726 18744 11709 7598 5665 948.00
## 213 40205 33034 30489 27845 12243 6260 34.00
## 214 51368 54849 58230 47818 32886 27075 199.00
## 215 49410 53416 54224 46047 31988 23969 181.00
## 216 37355 35926 33026 28765 25003 21089 160.00
## 217 36760 33178 32465 30329 27076 24270 2.02
## 218 33570 31608 26823 23132 21346 18169 61.00
## 219 32520 31262 27741 27317 28734 26685 6.80
## 220 35020 36458 29610 28127 7776 5802 53.00
## 221 29366 27556 20104 15617 11109 9581 151.00
## 222 17794 18540 19726 15293 12252 11366 459.00
## 223 17695 17212 15897 17123 17651 20470 240.00
## 224 14525 13172 11047 8316 6560 6283 91.00
## 225 11185 10241 10377 9598 7635 6663 21.00
## 226 12182 13142 14723 13454 11315 9377 274.00
## 227 10877 10550 9638 9182 7731 5814 26.00
## 228 9643 8988 7082 5168 2983 2417 21.00
## 229 5978 6052 6274 6324 6106 5537 242.00
## 230 5059 4938 5138 10805 11452 11402 102.00
## 231 3408 3187 3080 2332 2240 2274 12173.00
## 232 1847 1812 2074 2533 3637 5185 261.00
## 233 1454 1367 1666 1669 1647 1714 12.00
## 234 564 596 651 700 733 752 0.44
## density (km²) growth rate world percentage
## 1 481 0.81% 17.85%
## 2 151 -0.02% 17.81%
## 3 37 0.50% 4.25%
## 4 148 0.74% 3.47%
## 5 312 1.98% 3.00%
## 6 246 2.41% 2.80%
## 7 26 0.52% 2.70%
## 8 1329 1.03% 2.16%
## 9 9 -0.19% 1.80%
## 10 66 0.75% 1.60%
## 11 112 2.55% 1.58%
## 12 338 -0.53% 1.54%
## 13 394 1.54% 1.47%
## 14 113 1.56% 1.41%
## 15 45 3.29% 1.28%
## 16 315 0.68% 1.23%
## 17 55 0.70% 1.11%
## 18 110 0.56% 1.07%
## 19 238 -0.09% 1.04%
## 20 141 0.15% 0.90%
## 21 280 0.34% 0.85%
## 22 76 2.96% 0.84%
## 23 118 0.20% 0.81%
## 24 50 0.87% 0.75%
## 25 199 -0.28% 0.74%
## 26 97 1.99% 0.69%
## 27 84 0.74% 0.68%
## 28 47 0.41% 0.65%
## 29 531 -0.06% 0.65%
## 30 242 2.82% 0.61%
## 31 26 2.63% 0.60%
## 32 95 -0.08% 0.59%
## 33 17 0.58% 0.57%
## 34 19 1.57% 0.57%
## 35 105 2.27% 0.57%
## 36 65 2.70% 0.53%
## 37 134 2.93% 0.51%
## 38 4 0.85% 0.48%
## 39 85 1.02% 0.47%
## 40 17 1.48% 0.46%
## 41 63 -7.45% 0.46%
## 42 29 3.08% 0.46%
## 43 80 1.55% 0.44%
## 44 65 2.24% 0.43%
## 45 27 0.89% 0.43%
## 46 104 1.09% 0.43%
## 47 150 1.93% 0.43%
## 48 43 2.81% 0.42%
## 49 216 1.14% 0.39%
## 50 52 2.41% 0.38%
## 51 91 2.53% 0.36%
## 52 33 1.90% 0.36%
## 53 61 2.63% 0.36%
## 54 21 3.80% 0.34%
## 55 3 1.00% 0.33%
## 56 217 0.35% 0.33%
## 57 661 0.13% 0.30%
## 58 19 3.10% 0.29%
## 59 85 2.55% 0.29%
## 60 126 4.98% 0.29%
## 61 354 0.28% 0.27%
## 62 222 2.58% 0.26%
## 63 28 2.76% 0.26%
## 64 86 1.19% 0.25%
## 65 26 0.13% 0.25%
## 66 7 1.08% 0.24%
## 67 15 3.13% 0.23%
## 68 73 1.05% 0.23%
## 69 29 3.10% 0.23%
## 70 169 1.39% 0.23%
## 71 92 2.58% 0.22%
## 72 523 0.31% 0.22%
## 73 96 1.06% 0.21%
## 74 43 2.11% 0.21%
## 75 58 2.39% 0.18%
## 76 571 2.31% 0.18%
## 77 122 2.70% 0.17%
## 78 516 2.71% 0.17%
## 79 80 0.83% 0.16%
## 80 11 1.35% 0.15%
## 81 425 1.21% 0.15%
## 82 386 0.26% 0.15%
## 83 128 0.45% 0.14%
## 84 235 0.93% 0.14%
## 85 108 -0.16% 0.14%
## 86 18 1.61% 0.14%
## 87 26 0.59% 0.13%
## 88 95 1.54% 0.13%
## 89 136 0.01% 0.13%
## 90 126 0.53% 0.13%
## 91 80 -0.42% 0.13%
## 92 23 1.85% 0.13%
## 93 112 -0.23% 0.13%
## 94 111 1.90% 0.13%
## 95 73 1.92% 0.13%
## 96 134 0.80% 0.12%
## 97 47 -0.39% 0.12%
## 98 424 1.51% 0.11%
## 99 166 2.32% 0.11%
## 100 109 0.22% 0.11%
## 101 223 0.64% 0.11%
## 102 122 2.15% 0.11%
## 103 33 1.39% 0.10%
## 104 7135 0.04% 0.09%
## 105 82 -1.00% 0.09%
## 106 59 1.41% 0.09%
## 107 4 1.12% 0.09%
## 108 17 1.19% 0.09%
## 109 35 1.58% 0.08%
## 110 62 -1.39% 0.08%
## 111 14 1.33% 0.08%
## 112 307 0.45% 0.08%
## 113 18 2.29% 0.08%
## 114 8377 0.65% 0.08%
## 115 148 0.49% 0.07%
## 116 118 2.69% 0.07%
## 117 9 2.92% 0.07%
## 118 18 0.09% 0.07%
## 119 15 0.74% 0.07%
## 120 56 2.18% 0.07%
## 121 892 2.31% 0.07%
## 122 523 -2.47% 0.07%
## 123 20 0.83% 0.07%
## 124 102 0.60% 0.07%
## 125 73 0.67% 0.06%
## 126 5 2.68% 0.06%
## 127 15 1.49% 0.06%
## 128 60 1.35% 0.06%
## 129 242 0.97% 0.05%
## 130 72 -0.54% 0.05%
## 131 31 1.76% 0.05%
## 132 54 -0.43% 0.05%
## 133 2 1.44% 0.04%
## 134 104 4.98% 0.04%
## 135 20 0.01% 0.04%
## 136 368 0.24% 0.04%
## 137 63 -0.70% 0.04%
## 138 103 -0.35% 0.04%
## 139 261 -0.06% 0.04%
## 140 98 -0.09% 0.03%
## 141 274 2.48% 0.03%
## 142 43 -1.15% 0.03%
## 143 236 0.79% 0.03%
## 144 5 1.71% 0.03%
## 145 3 1.45% 0.03%
## 146 9 1.99% 0.03%
## 147 77 1.06% 0.03%
## 148 76 2.15% 0.03%
## 149 105 -0.01% 0.03%
## 150 83 -0.38% 0.03%
## 151 29 -1.10% 0.02%
## 152 61 2.37% 0.02%
## 153 299 0.25% 0.02%
## 154 1892 0.90% 0.02%
## 155 91 1.44% 0.02%
## 156 31 -0.25% 0.02%
## 157 641 0.08% 0.02%
## 158 136 0.69% 0.02%
## 159 70 0.76% 0.02%
## 160 49 1.39% 0.01%
## 161 391 0.80% 0.01%
## 162 51 0.71% 0.01%
## 163 458 1.83% 0.01%
## 164 4 0.63% 0.01%
## 165 21 0.64% 0.01%
## 166 26 2.23% 0.01%
## 167 21403 1.29% 0.01%
## 168 254 1.11% 0.01%
## 169 47 -0.10% 0.01%
## 170 4 0.84% 0.01%
## 171 148 0.93% 0.01%
## 172 2 1.96% 0.01%
## 173 1672 0.33% 0.01%
## 174 1737 -0.53% 0.01%
## 175 86 0.78% 0.01%
## 176 41 0.64% 0.01%
## 177 18 1.37% 0.01%
## 178 243 0.02% 0.00%
## 179 4 0.65% 0.00%
## 180 325 -0.14% 0.00%
## 181 898 3.03% 0.00%
## 182 27 2.38% 0.00%
## 183 4 2.49% 0.00%
## 184 89 0.85% 0.00%
## 185 16 1.05% 0.00%
## 186 656 0.13% 0.00%
## 187 242 1.97% 0.00%
## 188 81 1.48% 0.00%
## 189 433 0.48% 0.00%
## 190 295 0.22% 0.00%
## 191 320 0.69% 0.00%
## 192 165 1.74% 0.00%
## 193 371 0.59% 0.00%
## 194 165 0.93% 0.00%
## 195 932 0.92% 0.00%
## 196 150 0.86% 0.00%
## 197 234 0.51% 0.00%
## 198 590 -0.16% 0.00%
## 199 266 -0.24% 0.00%
## 200 285 -0.72% 0.00%
## 201 214 0.57% 0.00%
## 202 149 0.23% 0.00%
## 203 170 0.33% 0.00%
## 204 97 0.42% 0.00%
## 205 289 0.88% 0.00%
## 206 1186 -0.18% 0.00%
## 207 1009 0.38% 0.00%
## 208 0 0.31% 0.00%
## 209 39 0.34% 0.00%
## 210 108 0.49% 0.00%
## 211 184 0.21% 0.00%
## 212 49 0.79% 0.00%
## 213 1301 0.11% 0.00%
## 214 220 -0.81% 0.00%
## 215 233 1.03% 0.00%
## 216 247 0.65% 0.00%
## 217 18149 -0.47% 0.00%
## 218 561 -0.05% 0.00%
## 219 4807 0.12% 0.00%
## 220 642 0.90% 0.00%
## 221 210 0.74% 0.00%
## 222 39 0.02% 0.00%
## 223 71 0.19% 0.00%
## 224 175 0.26% 0.00%
## 225 639 0.88% 0.00%
## 226 42 -0.60% 0.00%
## 227 380 0.74% 0.00%
## 228 440 0.25% 0.00%
## 229 24 -0.38% 0.00%
## 230 43 -0.09% 0.00%
## 231 0 0.29% 0.00%
## 232 7 0.05% 0.00%
## 233 189 1.18% 0.00%
## 234 1177 1.57% 0.00%Note:
- untuk selesksi kolom dapat menggunakan fungsi
select()dengan parameter.data,nama kolom - untuk drop kolom dapat menggunakan fungsi
select()dengan parameter.data,-nama kolom
🛠 filter: filter baris (berdasarkan kondisi)
Fungsi filter digunakan untuk mengambil data dengan
kondisi tertentu berdasarkan baris data. Misalkan kita ingin mengambil
data dari country “Indonesia”,“Japan”,“Iran”
dan “Rusia”
# base objek [baris, kolom]
population[population$country == "Indonesia" | population$country == "Russia" | population$country == "Japan"| population$country == "Iran",]# Please type your code here
# dplyr
filter(population,
country %in% c("Indonesia","Russia","Japan","Iran"))## rank cca3 country continent 2023 2022 2020 2015
## 1 4 IDN Indonesia Asia 277534122 275501339 271857970 259091970
## 2 9 RUS Russia Europe 144444359 144713314 145617329 144668389
## 3 12 JPN Japan Asia 123294513 123951692 125244761 127250933
## 4 17 IRN Iran Asia 89172767 88550570 87290193 81790841
## 2010 2000 1990 1980 1970 area (km²) density (km²)
## 1 244016173 214072421 182159874 148177096 115228394 1904569 148
## 2 143242599 146844839 148005704 138257420 130093010 17098242 9
## 3 128105431 126803861 123686321 117624196 105416839 377930 338
## 4 75373855 65544383 55793629 38520664 28449705 1648195 55
## growth rate world percentage
## 1 0.74% 3.47%
## 2 -0.19% 1.80%
## 3 -0.53% 1.54%
## 4 0.70% 1.11%🛠 mutate: memodifikasi kolom
fungsi mutate dapat digunakan untuk:
- mengubah tipe data,
- menambah kolom,
- mengganti nilai pada suatu kolom
# base: mengubah tipe data kolom `country`
population$country <- as.factor(population$country)
glimpse(population)dplyr:
mutate(data, nama kolom = isi kolom)
mutate(population,
country=as.factor(country),
status="densely populated")## rank cca3 country continent 2023
## 1 1 IND India Asia 1428627663
## 2 2 CHN China Asia 1425671352
## 3 3 USA United States North America 339996563
## 4 4 IDN Indonesia Asia 277534122
## 5 5 PAK Pakistan Asia 240485658
## 6 6 NGA Nigeria Africa 223804632
## 7 7 BRA Brazil South America 216422446
## 8 8 BGD Bangladesh Asia 172954319
## 9 9 RUS Russia Europe 144444359
## 10 10 MEX Mexico North America 128455567
## 11 11 ETH Ethiopia Africa 126527060
## 12 12 JPN Japan Asia 123294513
## 13 13 PHL Philippines Asia 117337368
## 14 14 EGY Egypt Africa 112716598
## 15 15 COD DR Congo Africa 102262808
## 16 16 VNM Vietnam Asia 98858950
## 17 17 IRN Iran Asia 89172767
## 18 18 TUR Turkey Asia 85816199
## 19 19 DEU Germany Europe 83294633
## 20 20 THA Thailand Asia 71801279
## 21 21 GBR United Kingdom Europe 67736802
## 22 22 TZA Tanzania Africa 67438106
## 23 23 FRA France Europe 64756584
## 24 24 ZAF South Africa Africa 60414495
## 25 25 ITA Italy Europe 58870762
## 26 26 KEN Kenya Africa 55100586
## 27 27 MMR Myanmar Asia 54577997
## 28 28 COL Colombia South America 52085168
## 29 29 KOR South Korea Asia 51784059
## 30 30 UGA Uganda Africa 48582334
## 31 31 SDN Sudan Africa 48109006
## 32 32 ESP Spain Europe 47519628
## 33 33 ARG Argentina South America 45773884
## 34 34 DZA Algeria Africa 45606480
## 35 35 IRQ Iraq Asia 45504560
## 36 36 AFG Afghanistan Asia 42239854
## 37 37 POL Poland Europe 41026067
## 38 38 CAN Canada North America 38781291
## 39 39 MAR Morocco Africa 37840044
## 40 40 SAU Saudi Arabia Asia 36947025
## 41 41 UKR Ukraine Europe 36744634
## 42 42 AGO Angola Africa 36684202
## 43 43 UZB Uzbekistan Asia 35163944
## 44 44 YEM Yemen Asia 34449825
## 45 45 PER Peru South America 34352719
## 46 46 MYS Malaysia Asia 34308525
## 47 47 GHA Ghana Africa 34121985
## 48 48 MOZ Mozambique Africa 33897354
## 49 49 NPL Nepal Asia 30896590
## 50 50 MDG Madagascar Africa 30325732
## 51 51 CIV Ivory Coast Africa 28873034
## 52 52 VEN Venezuela South America 28838499
## 53 53 CMR Cameroon Africa 28647293
## 54 54 NER Niger Africa 27202843
## 55 55 AUS Australia Oceania 26439111
## 56 56 PRK North Korea Asia 26160821
## 57 57 TWN Taiwan Asia 23923276
## 58 58 MLI Mali Africa 23293698
## 59 59 BFA Burkina Faso Africa 23251485
## 60 60 SYR Syria Asia 23227014
## 61 61 LKA Sri Lanka Asia 21893579
## 62 62 MWI Malawi Africa 20931751
## 63 63 ZMB Zambia Africa 20569737
## 64 64 ROU Romania Europe 19892812
## 65 65 CHL Chile South America 19629590
## 66 66 KAZ Kazakhstan Asia 19606633
## 67 67 TCD Chad Africa 18278568
## 68 68 ECU Ecuador South America 18190484
## 69 69 SOM Somalia Africa 18143378
## 70 70 GTM Guatemala North America 18092026
## 71 71 SEN Senegal Africa 17763163
## 72 72 NLD Netherlands Europe 17618299
## 73 73 KHM Cambodia Asia 16944826
## 74 74 ZWE Zimbabwe Africa 16665409
## 75 75 GIN Guinea Africa 14190612
## 76 76 RWA Rwanda Africa 14094683
## 77 77 BEN Benin Africa 13712828
## 78 78 BDI Burundi Africa 13238559
## 79 79 TUN Tunisia Africa 12458223
## 80 80 BOL Bolivia South America 12388571
## 81 81 HTI Haiti North America 11724763
## 82 82 BEL Belgium Europe 11686140
## 83 83 JOR Jordan Asia 11337052
## 84 84 DOM Dominican Republic North America 11332972
## 85 85 CUB Cuba North America 11194449
## 86 86 SSD South Sudan Africa 11088796
## 87 87 SWE Sweden Europe 10612086
## 88 88 HND Honduras North America 10593798
## 89 89 CZE Czech Republic Europe 10495295
## 90 90 AZE Azerbaijan Asia 10412651
## 91 91 GRC Greece Europe 10341277
## 92 92 PNG Papua New Guinea Oceania 10329931
## 93 93 PRT Portugal Europe 10247605
## 94 94 HUN Hungary Europe 10156239
## 95 95 TJK Tajikistan Asia 10143543
## 96 96 ARE United Arab Emirates Asia 9516871
## 97 97 BLR Belarus Europe 9498238
## 98 98 ISR Israel Asia 9174520
## 99 99 TGO Togo Africa 9053799
## 100 100 AUT Austria Europe 8958960
## 101 101 CHE Switzerland Europe 8796669
## 102 102 SLE Sierra Leone Africa 8791092
## 103 103 LAO Laos Asia 7633779
## 104 104 HKG Hong Kong Asia 7491609
## 105 105 SRB Serbia Europe 7149077
## 106 106 NIC Nicaragua North America 7046310
## 107 107 LBY Libya Africa 6888388
## 108 108 PRY Paraguay South America 6861524
## 109 109 KGZ Kyrgyzstan Asia 6735347
## 110 110 BGR Bulgaria Europe 6687717
## 111 111 TKM Turkmenistan Asia 6516100
## 112 112 SLV El Salvador North America 6364943
## 113 113 COG Republic of the Congo Africa 6106869
## 114 114 SGP Singapore Asia 6014723
## 115 115 DNK Denmark Europe 5910913
## 116 116 SVK Slovakia Europe 5795199
## 117 117 CAF Central African Republic Africa 5742315
## 118 118 FIN Finland Europe 5545475
## 119 119 NOR Norway Europe 5474360
## 120 120 LBR Liberia Africa 5418377
## 121 121 PSE Palestine Asia 5371230
## 122 122 LBN Lebanon Asia 5353930
## 123 123 NZL New Zealand Oceania 5228100
## 124 124 CRI Costa Rica North America 5212173
## 125 125 IRL Ireland Europe 5056935
## 126 126 MRT Mauritania Africa 4862989
## 127 127 OMN Oman Asia 4644384
## 128 128 PAN Panama North America 4468087
## 129 129 KWT Kuwait Asia 4310108
## 130 130 HRV Croatia Europe 4008617
## 131 131 ERI Eritrea Africa 3748901
## 132 132 GEO Georgia Asia 3728282
## 133 133 MNG Mongolia Asia 3447157
## 134 134 MDA Moldova Europe 3435931
## 135 135 URY Uruguay South America 3423108
## 136 136 PRI Puerto Rico North America 3260314
## 137 137 BIH Bosnia and Herzegovina Europe 3210847
## 138 138 ALB Albania Europe 2832439
## 139 139 JAM Jamaica North America 2825544
## 140 140 ARM Armenia Asia 2777970
## 141 141 GMB Gambia Africa 2773168
## 142 142 LTU Lithuania Europe 2718352
## 143 143 QAT Qatar Asia 2716391
## 144 144 BWA Botswana Africa 2675352
## 145 145 NAM Namibia Africa 2604172
## 146 146 GAB Gabon Africa 2436566
## 147 147 LSO Lesotho Africa 2330318
## 148 148 GNB Guinea-Bissau Africa 2150842
## 149 149 SVN Slovenia Europe 2119675
## 150 150 MKD North Macedonia Europe 2085679
## 151 151 LVA Latvia Europe 1830211
## 152 152 GNQ Equatorial Guinea Africa 1714671
## 153 153 TTO Trinidad and Tobago North America 1534937
## 154 154 BHR Bahrain Asia 1485509
## 155 155 TLS Timor-Leste Asia 1360596
## 156 156 EST Estonia Europe 1322765
## 157 157 MUS Mauritius Africa 1300557
## 158 158 CYP Cyprus Europe 1260138
## 159 159 SWZ Eswatini Africa 1210822
## 160 160 DJI Djibouti Africa 1136455
## 161 161 REU Reunion Africa 981796
## 162 162 FJI Fiji Oceania 936375
## 163 163 COM Comoros Africa 852075
## 164 164 GUY Guyana South America 813834
## 165 165 BTN Bhutan Asia 787424
## 166 166 SLB Solomon Islands Oceania 740424
## 167 167 MAC Macau Asia 704149
## 168 168 LUX Luxembourg Europe 654768
## 169 169 MNE Montenegro Europe 626485
## 170 170 SUR Suriname South America 623236
## 171 171 CPV Cape Verde Africa 598682
## 172 172 ESH Western Sahara Africa 587259
## 173 173 MLT Malta Europe 535064
## 174 174 MDV Maldives Asia 521021
## 175 175 BRN Brunei Asia 452524
## 176 176 BHS Bahamas North America 412623
## 177 177 BLZ Belize North America 410825
## 178 178 GLP Guadeloupe North America 395839
## 179 179 ISL Iceland Europe 375318
## 180 180 MTQ Martinique North America 366981
## 181 181 MYT Mayotte Africa 335995
## 182 182 VUT Vanuatu Oceania 334506
## 183 183 GUF French Guiana South America 312155
## 184 184 PYF French Polynesia Oceania 308872
## 185 185 NCL New Caledonia Oceania 292991
## 186 186 BRB Barbados North America 281995
## 187 187 STP Sao Tome and Principe Africa 231856
## 188 188 WSM Samoa Oceania 225681
## 189 189 CUW Curacao North America 192077
## 190 190 LCA Saint Lucia North America 180251
## 191 191 GUM Guam Oceania 172952
## 192 192 KIR Kiribati Oceania 133515
## 193 193 GRD Grenada North America 126183
## 194 194 FSM Micronesia Oceania 115224
## 195 195 JEY Jersey Europe 111802
## 196 196 TON Tonga Oceania 107773
## 197 197 SYC Seychelles Africa 107660
## 198 198 ABW Aruba North America 106277
## 199 199 VCT Saint Vincent and the Grenadines North America 103698
## 200 200 VIR United States Virgin Islands North America 98750
## 201 201 ATG Antigua and Barbuda North America 94298
## 202 202 IMN Isle of Man Europe 84710
## 203 203 AND Andorra Europe 80088
## 204 204 DMA Dominica North America 73040
## 205 205 CYM Cayman Islands North America 69310
## 206 206 BMU Bermuda North America 64069
## 207 207 GGY Guernsey Europe 63544
## 208 208 GRL Greenland North America 56643
## 209 209 FRO Faroe Islands Europe 53270
## 210 210 MNP Northern Mariana Islands Oceania 49796
## 211 211 KNA Saint Kitts and Nevis North America 47755
## 212 212 TCA Turks and Caicos Islands North America 46062
## 213 213 SXM Sint Maarten North America 44222
## 214 214 ASM American Samoa Oceania 43914
## 215 215 MHL Marshall Islands Oceania 41996
## 216 216 LIE Liechtenstein Europe 39584
## 217 217 MCO Monaco Europe 36297
## 218 218 SMR San Marino Europe 33642
## 219 219 GIB Gibraltar Europe 32688
## 220 220 MAF Saint Martin North America 32077
## 221 221 VGB British Virgin Islands North America 31538
## 222 222 PLW Palau Oceania 18058
## 223 223 COK Cook Islands Oceania 17044
## 224 224 AIA Anguilla North America 15899
## 225 225 NRU Nauru Oceania 12780
## 226 226 WLF Wallis and Futuna Oceania 11502
## 227 227 TUV Tuvalu Oceania 11396
## 228 228 BLM Saint Barthelemy North America 10994
## 229 229 SPM Saint Pierre and Miquelon North America 5840
## 230 230 MSR Montserrat North America 4386
## 231 231 FLK Falkland Islands South America 3791
## 232 232 NIU Niue Oceania 1935
## 233 233 TKL Tokelau Oceania 1893
## 234 234 VAT Vatican City Europe 518
## 2022 2020 2015 2010 2000 1990 1980
## 1 1417173173 1396387127 1322866505 1240613620 1059633675 870452165 696828385
## 2 1425887337 1424929781 1393715448 1348191368 1264099069 1153704252 982372466
## 3 338289857 335942003 324607776 311182845 282398554 248083732 223140018
## 4 275501339 271857970 259091970 244016173 214072421 182159874 148177096
## 5 235824862 227196741 210969298 194454498 154369924 115414069 80624057
## 6 218541212 208327405 183995785 160952853 122851984 95214257 72951439
## 7 215313498 213196304 205188205 196353492 175873720 150706446 122288383
## 8 171186372 167420951 157830000 148391139 129193327 107147651 83929765
## 9 144713314 145617329 144668389 143242599 146844839 148005704 138257420
## 10 127504125 125998302 120149897 112532401 97873442 81720428 67705186
## 11 123379924 117190911 102471895 89237791 67031867 47878073 34945469
## 12 123951692 125244761 127250933 128105431 126803861 123686321 117624196
## 13 115559009 112190977 103031365 94636700 77958223 61558898 48419546
## 14 110990103 107465134 97723799 87252413 71371371 57214630 43748556
## 15 99010212 92853164 78656904 66391257 48616317 35987541 26708686
## 16 98186856 96648685 92191398 87411012 79001142 66912613 52968270
## 17 88550570 87290193 81790841 75373855 65544383 55793629 38520664
## 18 85341241 84135428 79646178 73195345 64113547 54324142 44089069
## 19 83369843 83328988 82073226 81325090 81551677 79370196 77786703
## 20 71697030 71475664 70294397 68270489 63066603 55228410 45737753
## 21 67508936 67059474 65224364 62760039 58850043 57210442 56326328
## 22 65497748 61704518 52542823 45110527 34463704 26206012 19297659
## 23 64626628 64480053 63809769 62444567 58665453 56412897 53713830
## 24 59893885 58801927 55876504 51784921 46813266 39877570 29463549
## 25 59037474 59500579 60232906 59822450 56966397 56756561 56329482
## 26 54027487 51985780 46851488 41517895 30851606 23162269 16187124
## 27 54179306 53423198 51483949 49390988 45538332 40099553 33465781
## 28 51874024 50930662 47119728 44816108 39215135 32601393 26176195
## 29 51815810 51844690 50994401 48813042 46788591 44120039 38170501
## 30 47249585 44404611 37477356 32341728 24020697 17586630 13284026
## 31 46874204 44440486 38171178 33739933 26298773 21090886 16673586
## 32 47558630 47363807 46431342 46572772 40741651 38889889 37491666
## 33 45510318 45036032 43257065 41100123 37070774 32637657 28024803
## 34 44903225 43451666 39543154 35856344 30774621 25518074 18739378
## 35 44496122 42556984 37757813 31264875 24628858 17658381 13653369
## 36 41128771 38972230 33753499 28189672 19542982 10694796 12486631
## 37 39857145 38428366 38553146 38597353 38504431 38064255 35521429
## 38 38454327 37888705 35732126 33963412 30683313 27657204 24511510
## 39 37457971 36688772 34680458 32464865 28554415 24570814 19678444
## 40 36408820 35997107 32749848 29411929 21547390 16004763 10171710
## 41 39701739 43909666 44982564 45683020 48879755 51589817 49973920
## 42 35588987 33428485 28127721 23364185 16394062 11828638 8330047
## 43 34627652 33526656 30949417 28614227 24925554 20579100 15947129
## 44 33696614 32284046 28516545 24743946 18628700 13375121 9204938
## 45 34049588 33304756 30711863 29229572 26654439 22109099 17492406
## 46 33938221 33199993 31068833 28717731 22945150 17517054 13215707
## 47 33475870 32180401 28870939 25574719 19665502 15446982 11865246
## 48 32969518 31178239 26843246 23073723 17768505 13303459 11413587
## 49 30547580 29348627 27610325 27161567 24559500 19616530 15600442
## 50 29611714 28225177 24850912 21731053 16216431 11882762 8948162
## 51 28160542 26811790 23596741 21120042 16799670 11910540 8303810
## 52 28301696 28490453 30529716 28715022 24427729 19750579 15210443
## 53 27914536 26491087 23012646 19878036 15091594 11430520 8519891
## 54 26207977 24333639 20128124 16647543 11622665 8370647 6173177
## 55 26177413 25670051 23820236 22019168 19017963 17048003 14706322
## 56 26069416 25867467 25258015 24686435 23367059 20799523 17973650
## 57 23893394 23821464 23512136 23083083 22194731 20586174 18100281
## 58 22593590 21224040 18112907 15529181 11239101 8945026 7372581
## 59 22673762 21522626 18718019 16116845 11882888 9131361 6932967
## 60 22125249 20772595 19205178 22337563 16307654 12408996 8898954
## 61 21832143 21715079 21336697 20668557 18776371 17204094 14943645
## 62 20405317 19377061 16938942 14718422 11229387 9539665 6267369
## 63 20017675 18927715 16248230 13792086 9891136 7686401 5720438
## 64 19659267 19442038 19906079 20335211 21919876 22836234 22125224
## 65 19603733 19300315 17870124 17004162 15351799 13342868 11469828
## 66 19397998 18979243 17835909 16627837 15236253 16866563 14172710
## 67 17723315 16644701 14140274 11894727 8259137 5827069 4408230
## 68 18001000 17588595 16195902 14989585 12626507 10449837 8135845
## 69 17597511 16537016 13763906 12026649 8721465 6999096 5892224
## 70 17843908 17362718 16001107 14543121 11735894 9084780 6987767
## 71 17316449 16436119 14356181 12530121 9704287 7536001 5703869
## 72 17564014 17434557 17041107 16617117 15899135 14944548 14130387
## 73 16767842 16396860 15417523 14363532 12118841 8910808 6198959
## 74 16320537 15669666 14154937 12839771 11834676 10113893 7049926
## 75 13859341 13205153 11625998 10270728 8336967 6354145 4972609
## 76 13776698 13146362 11642959 10309031 8109989 7319962 5247532
## 77 13352864 12643123 10932783 9445710 6998023 5133419 3833939
## 78 12889576 12220227 10727148 9126605 6307659 5483793 4312834
## 79 12356117 12161723 11557779 10895063 9893316 8440023 6578156
## 80 12224110 11936162 11090085 10223270 8592656 7096194 5736088
## 81 11584996 11306801 10563757 9842880 8360225 6925331 5646676
## 82 11655930 11561717 11248303 10877947 10264343 9959560 9828986
## 83 11285869 10928721 9494246 6931258 5056174 3480587 2216903
## 84 11228821 10999664 10405832 9775755 8540791 7129004 5755800
## 85 11212191 11300698 11339894 11290417 11105791 10626680 9809107
## 86 10913164 10606227 11194299 9714419 6114440 4750817 4192012
## 87 10549347 10368969 9849349 9381729 8871043 8548406 8311763
## 88 10432860 10121763 9294505 8450933 6656725 5053234 3777990
## 89 10493986 10530953 10523798 10464749 10234710 10301192 10270060
## 90 10358074 10284951 9863480 9237202 8190337 7427836 6383060
## 91 10384971 10512232 10806641 11033783 11038109 10302255 9307148
## 92 10142619 9749640 8682174 7583269 5508297 3864972 3104788
## 93 10270865 10298192 10365435 10588401 10300626 10007346 9785252
## 94 9967308 9750573 9844246 9986825 10202055 10375989 10698679
## 95 9952787 9543207 8524063 7621779 6272998 5417860 4045965
## 96 9441129 9287289 8916899 8481771 3275333 1900151 1014048
## 97 9534954 9633740 9700609 9731427 10256483 10428525 9817257
## 98 9038309 8757489 8007778 7328445 6116958 4803254 3744608
## 99 8848699 8442580 7473229 6571855 5008035 3875947 2838110
## 100 8939617 8907777 8642421 8362829 8010428 7678729 7547561
## 101 8740472 8638613 8281732 7822435 7182059 6711693 6319113
## 102 8605718 8233969 7314773 6436698 4584067 4325388 3367477
## 103 7529475 7319399 6787419 6323418 5430853 4314443 3297519
## 104 7488865 7500958 7399838 7132438 6731195 5838574 4978544
## 105 7221365 7358005 7519496 7653748 7935022 7987529 7777010
## 106 6948392 6755895 6298598 5855734 5123222 4227820 3303309
## 107 6812341 6653942 6192235 6491988 5154790 4236983 2962720
## 108 6780744 6618695 6177950 5768613 5123819 4059195 3078912
## 109 6630623 6424874 5914980 5483774 4935182 4394734 3691209
## 110 6781953 6979175 7309253 7592273 8097691 8767778 8980606
## 111 6430770 6250438 5766431 5267970 4569132 3720278 2862903
## 112 6336392 6292731 6231066 6114034 5958482 5367179 4508992
## 113 5970424 5702174 5064386 4437884 3134030 2385435 1829256
## 114 5975689 5909869 5650018 5163590 4053602 3022209 2400729
## 115 5882261 5825641 5677796 5550849 5340655 5144623 5125392
## 116 5643453 5456681 5424444 5396424 5376690 5261305 4973883
## 117 5579144 5343020 4819333 4660067 3759170 2809221 2415276
## 118 5540745 5529468 5479461 5363271 5176209 4986545 4779418
## 119 5434319 5379839 5190356 4889741 4491202 4241636 4085776
## 120 5302681 5087584 4612329 4019956 2895224 2209731 1932169
## 121 5250072 5019401 4484614 3992278 3139954 2124609 1453620
## 122 5489739 5662923 6398940 4995800 4320642 3593700 2963702
## 123 5185288 5061133 4590590 4346338 3855266 3397389 3147168
## 124 5180829 5123105 4895242 4622252 3979193 3158253 2414303
## 125 5023109 4946119 4665760 4524585 3768950 3485374 3391387
## 126 4736139 4498604 3946220 3419461 2695003 2006027 1506694
## 127 4576298 4543399 4191776 2881914 2344253 1804524 1017462
## 128 4408581 4294396 3957099 3623617 3001731 2449968 1956987
## 129 4268873 4360444 3908743 2943356 1934901 1674938 1493870
## 130 4030358 4096868 4254815 4368682 4548434 4873707 4680144
## 131 3684032 3555868 3340006 3147727 2392880 2149960 1657982
## 132 3744385 3765912 3771132 3836831 4265172 5391636 5145843
## 133 3398366 3294335 2964749 2702520 2450979 2161433 1697780
## 134 3272996 3084847 3277388 3678186 4251573 4480199 4103240
## 135 3422794 3429086 3402818 3352651 3292224 3117012 2953750
## 136 3252407 3271564 3497335 3717922 3827108 3543776 3214568
## 137 3233526 3318407 3524324 3811088 4179350 4494310 4199820
## 138 2842321 2866849 2882481 2913399 3182021 3295066 2941651
## 139 2827377 2820436 2794445 2733896 2612205 2392030 2135546
## 140 2780469 2805608 2878595 2946293 3168523 3556539 3135123
## 141 2705992 2573995 2253133 1937275 1437539 1040616 718586
## 142 2750055 2820267 2963765 3139019 3599637 3785847 3521206
## 143 2695122 2760385 2414573 1713504 645937 441675 277450
## 144 2630296 2546402 2305171 2091664 1726985 1341474 938578
## 145 2567012 2489098 2282704 2099271 1819141 1369011 975994
## 146 2388992 2292573 2028517 1711105 1272935 983028 749078
## 147 2305825 2254100 2118521 2022747 1998630 1798997 1407672
## 148 2105566 2015828 1788919 1567220 1230849 973551 831462
## 149 2119844 2117641 2080862 2057287 1984339 1986024 1901570
## 150 2093599 2111072 2107962 2093828 2037936 2044174 1907023
## 151 1850651 1897052 1991955 2101530 2392530 2689391 2572037
## 152 1674908 1596049 1346973 1094524 684977 465549 282509
## 153 1531044 1518147 1460177 1410296 1332203 1266518 1127852
## 154 1472233 1477469 1362142 1213645 711442 517418 362595
## 155 1341296 1299995 1205813 1088486 878360 758106 642224
## 156 1326062 1329444 1314657 1331535 1396877 1570674 1476983
## 157 1299469 1297828 1293153 1283330 1215930 1090290 954865
## 158 1251488 1237537 1187280 1129686 948237 788500 679327
## 159 1201670 1180655 1133936 1099920 1030496 854011 598564
## 160 1120849 1090156 1006259 919199 742033 577173 324121
## 161 974052 957822 922495 890130 785424 658992 551674
## 162 929766 920422 917200 905169 832509 780430 644582
## 163 836774 806166 730216 656024 536758 431119 328328
## 164 808726 797202 755031 747932 759051 747116 778176
## 165 782455 772506 743274 705516 587207 558442 415257
## 166 724273 691191 612660 540394 429978 324171 233668
## 167 695168 676283 615239 557297 431896 350227 245332
## 168 647599 630399 569408 507070 435628 381267 363741
## 169 627082 629048 633966 631044 633324 621442 589324
## 170 618040 607065 575475 546080 478998 412756 375112
## 171 593149 582640 552166 521212 458251 364563 317234
## 172 575986 556048 491824 413296 270375 178529 116775
## 173 533286 515357 456579 418755 399212 365392 333587
## 174 523787 514438 435582 361575 282507 224957 164887
## 175 449002 441725 421437 396053 333926 261928 187921
## 176 409984 406471 392697 373272 325014 270679 223752
## 177 405272 394921 359871 322106 240406 182589 145133
## 178 395752 395642 399089 403072 424067 391951 334234
## 179 372899 366669 331060 318333 281462 255019 228263
## 180 367507 370391 383515 392181 432543 374271 333786
## 181 326101 305587 249545 211786 159215 92659 52233
## 182 326740 311685 276438 245453 192074 150882 118156
## 183 304557 290969 257026 228453 164351 113931 66825
## 184 306279 301920 291787 283788 250927 211089 163591
## 185 289950 286403 283032 261426 221537 177264 148599
## 186 281635 280693 278083 274711 264657 258868 253575
## 187 227380 218641 201124 182138 143714 120343 97210
## 188 222382 214929 203571 194672 184008 168186 164905
## 189 191163 189288 169572 159380 141424 155446 156851
## 190 179857 179237 175623 170935 159500 142301 121633
## 191 171774 169231 167978 164905 160188 138263 110286
## 192 131232 126463 116707 107995 88826 75124 60813
## 193 125438 123663 118980 114039 107432 99047 94838
## 194 114164 112106 109462 107588 111709 98603 76299
## 195 110778 108319 100561 96151 86192 82874 75124
## 196 106858 105254 106122 107383 102603 98727 96708
## 197 107118 105530 99240 92409 80060 71057 65290
## 198 106445 106585 104257 100341 89101 65712 62267
## 199 103948 104632 106482 109308 113813 112487 107480
## 200 99465 100442 102803 106142 108185 100685 96640
## 201 93763 92664 89941 85695 75055 63328 64889
## 202 84519 84046 83593 83828 75562 68865 64022
## 203 79824 77700 71746 71519 66097 53569 35611
## 204 72737 71995 70007 68755 68346 69481 72978
## 205 68706 67311 60911 54074 39658 26027 17100
## 206 64184 64031 63144 63447 61371 57470 53565
## 207 63301 62794 61629 60782 59114 57727 52860
## 208 56466 56026 55895 56351 56184 55599 50106
## 209 53090 52415 48816 48410 45660 47479 43054
## 210 49551 49587 51514 54087 80338 48002 17613
## 211 47657 47642 47790 47403 45461 40636 43097
## 212 45703 44276 36538 29726 18744 11709 7598
## 213 44175 43621 40205 33034 30489 27845 12243
## 214 44273 46189 51368 54849 58230 47818 32886
## 215 41569 43413 49410 53416 54224 46047 31988
## 216 39327 38756 37355 35926 33026 28765 25003
## 217 36469 36922 36760 33178 32465 30329 27076
## 218 33660 34007 33570 31608 26823 23132 21346
## 219 32649 32709 32520 31262 27741 27317 28734
## 220 31791 32552 35020 36458 29610 28127 7776
## 221 31305 30910 29366 27556 20104 15617 11109
## 222 18055 17972 17794 18540 19726 15293 12252
## 223 17011 17029 17695 17212 15897 17123 17651
## 224 15857 15585 14525 13172 11047 8316 6560
## 225 12668 12315 11185 10241 10377 9598 7635
## 226 11572 11655 12182 13142 14723 13454 11315
## 227 11312 11069 10877 10550 9638 9182 7731
## 228 10967 10681 9643 8988 7082 5168 2983
## 229 5862 5906 5978 6052 6274 6324 6106
## 230 4390 4500 5059 4938 5138 10805 11452
## 231 3780 3747 3408 3187 3080 2332 2240
## 232 1934 1942 1847 1812 2074 2533 3637
## 233 1871 1827 1454 1367 1666 1669 1647
## 234 510 520 564 596 651 700 733
## 1970 area (km²) density (km²) growth rate world percentage
## 1 557501301 3287590.00 481 0.81% 17.85%
## 2 822534450 9706961.00 151 -0.02% 17.81%
## 3 200328340 9372610.00 37 0.50% 4.25%
## 4 115228394 1904569.00 148 0.74% 3.47%
## 5 59290872 881912.00 312 1.98% 3.00%
## 6 55569264 923768.00 246 2.41% 2.80%
## 7 96369875 8515767.00 26 0.52% 2.70%
## 8 67541860 147570.00 1329 1.03% 2.16%
## 9 130093010 17098242.00 9 -0.19% 1.80%
## 10 50289306 1964375.00 66 0.75% 1.60%
## 11 28308246 1104300.00 112 2.55% 1.58%
## 12 105416839 377930.00 338 -0.53% 1.54%
## 13 37435586 342353.00 394 1.54% 1.47%
## 14 34781986 1002450.00 113 1.56% 1.41%
## 15 20151733 2344858.00 45 3.29% 1.28%
## 16 41928849 331212.00 315 0.68% 1.23%
## 17 28449705 1648195.00 55 0.70% 1.11%
## 18 35540990 783562.00 110 0.56% 1.07%
## 19 78294583 357114.00 238 -0.09% 1.04%
## 20 35791728 513120.00 141 0.15% 0.90%
## 21 55650166 242900.00 280 0.34% 0.85%
## 22 13618192 945087.00 76 2.96% 0.84%
## 23 50523586 551695.00 118 0.20% 0.81%
## 24 22368306 1221037.00 50 0.87% 0.75%
## 25 53324036 301336.00 199 -0.28% 0.74%
## 26 11473087 580367.00 97 1.99% 0.69%
## 27 27284112 676578.00 84 0.74% 0.68%
## 28 20905254 1141748.00 47 0.41% 0.65%
## 29 32601143 100210.00 531 -0.06% 0.65%
## 30 10317212 241550.00 242 2.82% 0.61%
## 31 11305206 1886068.00 26 2.63% 0.60%
## 32 33792617 505992.00 95 -0.08% 0.59%
## 33 23842803 2780400.00 17 0.58% 0.57%
## 34 13795915 2381741.00 19 1.57% 0.57%
## 35 9811347 438317.00 105 2.27% 0.57%
## 36 10752971 652230.00 65 2.70% 0.53%
## 37 32482943 312679.00 134 2.93% 0.51%
## 38 21434577 9984670.00 4 0.85% 0.48%
## 39 15274351 446550.00 85 1.02% 0.47%
## 40 6106191 2149690.00 17 1.48% 0.46%
## 41 47279086 603500.00 63 -7.45% 0.46%
## 42 6029700 1246700.00 29 3.08% 0.46%
## 43 12011361 447400.00 80 1.55% 0.44%
## 44 6843607 527968.00 65 2.24% 0.43%
## 45 13562371 1285216.00 27 0.89% 0.43%
## 46 10306508 330803.00 104 1.09% 0.43%
## 47 8861895 238533.00 150 1.93% 0.43%
## 48 8411676 801590.00 43 2.81% 0.42%
## 49 12501285 147181.00 216 1.14% 0.39%
## 50 6639751 587041.00 52 2.41% 0.38%
## 51 5477086 322463.00 91 2.53% 0.36%
## 52 11355475 916445.00 33 1.90% 0.36%
## 53 6452787 475442.00 61 2.63% 0.36%
## 54 4669708 1267000.00 21 3.80% 0.34%
## 55 12595034 7692024.00 3 1.00% 0.33%
## 56 14996879 120538.00 217 0.35% 0.33%
## 57 14957870 36193.00 661 0.13% 0.30%
## 58 6153587 1240192.00 19 3.10% 0.29%
## 59 5611666 272967.00 85 2.55% 0.29%
## 60 6319199 185180.00 126 4.98% 0.29%
## 61 12388769 65610.00 354 0.28% 0.27%
## 62 4625141 118484.00 222 2.58% 0.26%
## 63 4281671 752612.00 28 2.76% 0.26%
## 64 19922618 238391.00 86 1.19% 0.25%
## 65 9820481 756102.00 26 0.13% 0.25%
## 66 12265305 2724900.00 7 1.08% 0.24%
## 67 3667394 1284000.00 15 3.13% 0.23%
## 68 6172215 276841.00 73 1.05% 0.23%
## 69 3720977 637657.00 29 3.10% 0.23%
## 70 5453208 108889.00 169 1.39% 0.23%
## 71 4367744 196722.00 92 2.58% 0.22%
## 72 13037686 41850.00 523 0.31% 0.22%
## 73 6708525 181035.00 96 1.06% 0.21%
## 74 5202918 390757.00 43 2.11% 0.21%
## 75 4222374 245857.00 58 2.39% 0.18%
## 76 3896367 26338.00 571 2.31% 0.18%
## 77 3023443 112622.00 122 2.70% 0.17%
## 78 3497834 27834.00 516 2.71% 0.17%
## 79 5047404 163610.00 80 0.83% 0.16%
## 80 4585693 1098581.00 11 1.35% 0.15%
## 81 4680812 27750.00 425 1.21% 0.15%
## 82 9629376 30528.00 386 0.26% 0.15%
## 83 1557374 89342.00 128 0.45% 0.14%
## 84 4475871 48671.00 235 0.93% 0.14%
## 85 8869636 109884.00 108 -0.16% 0.14%
## 86 3342410 619745.00 18 1.61% 0.14%
## 87 8027702 450295.00 26 0.59% 0.13%
## 88 2782753 112492.00 95 1.54% 0.13%
## 89 9795744 78865.00 136 0.01% 0.13%
## 90 5425317 86600.00 126 0.53% 0.13%
## 91 8544873 131990.00 80 -0.42% 0.13%
## 92 2489059 462840.00 23 1.85% 0.13%
## 93 8683631 92090.00 112 -0.23% 0.13%
## 94 10315366 93028.00 111 1.90% 0.13%
## 95 2993019 143100.00 73 1.92% 0.13%
## 96 298084 83600.00 134 0.80% 0.12%
## 97 9170786 207600.00 47 -0.39% 0.12%
## 98 2907307 20770.00 424 1.51% 0.11%
## 99 2197383 56785.00 166 2.32% 0.11%
## 100 7465301 83871.00 109 0.22% 0.11%
## 101 6181227 41284.00 223 0.64% 0.11%
## 102 2778557 71740.00 122 2.15% 0.11%
## 103 2675283 236800.00 33 1.39% 0.10%
## 104 3955072 1104.00 7135 0.04% 0.09%
## 105 7193533 88361.00 82 -1.00% 0.09%
## 106 2444767 130373.00 59 1.41% 0.09%
## 107 1909177 1759540.00 4 1.12% 0.09%
## 108 2408787 406752.00 17 1.19% 0.09%
## 109 3016384 199951.00 35 1.58% 0.08%
## 110 8582950 110879.00 62 -1.39% 0.08%
## 111 2201432 488100.00 14 1.33% 0.08%
## 112 3619090 21041.00 307 0.45% 0.08%
## 113 1396989 342000.00 18 2.29% 0.08%
## 114 2061831 710.00 8377 0.65% 0.08%
## 115 4922963 43094.00 148 0.49% 0.07%
## 116 4522867 49037.00 118 2.69% 0.07%
## 117 2067356 622984.00 9 2.92% 0.07%
## 118 4606621 338424.00 18 0.09% 0.07%
## 119 3875546 323802.00 15 0.74% 0.07%
## 120 1463563 111369.00 56 2.18% 0.07%
## 121 1118241 6220.00 892 2.31% 0.07%
## 122 2381791 10452.00 523 -2.47% 0.07%
## 123 2824061 270467.00 20 0.83% 0.07%
## 124 1855697 51100.00 102 0.60% 0.07%
## 125 2937637 70273.00 73 0.67% 0.06%
## 126 1122198 1030700.00 5 2.68% 0.06%
## 127 670693 309500.00 15 1.49% 0.06%
## 128 1516188 75417.00 60 1.35% 0.06%
## 129 802786 17818.00 242 0.97% 0.05%
## 130 4492638 56594.00 72 -0.54% 0.05%
## 131 1272748 117600.00 31 1.76% 0.05%
## 132 4800426 69700.00 54 -0.43% 0.05%
## 133 1293880 1564110.00 2 1.44% 0.04%
## 134 3711140 33846.00 104 4.98% 0.04%
## 135 2790265 181034.00 20 0.01% 0.04%
## 136 2737619 8870.00 368 0.24% 0.04%
## 137 3815561 51209.00 63 -0.70% 0.04%
## 138 2324731 28748.00 103 -0.35% 0.04%
## 139 1859091 10991.00 261 -0.06% 0.04%
## 140 2534377 29743.00 98 -0.09% 0.03%
## 141 528731 10689.00 274 2.48% 0.03%
## 142 3210147 65300.00 43 -1.15% 0.03%
## 143 118007 11586.00 236 0.79% 0.03%
## 144 592244 582000.00 5 1.71% 0.03%
## 145 754467 825615.00 3 1.45% 0.03%
## 146 597192 267668.00 9 1.99% 0.03%
## 147 1023481 30355.00 77 1.06% 0.03%
## 148 591663 36125.00 76 2.15% 0.03%
## 149 1741286 20273.00 105 -0.01% 0.03%
## 150 1656783 25713.00 83 -0.38% 0.03%
## 151 2397414 64559.00 29 -1.10% 0.02%
## 152 316955 28051.00 61 2.37% 0.02%
## 153 988890 5130.00 299 0.25% 0.02%
## 154 222555 765.00 1892 0.90% 0.02%
## 155 554021 14874.00 91 1.44% 0.02%
## 156 1361999 45227.00 31 -0.25% 0.02%
## 157 830115 2040.00 641 0.08% 0.02%
## 158 640804 9251.00 136 0.69% 0.02%
## 159 442865 17364.00 70 0.76% 0.02%
## 160 144379 23200.00 49 1.39% 0.01%
## 161 473925 2511.00 391 0.80% 0.01%
## 162 527634 18272.00 51 0.71% 0.01%
## 163 242351 1862.00 458 1.83% 0.01%
## 164 705261 214969.00 4 0.63% 0.01%
## 165 298894 38394.00 21 0.64% 0.01%
## 166 172833 28896.00 26 2.23% 0.01%
## 167 247284 32.90 21403 1.29% 0.01%
## 168 339342 2586.00 254 1.11% 0.01%
## 169 530268 13812.00 47 -0.10% 0.01%
## 170 379918 163820.00 4 0.84% 0.01%
## 171 287262 4033.00 148 0.93% 0.01%
## 172 76371 266000.00 2 1.96% 0.01%
## 173 315414 316.00 1672 0.33% 0.01%
## 174 123243 300.00 1737 -0.53% 0.01%
## 175 133343 5765.00 86 0.78% 0.01%
## 176 179129 13943.00 41 0.64% 0.01%
## 177 120905 22966.00 18 1.37% 0.01%
## 178 318310 1628.00 243 0.02% 0.00%
## 179 204468 103000.00 4 0.65% 0.00%
## 180 326428 1128.00 325 -0.14% 0.00%
## 181 35383 374.00 898 3.03% 0.00%
## 182 87019 12189.00 27 2.38% 0.00%
## 183 46484 83534.00 4 2.49% 0.00%
## 184 117891 4167.00 89 0.85% 0.00%
## 185 110982 18575.00 16 1.05% 0.00%
## 186 241397 430.00 656 0.13% 0.00%
## 187 77583 964.00 242 1.97% 0.00%
## 188 142771 2842.00 81 1.48% 0.00%
## 189 150385 444.00 433 0.48% 0.00%
## 190 103090 616.00 295 0.22% 0.00%
## 191 88300 549.00 320 0.69% 0.00%
## 192 57437 811.00 165 1.74% 0.00%
## 193 98794 344.00 371 0.59% 0.00%
## 194 58989 702.00 165 0.93% 0.00%
## 195 68347 116.00 932 0.92% 0.00%
## 196 86484 747.00 150 0.86% 0.00%
## 197 54379 452.00 234 0.51% 0.00%
## 198 59106 180.00 590 -0.16% 0.00%
## 199 98459 389.00 266 -0.24% 0.00%
## 200 63446 347.00 285 -0.72% 0.00%
## 201 64516 442.00 214 0.57% 0.00%
## 202 55298 572.00 149 0.23% 0.00%
## 203 19860 468.00 170 0.33% 0.00%
## 204 68895 751.00 97 0.42% 0.00%
## 205 10533 264.00 289 0.88% 0.00%
## 206 52019 54.00 1186 -0.18% 0.00%
## 207 52656 78.00 1009 0.38% 0.00%
## 208 45434 2166086.00 0 0.31% 0.00%
## 209 38416 1393.00 39 0.34% 0.00%
## 210 10143 464.00 108 0.49% 0.00%
## 211 44968 261.00 184 0.21% 0.00%
## 212 5665 948.00 49 0.79% 0.00%
## 213 6260 34.00 1301 0.11% 0.00%
## 214 27075 199.00 220 -0.81% 0.00%
## 215 23969 181.00 233 1.03% 0.00%
## 216 21089 160.00 247 0.65% 0.00%
## 217 24270 2.02 18149 -0.47% 0.00%
## 218 18169 61.00 561 -0.05% 0.00%
## 219 26685 6.80 4807 0.12% 0.00%
## 220 5802 53.00 642 0.90% 0.00%
## 221 9581 151.00 210 0.74% 0.00%
## 222 11366 459.00 39 0.02% 0.00%
## 223 20470 240.00 71 0.19% 0.00%
## 224 6283 91.00 175 0.26% 0.00%
## 225 6663 21.00 639 0.88% 0.00%
## 226 9377 274.00 42 -0.60% 0.00%
## 227 5814 26.00 380 0.74% 0.00%
## 228 2417 21.00 440 0.25% 0.00%
## 229 5537 242.00 24 -0.38% 0.00%
## 230 11402 102.00 43 -0.09% 0.00%
## 231 2274 12173.00 0 0.29% 0.00%
## 232 5185 261.00 7 0.05% 0.00%
## 233 1714 12.00 189 1.18% 0.00%
## 234 752 0.44 1177 1.57% 0.00%
## status
## 1 densely populated
## 2 densely populated
## 3 densely populated
## 4 densely populated
## 5 densely populated
## 6 densely populated
## 7 densely populated
## 8 densely populated
## 9 densely populated
## 10 densely populated
## 11 densely populated
## 12 densely populated
## 13 densely populated
## 14 densely populated
## 15 densely populated
## 16 densely populated
## 17 densely populated
## 18 densely populated
## 19 densely populated
## 20 densely populated
## 21 densely populated
## 22 densely populated
## 23 densely populated
## 24 densely populated
## 25 densely populated
## 26 densely populated
## 27 densely populated
## 28 densely populated
## 29 densely populated
## 30 densely populated
## 31 densely populated
## 32 densely populated
## 33 densely populated
## 34 densely populated
## 35 densely populated
## 36 densely populated
## 37 densely populated
## 38 densely populated
## 39 densely populated
## 40 densely populated
## 41 densely populated
## 42 densely populated
## 43 densely populated
## 44 densely populated
## 45 densely populated
## 46 densely populated
## 47 densely populated
## 48 densely populated
## 49 densely populated
## 50 densely populated
## 51 densely populated
## 52 densely populated
## 53 densely populated
## 54 densely populated
## 55 densely populated
## 56 densely populated
## 57 densely populated
## 58 densely populated
## 59 densely populated
## 60 densely populated
## 61 densely populated
## 62 densely populated
## 63 densely populated
## 64 densely populated
## 65 densely populated
## 66 densely populated
## 67 densely populated
## 68 densely populated
## 69 densely populated
## 70 densely populated
## 71 densely populated
## 72 densely populated
## 73 densely populated
## 74 densely populated
## 75 densely populated
## 76 densely populated
## 77 densely populated
## 78 densely populated
## 79 densely populated
## 80 densely populated
## 81 densely populated
## 82 densely populated
## 83 densely populated
## 84 densely populated
## 85 densely populated
## 86 densely populated
## 87 densely populated
## 88 densely populated
## 89 densely populated
## 90 densely populated
## 91 densely populated
## 92 densely populated
## 93 densely populated
## 94 densely populated
## 95 densely populated
## 96 densely populated
## 97 densely populated
## 98 densely populated
## 99 densely populated
## 100 densely populated
## 101 densely populated
## 102 densely populated
## 103 densely populated
## 104 densely populated
## 105 densely populated
## 106 densely populated
## 107 densely populated
## 108 densely populated
## 109 densely populated
## 110 densely populated
## 111 densely populated
## 112 densely populated
## 113 densely populated
## 114 densely populated
## 115 densely populated
## 116 densely populated
## 117 densely populated
## 118 densely populated
## 119 densely populated
## 120 densely populated
## 121 densely populated
## 122 densely populated
## 123 densely populated
## 124 densely populated
## 125 densely populated
## 126 densely populated
## 127 densely populated
## 128 densely populated
## 129 densely populated
## 130 densely populated
## 131 densely populated
## 132 densely populated
## 133 densely populated
## 134 densely populated
## 135 densely populated
## 136 densely populated
## 137 densely populated
## 138 densely populated
## 139 densely populated
## 140 densely populated
## 141 densely populated
## 142 densely populated
## 143 densely populated
## 144 densely populated
## 145 densely populated
## 146 densely populated
## 147 densely populated
## 148 densely populated
## 149 densely populated
## 150 densely populated
## 151 densely populated
## 152 densely populated
## 153 densely populated
## 154 densely populated
## 155 densely populated
## 156 densely populated
## 157 densely populated
## 158 densely populated
## 159 densely populated
## 160 densely populated
## 161 densely populated
## 162 densely populated
## 163 densely populated
## 164 densely populated
## 165 densely populated
## 166 densely populated
## 167 densely populated
## 168 densely populated
## 169 densely populated
## 170 densely populated
## 171 densely populated
## 172 densely populated
## 173 densely populated
## 174 densely populated
## 175 densely populated
## 176 densely populated
## 177 densely populated
## 178 densely populated
## 179 densely populated
## 180 densely populated
## 181 densely populated
## 182 densely populated
## 183 densely populated
## 184 densely populated
## 185 densely populated
## 186 densely populated
## 187 densely populated
## 188 densely populated
## 189 densely populated
## 190 densely populated
## 191 densely populated
## 192 densely populated
## 193 densely populated
## 194 densely populated
## 195 densely populated
## 196 densely populated
## 197 densely populated
## 198 densely populated
## 199 densely populated
## 200 densely populated
## 201 densely populated
## 202 densely populated
## 203 densely populated
## 204 densely populated
## 205 densely populated
## 206 densely populated
## 207 densely populated
## 208 densely populated
## 209 densely populated
## 210 densely populated
## 211 densely populated
## 212 densely populated
## 213 densely populated
## 214 densely populated
## 215 densely populated
## 216 densely populated
## 217 densely populated
## 218 densely populated
## 219 densely populated
## 220 densely populated
## 221 densely populated
## 222 densely populated
## 223 densely populated
## 224 densely populated
## 225 densely populated
## 226 densely populated
## 227 densely populated
## 228 densely populated
## 229 densely populated
## 230 densely populated
## 231 densely populated
## 232 densely populated
## 233 densely populated
## 234 densely populated# Please type your code here
# dplyr
population<- mutate(population,
country = as.character(country), # mengubah tipe kolom
check = "done") # menambahkan kolom dan nilai baru
head(population)## rank cca3 country continent 2023 2022 2020
## 1 1 IND India Asia 1428627663 1417173173 1396387127
## 2 2 CHN China Asia 1425671352 1425887337 1424929781
## 3 3 USA United States North America 339996563 338289857 335942003
## 4 4 IDN Indonesia Asia 277534122 275501339 271857970
## 5 5 PAK Pakistan Asia 240485658 235824862 227196741
## 6 6 NGA Nigeria Africa 223804632 218541212 208327405
## 2015 2010 2000 1990 1980 1970 area (km²)
## 1 1322866505 1240613620 1059633675 870452165 696828385 557501301 3287590
## 2 1393715448 1348191368 1264099069 1153704252 982372466 822534450 9706961
## 3 324607776 311182845 282398554 248083732 223140018 200328340 9372610
## 4 259091970 244016173 214072421 182159874 148177096 115228394 1904569
## 5 210969298 194454498 154369924 115414069 80624057 59290872 881912
## 6 183995785 160952853 122851984 95214257 72951439 55569264 923768
## density (km²) growth rate world percentage check
## 1 481 0.81% 17.85% done
## 2 151 -0.02% 17.81% done
## 3 37 0.50% 4.25% done
## 4 148 0.74% 3.47% done
## 5 312 1.98% 3.00% done
## 6 246 2.41% 2.80% done🛠 Piping %>%
Piping %>% digunakan untuk menyambungkan proses yang
sequential atau berurutan. Untuk lebih memahaminya,
mari menuliskan kegiatan pagi kita dari bangun tidur hingga siap bekerja
menggunakan piping:
Shortcut Piping: CTRL+ SHIFT + M /
CMD + SHIFT + M
Piping membuat penggabungan tahapan wrangling di atas menjadi lebih mudah:
❓Contoh: 1. bangun 2. mandi 3. ganti baju 4. makan 5. siap-siap pergi 6. pergi
##makan(ganti_baju(mandi()))
##pergi(siap_pergi(makan(ganti_baju(mandi(bangun(saya))))))
##cara mudah
##saya %>%
## bangun() %>%
## mandi() %>%
##ganti_baju() %>%
##makan()%>
##siap_pergi()%>%
##pergi- Buang kolom
check - Ubah tipe data Provinsi kembali menjadi character
- Ambil data country yang berada di negara
- India,
- China,
- United States,
- Indonesia,
- Pakistan,
- Nigeria
# base
# drop kolom check
world <- population[,-6]
# mengubah tipe data provinsi
world$country <- as.character(world$country)
# mengambil data provinsi di pulau jawa
world <- world[world$country == "India" |
world$country == "China" |
world$country == "United States" |
world$country == "Indonesia" |
world$country == "Pakistan" |
world$country == "Nigeria" |
world$country == "Russia",]
world# dengan dplyr dan metode piping
world1 <- population %>%
select(-check) %>%
mutate(country = as.character(country)) %>%
filter(country %in% c("India","China","United States","Indonesia","Pakistan","Nigeria","Russia"))
world1## rank cca3 country continent 2023 2022 2020
## 1 1 IND India Asia 1428627663 1417173173 1396387127
## 2 2 CHN China Asia 1425671352 1425887337 1424929781
## 3 3 USA United States North America 339996563 338289857 335942003
## 4 4 IDN Indonesia Asia 277534122 275501339 271857970
## 5 5 PAK Pakistan Asia 240485658 235824862 227196741
## 6 6 NGA Nigeria Africa 223804632 218541212 208327405
## 7 9 RUS Russia Europe 144444359 144713314 145617329
## 2015 2010 2000 1990 1980 1970 area (km²)
## 1 1322866505 1240613620 1059633675 870452165 696828385 557501301 3287590
## 2 1393715448 1348191368 1264099069 1153704252 982372466 822534450 9706961
## 3 324607776 311182845 282398554 248083732 223140018 200328340 9372610
## 4 259091970 244016173 214072421 182159874 148177096 115228394 1904569
## 5 210969298 194454498 154369924 115414069 80624057 59290872 881912
## 6 183995785 160952853 122851984 95214257 72951439 55569264 923768
## 7 144668389 143242599 146844839 148005704 138257420 130093010 17098242
## density (km²) growth rate world percentage
## 1 481 0.81% 17.85%
## 2 151 -0.02% 17.81%
## 3 37 0.50% 4.25%
## 4 148 0.74% 3.47%
## 5 312 1.98% 3.00%
## 6 246 2.41% 2.80%
## 7 9 -0.19% 1.80%Reshaping data
pivot_longer() dan pivot_wider() merupakan
dua fungsi dari package tidyr yang biasa digunakan untuk
melakukan reshaping data.
pivot_longer()
Fungsi pivot_longer() memungkinkan kita untuk membentuk
ulang sebuah dataframe yang awalnya memiliki format wide
(tersebar secara horizontal) menjadi long (dikumpulkan secara
vertikal). Prinsip format wide dan long dapat
diilustrasikan dengan gambar berikut ini.
Parameter fungsi pivot_longer()
data: objek datacols: kolom yang ingin diubah menjadi format longnames_to: nama kolom baru yang berisi nama-nama kolom sebelumnya yang dimasukkan di parametercolsvalues_to: nama kolom baru yang berisi nilai-nilai numerik
Dari dataset yang kita miliki (world1) , kita akan coba mengubah format datanya menjadi long format seperti gambar berikut:
knitr::include_graphics("assets/pivot_longer.png")
# your code here
world1 <- pivot_longer(data = world1,
cols = c("2023", "2022", "2020", "2015", "2010", "2000", "1990", "1980", "1970"),
names_to = "Years",
values_to = "Population_level"
) %>% mutate(Years = as.integer(Years))
world1## # A tibble: 63 × 10
## rank cca3 country continent `area (km²)` `density (km²)` `growth rate`
## <int> <chr> <chr> <chr> <dbl> <int> <chr>
## 1 1 IND India Asia 3287590 481 0.81%
## 2 1 IND India Asia 3287590 481 0.81%
## 3 1 IND India Asia 3287590 481 0.81%
## 4 1 IND India Asia 3287590 481 0.81%
## 5 1 IND India Asia 3287590 481 0.81%
## 6 1 IND India Asia 3287590 481 0.81%
## 7 1 IND India Asia 3287590 481 0.81%
## 8 1 IND India Asia 3287590 481 0.81%
## 9 1 IND India Asia 3287590 481 0.81%
## 10 2 CHN China Asia 9706961 151 -0.02%
## # ℹ 53 more rows
## # ℹ 3 more variables: `world percentage` <chr>, Years <int>,
## # Population_level <int>pivot_wider()
Fungsi pivot_wider() merupakan kebalikan dari fungsi
pivot_longer() yang memungkinkan kita untuk membentuk ulang
sebuah dataframe berformat long (tersebar secara vertikal)
menjadi wide (dikumpulkan secara horizontal)
Sebelumnya kita sudah berhasil melakukan reshaping data
menjadi format long yang tersimpan pada objek
vids_pivot. Sekarang mari kita coba kembalikan ke
format wide dengan menggunakan fungsi pivot_wider()
Parameter pada fungsi pivot_wider()
data: object datanames_from: parameter ini untuk memberi tahu fungsi kolom apa yang mewakili data yang ingin kita buat menjadi widevalues_from: parameter ini untuk memberi tahu fungsi kolom apa yang mewakili data numerik
pivot_wider(world1,
names_from = Years,
values_from = Population_level )## # A tibble: 7 × 17
## rank cca3 country continent `area (km²)` `density (km²)` `growth rate`
## <int> <chr> <chr> <chr> <dbl> <int> <chr>
## 1 1 IND India Asia 3287590 481 0.81%
## 2 2 CHN China Asia 9706961 151 -0.02%
## 3 3 USA United States North Am… 9372610 37 0.50%
## 4 4 IDN Indonesia Asia 1904569 148 0.74%
## 5 5 PAK Pakistan Asia 881912 312 1.98%
## 6 6 NGA Nigeria Africa 923768 246 2.41%
## 7 9 RUS Russia Europe 17098242 9 -0.19%
## # ℹ 10 more variables: `world percentage` <chr>, `2023` <int>, `2022` <int>,
## # `2020` <int>, `2015` <int>, `2010` <int>, `2000` <int>, `1990` <int>,
## # `1980` <int>, `1970` <int>Data Panel Teori
Data panel merupakan gabungan data cross section dan time series (runtun/ deret waktu). Dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Terkadang data panel disebut juga data longitudinal.
1. Keuntungan Data Panel
Data panel yang menggabungkan data data cross section dan time series, memiliki beberapa keunggulan dibandingkan data cross-sectional saja atau data deret waktu saja, antara lain:
Mendapatkan sampel yang besar sehingga lebih banyak informasi dan lebih sedikit multikolinieritas di antara variabel-variabel sehingga meningkatkan efisiensi estimasi ekonometrika
Model yang dapat diinterpretasikan, kita dapat menginterpretasikan koefisien regresi dalam kerangka efek cross-section dan time-series.
2. Struktur Data Panel
Data panel memiliki tiga jenis data, yaitu cross section, pooled cross section, dan panel.
- Cross Section Data
Data cross sectional adalah jenis data yang dikumpulkan dengan mengamati banyak subjek pada satu titik atau periode waktu.
- Pooled Cross Section Data
Pooled Cross sectional adalah jenis data yang mengamati satu subjek pada banyak titik atau periode waktu.
- Panel Data
Panel data adalah jenis data yang mengamati banyak subjek pada banyak titik atau periode waktu.
- Balance - Unbalanced Panel Data
Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel
3. Model Data Panel
Jika kita memiliki T periode waktu (t = 1, 2, …, T) dan N jumlah individu (i = 1, 2, …, N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT.
\[y_{it} = \beta_0+\beta _{1t}*x_{1t}+u_{it}\]
Dimana:
- \(y_{it}\) adalah variabel target
- indeks \(i\) mendefiniskan individu, wilayah, kota, perlakuan dll.
- indeks \(t\) mendefinisikan waktu.
- \(\beta_0\) adalah intercept
- \(\beta _{1t}*x_{1t}\) adalah koefisien untuk variabel prediktor 1
- \(u_{it}\) adalah disturbance
berdasarkan model tersebut indeks i menjadi dimensi
untuk cross sectional dan indeks t menjadi dimensi untuk
deret waktu. Sedangkan \(u_{it}\)
adalah nilai yang menunjukkan heterogenitas antar cross sectional dan
deret waktu di dalam mode, yang didefinisikan sebagai berikut:
\[u_{it} = \mu _i+\lambda _t+\upsilon _{it}\] dimana:
- \(\mu _i\) : mewakili heterogenitas individu (cross section) yang tidak dapat diamati
- \(\lambda _t\) : menunjukkan heterogenitas waktu yang tidak dapat diamati
- \(\upsilon _{it}\) : merupakan nilai error sisaan
Dua komponen pertama \(\mu _i\) dan \(\lambda _t\) disebut juga sebagai within component sedangkan komponen terakhir \(\upsilon _{it}\) merupakan panel or between component
Pemodelan
Terdapat tiga pendekatan yang digunakan dalam model panel yaitu Common/ Polled Effects, Fixed Effects dan Random Effects.
1. Model Common/ Pooled Effects (CEM)
Model gabungan atau common effect model (CEM) atau pooled least
square (PLS) merupakan pendekatan model data panel yang sederhana karena
mengkombinasikan data time series dan cross section, tanpa memperhatikan
pengaruh spesifik waktu maupun individu. Koefisien regresi (intersep
ataupun kemiringan) diasumsikan konstan antar individu dan waktu. Metode
ini bisa menggunakan pendekatan ordinary least square (OLS) atau metode
kuadrat terkecil (MKT) untuk mengestimasi model data panel. Untuk
membuat model CEM di R dapat menggunakan fungsi plm() dari
package plm dengan parameter sebagai berikut:
formula= Target ~ Prediktordata= berupa dataframeindex= c(“kolom_individu”,“kolom_waktu”)model= “pooling”
2. Fixed Effects
Model pengaruh tetap atau fixed effect model (FEM) merupakan model
yang mengasumsikan antara unit individu atau waktu memiliki perilaku
yang berbeda, terlihat dari nilai intersep yang berbeda untuk setiap
unit individu atau waktu, tetapi konstan pada nilai koefisien kemiringan
dan koefisien regresi antara unit individu maupun waktu (Gujarati dan
Porter 2009). Pendugaan parameter model pengaruh tetap dapat menggunakan
Metode Kuadrat Terkecil Peubah Boneka (least square dummy variable) dan
MKT. Untuk membuat model CEM di R dapat menggunakan fungsi
plm() dari package plm dengan parameter sebagai
berikut:
formula= Target ~ Prediktordata= berupa dataframeindex= c(“kolom_individu”,“kolom_waktu”)model= “within”
3. Random Effects
Menurut Baltagi (2011), model pengaruh acak atau random effect model
digunakan ketika individu amatan mengikuti kaidah pengacakan dari
sejumlah populasi yang besar sehingga pengaruh pada setiap individu
bersifat acak. Pendugaan parameter pada model pengaruh acak yaitu dengan
metode kuadrat terkecil terampat (generalized least square). Model ini
memiliki asumsi bahwa tidak ada korelasi antara pengaruh spesifik
individu dan pengaruh spesifik waktu dengan peubah bebas sehingga
komponen sisaan dari kedua pengaruh spesifik dimasukkan ke dalam model.
Untuk membuat model CEM di R dapat menggunakan fungsi plm()
dari package plm dengan parameter sebagai berikut:
formula= Target ~ Prediktordata= berupa dataframeindex= c(“kolom_individu”,“kolom_waktu”)model= “random”
Pemilihan Model Terbaik
Untuk memilih model mana yang terbaik dari ketiga model diatas, perlu dilakukan pengujian hipotesis berikut ini:
Uji Chow
Menurut Ghozali dan Ratmono (2013), uji chow digunakan untuk memilih
pendekatan yang lebih baik antara model gabungan dengan model pengaruh
tetap. Untuk melakukan uji Chow dapat menggunakan fungsi
pooltest(model_cem, model_fem), dengan hipotesis yang
diujikan adalah sebagai berikut.
- H0 : Model gabungan
- H1 : Model pengaruh tetap
Keputusan tolak H0 (model pengaruh tetap terpilih) apabila nilai p-value < α.
Uji Hausman
Uji spesifikasi Hausman membandingkan model pengaruh tetap dan model
pengaruh acak. Jika hipotesis nol yang menyatakan tidak ada korelasi
antara pengaruh individu dengan regresor tidak ditolak, model pengaruh
random disarankan daripada pengaruh tetap (Susanti 2013). Untuk
melakukan uji Chow di R dapat menggunakan fungsi
phtest(model_rem, model_fem), dengan Hipotesis yang diuji
adalah sebagai berikut.
- H0 : Model pengaruh acak
- H1 : Model pengaruh tetap
Keputusan tolak H0 (model pengaruh tetap terpilih) apabila nilai p-value < α.
Pengujian Lanjutan
Apabila model gabungan atau model pengaruh acak yang terpilih sebagai model terbaik, perlu dilakukan uji lanjutan untuk memeriksa apakah model dipengaruhi oleh individu/waktu/individu & waktu. Untuk memeriksa pengaruh tersebut digunakan Uji Lagrange Multiplier.
Di R untuk melakukan Uji Lagrange Multiplier dapat dilakukan dengan
menggunakan fungsi plmtest() dari package plm
dengan parameter:
- x = model terpilih
- type =
"bp", menggunakan Breusch Pagan test - effect =
"time": untuk menguji pengaruh waktu"individual": untuk menguji pengaruh individu"twoways": untuk menguji pengaruh individu & waktu
berikut hipotesis pengujian untuk pemeriksaan setiap pengaruh:
Pemeriksaan Pengaruh Individu & Waktu
Hipotesis yang diuji adalah sebagai berikut.
- H0 : Tidak ada pengaruh individu & waktu
- H1 : Ada pengaruh individu & waktu
Pemeriksaan Pengaruh Individu
Hipotesis yang diuji adalah sebagai berikut.
- H0 : Tidak ada pengaruh individu
- H1 : Ada pengaruh individu
Pemeriksaan Pengaruh Waktu
Hipotesis yang diuji adalah sebagai berikut.
- H0 : Tidak ada pengaruh waktu
- H1 : Ada pengaruh waktu
dengan ketentuan untuk ketiga hipotesis adalah H0 ditolak jika P-value < α. Dimana nilai α yang umum digunakan adalah sebesar 5%.
Pengujian Asumsi
dikarenakan analisis data panel menggunakan konsep regresi dan time series maka ada beberapa Asumsi yang perlu dipenuhi sebagai berikut:
Asumsi model linear regression:
- No Multicollinearity (VIF)
- Normality of Residuals
- Homogenitas of Residuals
Asumsi Time Series:
- No Autocorelation
Note: Pengujian Asumsi hanya perlu dilakukan untuk model yang akan digunakan
1. Pemeriksaan Multikolinieritas
Multicollinearity adalah kondisi adanya korelasi antar
prediktor yang kuat. Hal ini tidak diinginkan karena menandakan
prediktor redundan pada model, yang seharusnya dapat dipilih salah satu
saja dari variable yang hubungannya amat kuat tersebut. Harapannya
tidak terjadi multicollinearity. Pemeriksaan
Multikolinieritas bisa dilakukan dengan menggunakan fungsi fungsi
vif(), dengan ketentuan
- nilai VIF > 10: terjadi multicollinearity pada model
- nilai VIF < 10: tidak terjadi multicollinearity pada model
Note: Pemeriksaan asumsi multikolinieritas bisa
dilakukan diawal sebelum dilakukan pemodelan data panel, dengan cara
terlebih dahulu dilakukan pembuatan model regresi dengan fungsi
lm() dan akan diujikan menggunakan fungsi
vif().
2. Pengujian Asumsi Normalitas Residual
Model diharapkan menghasilkan error yang berdistribusi
normal. Dengan begitu, error lebih banyak berkumpul di sekitar
angka nol. Pengujian asumsi normalitas di R dapat dilakukan dengan
menggunakan fungsi shapiro.test(). dengan hipotesis yang
diujikan adalah sebagai berikut.
- H0 : Sisaan berdistribusi normal
- H1 : Sisaan tidak berdistribusi normal
dengan ketentuan H0 ditolak jika P-value < α. Dimana nilai α yang umum digunakan adalah sebesar 5%.
3. Pengujian Asumsi Homogenitas Residual
Diharapkan error yang dihasilkan oleh model menyebar secara acak atau
dapat dikatakan variasi konstan. Pengujian asumsi
Homogenitas di R dapat dilakukan dengan menggunakan fungsi
bptest(), dengan hipotesis yang diujikan adalah sebagai
berikut.
- H0 : Sisaan memiliki ragam homogen
- H1 : Sisaan tidak memiliki ragam homogen
dengan ketentuan H0 ditolak jika P-value < α. Dimana nilai α yang umum digunakan adalah sebesar 5%.
4. Pengujian Asumsi Autokorelasi
Untuk mengecek ada/tidaknya bisa menggunakan uji Ljung-box dengan
menggunakan fungsi
Box.test(residual model, type = "Ljung-Box), dengan
hipotesis yang diujikan adalah sebagai berikut.
- H0 : tidak terjadi autokorelasi pada sisaan
- H1 : terjadi autokorelasi pada sisaan
dengan ketentuan H0 ditolak jika P-value < α. Dimana nilai α yang umum digunakan adalah sebesar 5%.
Alur Kerja Data Panel
Analisis data panel di R dapat dilakukan dengan mengikuti alur kerja
berikut ini:
# code kak safira
# Happy <- read.csv("data_sheet/World_Happiness_Report.csv", sep =";", check.names = F)
#
# Happy_world <- Happy[Happy$country == "India" |
# Happy$country == "China" |
# Happy$country == "United States" |
# Happy$country == "Indonesia" |
# Happy$country == "Pakistan" |
# Happy$country == "Nigeria",] %>%
#
# pivot_longer(cols = c("2015", "2016", "2017", "2018"),
# names_to = "Tahun",
# values_to = "Proporsi_Keterampilan_TIK") %>%
#
# mutate(Provinsi = as.factor(Provinsi),
# Tahun = as.factor(Tahun))
#
# Happy_worldCase Study pemodelan toko customer yang dilihat dari pendidikan, status, income dll
disebuah toko customer memiliki keragaman tingkat pendidikan, pendapatan, status dan lainnya. seiring dengan kemajuan tingkat pendidikan orang akan berdampak pada pembeblian suatu barang di toko. studi mengenai tingkat pembelian di toko dipengaruhi dengan tingkat penghasilan, status dan lainnya. Dalam kerangka ini, analisis regresi data panel dapat memberikan wawasan mendalam tentang bagaimana berbagai faktor memengaruhi pembelian di toko, dengan mempertimbangkan perbedaan antar status serta pendapatan tersebut dari waktu ke waktu, sejalan dengan indikator-indikator yang dipantau dalam customer data.
Sebagai data scientis kita diminta untuk menganalisis tingkat pembelian ditoko berdasarkan informasi socio demografi yang tersedia pada customer data.
Data Preparation
Untuk menganalisis tingkat pembelian disuatu toko menggunakan data yang diperoleh dari Customer Personality Data yang dipublish melalui kaggle oleh KHALID ASHIK.
Berikut adalah beberapa informasi dari setiap kolom: +
ID : Ini adalah ID unik untuk setiap pelanggan, digunakan
untuk mengidentifikasi secara unik setiap entri dalam data. +
Year_Birth : Kolom ini berisi tahun lahir setiap pelanggan.
Ini digunakan untuk mengetahui usia pelanggan. + Education
: Ini mencerminkan tingkat pendidikan pelanggan, seperti “SMA”,
“Sarjana”, “Master”, dll. + Marital_Status : Ini adalah
status perkawinan pelanggan, misalnya “Single”, “Menikah”, “Duda/Janda”,
dll. + Income : Ini adalah pendapatan tahunan atau bulanan
pelanggan, digunakan untuk mengetahui tingkat kekayaan dan daya beli. +
Kidhome : Ini adalah jumlah anak di bawah usia 12 tahun
yang dimiliki oleh pelanggan. + Teenhome : Ini adalah
jumlah remaja (usia antara 12 hingga 18 tahun) yang dimiliki oleh
pelanggan. + Dt_Customer : Ini adalah tanggal pelanggan
mulai menjadi pelanggan toko. + Recency : Ini mencerminkan
seberapa baru pelanggan terakhir kali berinteraksi atau membeli dari
toko. + MntWines : Ini adalah jumlah uang yang dihabiskan
pelanggan untuk pembelian anggur. + MntFruits : Ini adalah
jumlah uang yang dihabiskan pelanggan untuk pembelian buah. +
MntMeatProducts : Ini adalah jumlah uang yang dihabiskan
pelanggan untuk pembelian produk daging. + MntFishProducts
: Ini adalah jumlah uang yang dihabiskan pelanggan untuk pembelian
produk ikan. + MntSweetProducts : Ini adalah jumlah uang
yang dihabiskan pelanggan untuk pembelian produk manis. +
MntGoldProds : Ini adalah jumlah uang yang dihabiskan
pelanggan untuk pembelian produk emas. + NumDealsPurchases
: Ini adalah jumlah pembelian yang dilakukan pelanggan selama periode
penawaran khusus atau diskon. + NumWebPurchases : Ini
adalah jumlah pembelian yang dilakukan pelanggan melalui situs web. +
NumCatalogPurchases : Ini adalah jumlah pembelian yang
dilakukan pelanggan melalui katalog. + NumStorePurchases :
Ini adalah jumlah pembelian yang dilakukan pelanggan langsung di toko
fisik. + NumWebVisitsMonth : Ini adalah jumlah kunjungan
bulanan pelanggan ke situs web toko. +
AcceptedCmp1 ,AcceptedCmp2, AcceptedCmp3, AcceptedCmp4, AcceptedCmp5
: Kolom-kolom ini menunjukkan apakah pelanggan menerima tawaran promosi
khusus tertentu (misalnya, kampanye pemasaran) atau tidak. +
Complain : Ini menunjukkan apakah pelanggan pernah
mengajukan keluhan atau tidak. + Z_CostContact : Biaya
kontak untuk kampanye pemasaran. + Z_Revenue : Pendapatan
yang dihasilkan dari kampanye pemasaran. + Response : Kolom
ini menunjukkan apakah pelanggan memberikan respons positif atau negatif
terhadap tawaran pemasaran atau kampanye tertentu.
Pada tahapan preparasi data ini akan dilakukan beberapa hal berikut:
- Read data yang tersedia dalam folder
data_inputdengan namacustomer_data.csvMengambil data wilayah asia tenggara
# 1. import dataset
df <- read.csv("data_sheet/archive/customer_data.csv")
# # 2. mengambil data kidhome dan membuang kolom kidhome
df_status <- df %>% filter(Kidhome == "0" ) %>% select(-Kidhome)
head(df_status)## ID Year_Birth Education Marital_Status Income Teenhome Dt_Customer Recency
## 1 5524 1957 Graduation Single 58138 0 04/09/12 58
## 2 4141 1965 Graduation Together 71613 0 21/08/13 26
## 3 7446 1967 Master Together 62513 1 09/09/13 16
## 4 965 1971 Graduation Divorced 55635 1 13/11/12 34
## 5 387 1976 Basic Married 7500 0 13/11/12 59
## 6 2125 1959 Graduation Divorced 63033 0 15/11/13 82
## MntWines MntFruits MntMeatProducts MntFishProducts MntSweetProducts
## 1 635 88 546 172 88
## 2 426 49 127 111 21
## 3 520 42 98 0 42
## 4 235 65 164 50 49
## 5 6 16 11 11 1
## 6 194 61 480 225 112
## MntGoldProds NumDealsPurchases NumWebPurchases NumCatalogPurchases
## 1 88 3 8 10
## 2 42 1 8 2
## 3 14 2 6 4
## 4 27 4 7 3
## 5 16 1 2 0
## 6 30 1 3 4
## NumStorePurchases NumWebVisitsMonth AcceptedCmp3 AcceptedCmp4 AcceptedCmp5
## 1 4 7 0 0 0
## 2 10 4 0 0 0
## 3 10 6 0 0 0
## 4 7 6 0 0 0
## 5 3 8 0 0 0
## 6 8 2 0 0 0
## AcceptedCmp1 AcceptedCmp2 Complain Z_CostContact Z_Revenue Response
## 1 0 0 0 3 11 1
## 2 0 0 0 3 11 0
## 3 0 0 0 3 11 0
## 4 0 0 0 3 11 0
## 5 0 0 0 3 11 0
## 6 0 0 0 3 11 0Pemeriksaan Balancing Data
Untuk memeriksa apakah dta kita sudah balance dapat kita gunakan 2 cara yakni:
1. Melihat frekuensi data berdasarkan index individu
table(df_status$Marital_Status )##
## Absurd Divorced Married Single Together Widow YOLO
## 1 2 140 491 268 330 59 2table(df_status$Marital_Status )##
## Absurd Divorced Married Single Together Widow YOLO
## 1 2 140 491 268 330 59 22. Menggunakan fungsi is.pbalanced()
Untuk melakukannya dapat kita gunakan fungsi
is.pbalanced() dengan catatan data dalam format
pdata.frame. Apabila data belum dalam format pdata.frame, kita dapat
menambahkan parameter
index("kolom individu", "kolom waktu"). Hasil yang
diharapkan dari pemeriksaannya adalah TRUE yang artinya data
panel sudah seimbang.
is.pbalanced(df_status,index = c("Marital_Status","ID"))## [1] FALSEDari hasil pemeriksaan frekuensi dan balancing data diatas terlihat bahwa:
- data belum seimbang
- negara yang memiliki informasi waktu lengkap adalah status Absurd,Divorced,Married,Single,Together,Widow
df_status <- df_status %>% filter(Marital_Status %in% c("Absurd", "Alone", "Divorced" ,"Married","Single","Together", "Widow")) glimpse(df_status)## Rows: 1,290
## Columns: 28
## $ ID <int> 5524, 4141, 7446, 965, 387, 2125, 2569, 2114, 6565…
## $ Year_Birth <int> 1957, 1965, 1967, 1971, 1976, 1959, 1987, 1946, 19…
## $ Education <chr> "Graduation", "Graduation", "Master", "Graduation"…
## $ Marital_Status <chr> "Single", "Together", "Together", "Divorced", "Mar…
## $ Income <int> 58138, 71613, 62513, 55635, 7500, 63033, 17323, 82…
## $ Teenhome <int> 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 1, 0, 0, 0, 0,…
## $ Dt_Customer <chr> "04/09/12", "21/08/13", "09/09/13", "13/11/12", "1…
## $ Recency <int> 58, 26, 16, 34, 59, 82, 38, 23, 91, 41, 63, 0, 69,…
## $ MntWines <int> 635, 426, 520, 235, 6, 194, 3, 1006, 1012, 86, 867…
## $ MntFruits <int> 88, 49, 42, 65, 16, 61, 14, 22, 80, 2, 0, 0, 3, 4,…
## $ MntMeatProducts <int> 546, 127, 98, 164, 11, 480, 17, 115, 498, 73, 86, …
## $ MntFishProducts <int> 172, 111, 0, 50, 11, 225, 6, 59, 0, 69, 0, 21, 39,…
## $ MntSweetProducts <int> 88, 21, 42, 49, 1, 112, 1, 68, 16, 38, 0, 32, 6, 1…
## $ MntGoldProds <int> 88, 42, 14, 27, 16, 30, 5, 45, 176, 48, 19, 5, 99,…
## $ NumDealsPurchases <int> 3, 1, 2, 4, 1, 1, 1, 1, 2, 1, 3, 3, 7, 2, 1, 2, 1,…
## $ NumWebPurchases <int> 8, 8, 6, 7, 2, 3, 1, 7, 11, 4, 2, 6, 7, 2, 6, 3, 2…
## $ NumCatalogPurchases <int> 10, 2, 4, 3, 0, 4, 0, 6, 4, 2, 3, 2, 1, 1, 9, 0, 5…
## $ NumStorePurchases <int> 4, 10, 10, 7, 3, 8, 3, 12, 9, 5, 9, 9, 5, 3, 10, 3…
## $ NumWebVisitsMonth <int> 7, 4, 6, 6, 8, 2, 8, 3, 5, 8, 8, 4, 8, 7, 2, 5, 3,…
## $ AcceptedCmp3 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ AcceptedCmp4 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0,…
## $ AcceptedCmp5 <int> 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0,…
## $ AcceptedCmp1 <int> 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ AcceptedCmp2 <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ Complain <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ Z_CostContact <int> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,…
## $ Z_Revenue <int> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11…
## $ Response <int> 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0,…Penyesuaian Struktur Data
1. Membuat Panel Data Frame
Agar data kita dapat melakukan balancing, kita perlu mengubah format
data yang kita miliki menjadi sebuah panel data frame terlebih dahulu.
Untuk memembuat panel data frame dapat kita lakukan dengan fungsi
pdata.frame() dengan parameter:
data: data yang akan digunakanindex: c(“informasi individu”,“informasi waktu”)
#membuat pdata.frame
df_status <- df_status %>% pdata.frame(index = c("Marital_Status","Year_Birth"))## Warning in pdata.frame(., index = c("Marital_Status", "Year_Birth")): duplicate couples (id-time) in resulting pdata.frame
## to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")#memeriksa struktur data
glimpse(df_status)## Rows: 1,290
## Columns: 28
## $ ID <pseries> 4369, 7734, 2968, 8800, 6605, 4697, 3578, 1907…
## $ Year_Birth <fct> 1957, 1993, 1943, 1943, 1944, 1949, 1949, 1950, 19…
## $ Education <pseries> "Master", "Graduation", "PhD", "PhD", "PhD", "…
## $ Marital_Status <fct> Absurd, Absurd, Divorced, Divorced, Divorced, Divo…
## $ Income <pseries> 65487, 79244, 48948, 48948, 55614, 35416, 4916…
## $ Teenhome <pseries> 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 2, 1, 1, 0, 0…
## $ Dt_Customer <pseries> "10/01/14", "19/12/12", "01/02/13", "01/02/13"…
## $ Recency <pseries> 48, 58, 53, 53, 85, 62, 29, 53, 78, 88, 68, 8,…
## $ MntWines <pseries> 240, 471, 437, 437, 504, 248, 122, 965, 255, 5…
## $ MntFruits <pseries> 67, 102, 8, 8, 13, 3, 21, 69, 47, 6, 1, 12, 4,…
## $ MntMeatProducts <pseries> 500, 125, 206, 206, 131, 81, 43, 279, 573, 42,…
## $ MntFishProducts <pseries> 199, 212, 160, 160, 8, 4, 25, 54, 52, 16, 6, 3…
## $ MntSweetProducts <pseries> 0, 61, 49, 49, 0, 3, 10, 41, 32, 6, 7, 22, 4, …
## $ MntGoldProds <pseries> 163, 245, 42, 42, 26, 51, 15, 69, 15, 30, 1, 4…
## $ NumDealsPurchases <pseries> 3, 1, 2, 2, 1, 3, 2, 5, 1, 2, 1, 6, 3, 3, 1, 1…
## $ NumWebPurchases <pseries> 3, 4, 7, 7, 9, 7, 3, 8, 5, 9, 1, 4, 8, 2, 2, 7…
## $ NumCatalogPurchases <pseries> 5, 10, 10, 10, 4, 1, 1, 4, 3, 3, 1, 1, 1, 2, 9…
## $ NumStorePurchases <pseries> 6, 7, 5, 5, 6, 5, 6, 9, 6, 6, 4, 6, 7, 11, 4, …
## $ NumWebVisitsMonth <pseries> 2, 1, 6, 6, 7, 8, 6, 7, 1, 8, 1, 6, 5, 8, 1, 4…
## $ AcceptedCmp3 <pseries> 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ AcceptedCmp4 <pseries> 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0…
## $ AcceptedCmp5 <pseries> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ AcceptedCmp1 <pseries> 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ AcceptedCmp2 <pseries> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Complain <pseries> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Z_CostContact <pseries> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3…
## $ Z_Revenue <pseries> 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11, 11…
## $ Response <pseries> 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1…Dengan pengubahan tipe data menjadi pdata.frame akan otomatis mengubah type data dari setiap kolom,
- kolom yang dijadikan index akan bertipe factor
- selain kolom index akan menjadi pseries
2. Mememeriksa Dimensi Data
untuk memeriksa dimendi data panel dapat kita gunakan fungsi
pdim()
# Your Code Here
pdim(df_status)## Unbalanced Panel: n = 6, T = 2-491, N = 1290dari pemeriksaan dimensi data panel diatas dapat kita ketahui bahwa:
- Unbalanced Panel=data masih belum seimbang
- jumlah individu ada sebanyak 6
- jumlah index waktu ada minimal 1 dan maksimal 491
- jumlah data keseluruhan ada sebanyak 1290 observasi
Balancing Data
Apabila data panel yang kita miliki tidak balance kita dapat
melakukan balancing menggunakan fungsi make.pbalanced
dengan parameter balance.type yang dapat diisi dengan 3
opsi berikut:
fill: untuk setiap kolom waktu yg hilang akan diberikan nilai NAshared.times: akan diambil keseluruhan individu dgn ketentuan informasi waktu terdapat di semua individushared.individuals: akan individu dengan ketentuan informasi waktu lengkap
1. Balancing menggunakan fill
# Your Code Here
balance1 <- df_status %>%
make.pbalanced(balance.type = "fill") # balancing the data## Warning in pdata.frame(x_df_filled, row.names = has_fancy_rownames): duplicate couples (id-time) in resulting pdata.frame
## to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")table(balance1$Marital_Status)##
## Absurd Divorced Married Single Together Widow
## 58 161 497 272 341 88# Your Code Here
balance1 <- df_status %>%
make.pbalanced(balance.type = "fill") # balancing the data## Warning in pdata.frame(x_df_filled, row.names = has_fancy_rownames): duplicate couples (id-time) in resulting pdata.frame
## to find out which, use, e.g., table(index(your_pdataframe), useNA = "ifany")table(balance1$Education)##
## 2n Cycle Basic Graduation Master PhD
## 1 109 20 649 211 3002. Balancing menggunakan shared.times
balance2 <-df_status %>% make.pbalanced(balance.type = "shared.times")
table(balance2$Marital_Status)##
## Absurd Divorced Married Single Together Widow
## 1 2 13 5 9 2balance2 <-df_status %>% make.pbalanced(balance.type = "shared.times")
table(balance2$Education)##
## 2n Cycle Graduation Master PhD
## 4 20 4 43. Balancing menggunakan shared.individuals
# balance3 <- df_status %>% make.pbalanced(balance.type = "shared.individuals")
# table(balance3$Marital_Status)Berdasarkan kondisi data yang dimiliki, kita akan menggunakan data
hasil balancing dengan metode fill untuk mendapatkan
informasi paling optimal yang akan tersimpan pada objek bernama
balance1.
# Periksa kembali keseimbangan data
is.pbalanced(balance1)## [1] TRUE# pengecekan kembali dimensi data
pdim(balance1)## Balanced Panel: n = 6, T = 58, N = 1417- data panel sudah seimbang
- terdapat 6 index individu (n)
- terdapat 58 index waktu (T)
- total observasi sebanyak 1417 (nxT)
Pemeriksaan Missing Value
sebelum kita periksa kelengkapan data kita perlu mengetahui berapa banyak informasi waktu yang ditambahkan dari tahapan sebelumnya
colSums(is.na(balance1)) - colSums(is.na(df_status))## ID Year_Birth Education Marital_Status
## 127 0 127 0
## Income Teenhome Dt_Customer Recency
## 127 127 127 127
## MntWines MntFruits MntMeatProducts MntFishProducts
## 127 127 127 127
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 127 127 127 127
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth AcceptedCmp3
## 127 127 127 127
## AcceptedCmp4 AcceptedCmp5 AcceptedCmp1 AcceptedCmp2
## 127 127 127 127
## Complain Z_CostContact Z_Revenue Response
## 127 127 127 127berdasarkan pemeriksaan diatas dapat diketahui bahwa dari data df_asia ketika dilakukan balancing terjadi penambahan 7 baris nilai NA untuk setiap kolom.
Tahap selanjutnya adalah memeriksa kelengkapan data hasil balancing
colSums(is.na(balance1))## ID Year_Birth Education Marital_Status
## 127 0 127 0
## Income Teenhome Dt_Customer Recency
## 137 127 127 127
## MntWines MntFruits MntMeatProducts MntFishProducts
## 127 127 127 127
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 127 127 127 127
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth AcceptedCmp3
## 127 127 127 127
## AcceptedCmp4 AcceptedCmp5 AcceptedCmp1 AcceptedCmp2
## 127 127 127 127
## Complain Z_CostContact Z_Revenue Response
## 127 127 127 127Berdasarkan hasil pemeriksaan diatas kita melihat secara keseluruhan terdapat cukup banyak kolom yang memiliki nilai missing
- kolom Country.Name dan Year sebagai index tidak memiliki nilai yang hilang
- kolom Confidence.In.National.Government memiliki 24 nilai hilang (hampir 1/5 dari total data) maka untuk analisis selanjutnya kolom Confidence.In.National.Government tidak akan disertakan
# membuang kolom Confidence.In.National.Government
balanced <- balance1 %>% select(-Response,-AcceptedCmp5,-AcceptedCmp4,-AcceptedCmp3,-AcceptedCmp2,-AcceptedCmp1,-Complain
)Untuk pemeriksaan dan melakukan pengisian nilai yang hilang maka akan dilakukan dengan cara interpolasi secara terpisah untuk setiap negara.
1. Absurd
abs <- balanced %>% filter(Marital_Status == "Absurd")
colSums(is.na(abs))## ID Year_Birth Education Marital_Status
## 56 0 56 0
## Income Teenhome Dt_Customer Recency
## 56 56 56 56
## MntWines MntFruits MntMeatProducts MntFishProducts
## 56 56 56 56
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 56 56 56 56
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 56 56 56 56
## Z_Revenue
## 56untuk mengisi nilai yang hilang dengan nilai rata-rata dari nilai
yang dekat dengan nilai missing menggunakan fungsi
na.fill() dengan fill = "extend"
# abs <- abs %>% mutate(
# ID = na.fill(ID , fill = "extend"),
# Income = na.fill(Income , fill = "extend"),
# MntWines = na.fill(MntWines , fill = "extend"),
# MntSweetProducts = na.fill(MntSweetProducts , fill = "extend"),
# Teenhome= na.fill(Teenhome , fill = "extend"),
# Dt_Customer= na.fill(Dt_Customer , fill = "extend"),
# Recency= na.fill(Recency , fill = "extend"),
# MntFruits = na.fill(MntFruits , fill = "extend"),
# MntMeatProducts = na.fill(MntMeatProducts , fill = "extend"),
# MntFishProducts= na.fill(MntFishProducts , fill = "extend"),
# MntGoldProds = na.fill(MntGoldProds , fill = "extend"),
# NumDealsPurchases = na.fill(NumDealsPurchases , fill = "extend"),
# NumWebPurchases= na.fill(NumWebPurchases , fill = "extend"),
# NumCatalogPurchases= na.fill(NumCatalogPurchases , fill = "extend"),
# NumStorePurchases = na.fill(NumStorePurchases , fill = "extend"),
# NumWebVisitsMonth = na.fill(NumWebVisitsMonth , fill = "extend"),
# Z_CostContact= na.fill(Income , fill = "extend"),
# Education= na.fill(Education , fill = "extend"),
# Z_Revenue= na.fill(Z_Revenue , fill = "extend"))
#
# anyNA(abs)2. Divorced
div <- balanced %>% filter(Marital_Status == "Divorced")
colSums(is.na(div))## ID Year_Birth Education Marital_Status
## 21 0 21 0
## Income Teenhome Dt_Customer Recency
## 21 21 21 21
## MntWines MntFruits MntMeatProducts MntFishProducts
## 21 21 21 21
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 21 21 21 21
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 21 21 21 21
## Z_Revenue
## 21jika ada data hilang maka menggunakan balancing data, sehingga
disetiap kolom terdapat banyak nilai missing. Untuk mengisi nilai yang
hilang dengan nilai rata-rata dari nilai yang dekat dengan nilai missing
menggunakan fungsi na.fill() dengan
fill = "extend"
# abs <- abs %>% mutate(
# ID = na.fill(ID , fill = "extend"),
# Income = na.fill(Income , fill = "extend"),
# MntWines = na.fill(MntWines , fill = "extend"),
# MntSweetProducts = na.fill(MntSweetProducts , fill = "extend"),
# Teenhome= na.fill(Teenhome , fill = "extend"),
# Dt_Customer= na.fill(Dt_Customer , fill = "extend"),
# Recency= na.fill(Recency , fill = "extend"),
# MntFruits = na.fill(MntFruits , fill = "extend"),
# MntMeatProducts = na.fill(MntMeatProducts , fill = "extend"),
# MntFishProducts= na.fill(MntFishProducts , fill = "extend"),
# MntGoldProds = na.fill(MntGoldProds , fill = "extend"),
# NumDealsPurchases = na.fill(NumDealsPurchases , fill = "extend"),
# NumWebPurchases= na.fill(NumWebPurchases , fill = "extend"),
# NumCatalogPurchases= na.fill(NumCatalogPurchases , fill = "extend"),
# NumStorePurchases = na.fill(NumStorePurchases , fill = "extend"),
# NumWebVisitsMonth = na.fill(NumWebVisitsMonth , fill = "extend"),
# Z_CostContact= na.fill(Income , fill = "extend"),
# Education= na.fill(Education , fill = "extend"),
# Z_Revenue= na.fill(Z_Revenue , fill = "extend"))
#
# anyNA(abs)Setelah semua negara tidak lagi terdapat nilai yang missing, selanjutnya kita akan gabungkan kembali dan akan disimpan pada objek dengan nama balanced2 3. Merried
mer <- balanced %>% filter(Marital_Status == "Merried")
colSums(is.na(mer))## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Teenhome Dt_Customer Recency
## 0 0 0 0
## MntWines MntFruits MntMeatProducts MntFishProducts
## 0 0 0 0
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 0 0 0 0
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 0 0 0 0
## Z_Revenue
## 03. Single
sgl <- balanced %>% filter(Marital_Status == "Single")
colSums(is.na(sgl))## ID Year_Birth Education Marital_Status
## 4 0 4 0
## Income Teenhome Dt_Customer Recency
## 6 4 4 4
## MntWines MntFruits MntMeatProducts MntFishProducts
## 4 4 4 4
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 4 4 4 4
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 4 4 4 4
## Z_Revenue
## 4jika ada data hilang maka menggunakan balancing data, sehingga
disetiap kolom terdapat banyak nilai missing. Untuk mengisi nilai yang
hilang dengan nilai rata-rata dari nilai yang dekat dengan nilai missing
menggunakan fungsi na.fill() dengan
fill = "extend"
# abs <- abs %>% mutate(
# ID = na.fill(ID , fill = "extend"),
# Income = na.fill(Income , fill = "extend"),
# MntWines = na.fill(MntWines , fill = "extend"),
# MntSweetProducts = na.fill(MntSweetProducts , fill = "extend"),
# Teenhome= na.fill(Teenhome , fill = "extend"),
# Dt_Customer= na.fill(Dt_Customer , fill = "extend"),
# Recency= na.fill(Recency , fill = "extend"),
# MntFruits = na.fill(MntFruits , fill = "extend"),
# MntMeatProducts = na.fill(MntMeatProducts , fill = "extend"),
# MntFishProducts= na.fill(MntFishProducts , fill = "extend"),
# MntGoldProds = na.fill(MntGoldProds , fill = "extend"),
# NumDealsPurchases = na.fill(NumDealsPurchases , fill = "extend"),
# NumWebPurchases= na.fill(NumWebPurchases , fill = "extend"),
# NumCatalogPurchases= na.fill(NumCatalogPurchases , fill = "extend"),
# NumStorePurchases = na.fill(NumStorePurchases , fill = "extend"),
# NumWebVisitsMonth = na.fill(NumWebVisitsMonth , fill = "extend"),
# Z_CostContact= na.fill(Income , fill = "extend"),
# Education= na.fill(Education , fill = "extend"),
# Z_Revenue= na.fill(Z_Revenue , fill = "extend"))
#
# anyNA(abs)3. Together
tgr <- balanced %>% filter(Marital_Status == "Together")
colSums(is.na(tgr))## ID Year_Birth Education Marital_Status
## 11 0 11 0
## Income Teenhome Dt_Customer Recency
## 15 11 11 11
## MntWines MntFruits MntMeatProducts MntFishProducts
## 11 11 11 11
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 11 11 11 11
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 11 11 11 11
## Z_Revenue
## 11jika ada data hilang maka menggunakan balancing data, sehingga
disetiap kolom terdapat banyak nilai missing. Untuk mengisi nilai yang
hilang dengan nilai rata-rata dari nilai yang dekat dengan nilai missing
menggunakan fungsi na.fill() dengan
fill = "extend"
# abs <- abs %>% mutate(
# ID = na.fill(ID , fill = "extend"),
# Income = na.fill(Income , fill = "extend"),
# MntWines = na.fill(MntWines , fill = "extend"),
# MntSweetProducts = na.fill(MntSweetProducts , fill = "extend"),
# Teenhome= na.fill(Teenhome , fill = "extend"),
# Dt_Customer= na.fill(Dt_Customer , fill = "extend"),
# Recency= na.fill(Recency , fill = "extend"),
# MntFruits = na.fill(MntFruits , fill = "extend"),
# MntMeatProducts = na.fill(MntMeatProducts , fill = "extend"),
# MntFishProducts= na.fill(MntFishProducts , fill = "extend"),
# MntGoldProds = na.fill(MntGoldProds , fill = "extend"),
# NumDealsPurchases = na.fill(NumDealsPurchases , fill = "extend"),
# NumWebPurchases= na.fill(NumWebPurchases , fill = "extend"),
# NumCatalogPurchases= na.fill(NumCatalogPurchases , fill = "extend"),
# NumStorePurchases = na.fill(NumStorePurchases , fill = "extend"),
# NumWebVisitsMonth = na.fill(NumWebVisitsMonth , fill = "extend"),
# Z_CostContact= na.fill(Income , fill = "extend"),
# Education= na.fill(Education , fill = "extend"),
# Z_Revenue= na.fill(Z_Revenue , fill = "extend"))
#
# anyNA(abs)3. widow
wdw <- balanced %>% filter(Marital_Status == "widow")
colSums(is.na(wdw))## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Teenhome Dt_Customer Recency
## 0 0 0 0
## MntWines MntFruits MntMeatProducts MntFishProducts
## 0 0 0 0
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 0 0 0 0
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 0 0 0 0
## Z_Revenue
## 0Setelah semua negara tidak lagi terdapat nilai yang missing, selanjutnya kita akan gabungkan kembali dan akan disimpan pada objek dengan nama balance
balanced4 <- bind_rows(abs,div,mer,sgl,tgr,wdw) Pemeriksaan Kembali keseimbangan data
balanced4 %>% is.pbalanced()## [1] TRUEPemeriksaan Kembali kelengkapan data
colSums(is.na(balanced4))## ID Year_Birth Education Marital_Status
## 92 0 92 0
## Income Teenhome Dt_Customer Recency
## 98 92 92 92
## MntWines MntFruits MntMeatProducts MntFishProducts
## 92 92 92 92
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## 92 92 92 92
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## 92 92 92 92
## Z_Revenue
## 92Data telah siap untuk digunakan pada tahapan selanjutnya
Exploratory Data Analysis
Ringkasan Data
summary(balanced4)## ID Year_Birth Education Marital_Status
## Min. : 1 1976 : 32 Length:832 Absurd : 58
## 1st Qu.: 2844 1958 : 30 Class :character Divorced:161
## Median : 5216 1952 : 28 Mode :character Married : 0
## Mean : 5525 1965 : 28 Single :272
## 3rd Qu.: 8452 1960 : 25 Together:341
## Max. :11191 1962 : 25 Widow : 0
## NA's :92 (Other):664
## Income Teenhome Dt_Customer Recency
## Min. : 1730 Min. :0.000 Length:832 Min. : 0.00
## 1st Qu.: 50348 1st Qu.:0.000 Class :character 1st Qu.:25.00
## Median : 64158 Median :0.000 Mode :character Median :50.00
## Mean : 62136 Mean :0.504 Mean :48.92
## 3rd Qu.: 75414 3rd Qu.:1.000 3rd Qu.:73.00
## Max. :157146 Max. :2.000 Max. :99.00
## NA's :98 NA's :92 NA's :92
## MntWines MntFruits MntMeatProducts MntFishProducts
## Min. : 0.0 Min. : 0.00 Min. : 0.0 Min. : 0.00
## 1st Qu.: 172.0 1st Qu.: 6.00 1st Qu.: 65.0 1st Qu.: 8.00
## Median : 409.0 Median : 22.00 Median : 177.5 Median : 33.50
## Mean : 461.3 Mean : 39.89 Mean : 264.0 Mean : 57.48
## 3rd Qu.: 709.5 3rd Qu.: 56.00 3rd Qu.: 408.0 3rd Qu.: 89.25
## Max. :1492.0 Max. :199.00 Max. :1725.0 Max. :250.00
## NA's :92 NA's :92 NA's :92 NA's :92
## MntSweetProducts MntGoldProds NumDealsPurchases NumWebPurchases
## Min. : 0.00 Min. : 0.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 6.00 1st Qu.: 18.00 1st Qu.: 1.000 1st Qu.: 3.000
## Median : 22.00 Median : 39.50 Median : 1.000 Median : 5.000
## Mean : 40.26 Mean : 61.02 Mean : 1.914 Mean : 4.931
## 3rd Qu.: 58.00 3rd Qu.: 88.25 3rd Qu.: 2.000 3rd Qu.: 7.000
## Max. :262.00 Max. :291.00 Max. :15.000 Max. :27.000
## NA's :92 NA's :92 NA's :92 NA's :92
## NumCatalogPurchases NumStorePurchases NumWebVisitsMonth Z_CostContact
## Min. : 0.000 Min. : 0.0 Min. : 0.000 Min. :3
## 1st Qu.: 2.000 1st Qu.: 5.0 1st Qu.: 2.000 1st Qu.:3
## Median : 4.000 Median : 7.0 Median : 4.000 Median :3
## Mean : 4.004 Mean : 7.2 Mean : 4.307 Mean :3
## 3rd Qu.: 6.000 3rd Qu.:10.0 3rd Qu.: 6.000 3rd Qu.:3
## Max. :28.000 Max. :13.0 Max. :20.000 Max. :3
## NA's :92 NA's :92 NA's :92 NA's :92
## Z_Revenue
## Min. :11
## 1st Qu.:11
## Median :11
## Mean :11
## 3rd Qu.:11
## Max. :11
## NA's :92Berdasarkan ringkasan diatas dapat kita ketahui beberapa hal berikut:
- tingkat status pembeli terbanyak di toko adalah together sebanyak 341 dan terrendah adalah merried dan widow sebanyak 0
- tingkat income tertinggi adalah 157146 dan terendah adalah 1730
Hubungan Antar Variabel
Untuk mengetahui seberapa besar tingkat hubungan antar variabel
prediktor terhadap variabel target, dapat kita gunakan fungsi
ggcorrplot.
balanced4 %>% select(-Education,-Year_Birth,-Marital_Status,-Dt_Customer) %>% cor() %>%
ggcorrplot(type = "lower",lab = TRUE)
Explorasi Socio demografi
Untuk melihat lebih dalam informasi dari data yang kita miliki dapat
kita lakukan dengan menggunakan fungsi coplot() dengan
parameter
formula= diisikan dengan target ~ index1 given index2type="l"untuk line dan"b"untuk point & line plotdata= datasetrows= banyaknya baris panel plot yang dibuatcol= warna plot yang disajikan
1. Z_Revenue
# Your Code Here
coplot(Z_Revenue ~ Year_Birth|Marital_Status, type = "b", rows = 1, col = "red",data = balanced4)
##
## Missing rows: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 56, 57, 58, 59, 60, 61, 62, 66, 67, 68, 69, 174, 197, 201, 204, 205, 210, 213, 214, 215, 216, 217, 218, 219, 221, 223, 235, 491, 492, 494, 495, 496, 497, 793, 810, 820, 828, 831, 832Berdasarkan Line plot diatas dapat kita ketahui bahwa : - pendapatan kampanye pasar (Z_revenue) status single lebih banyak - pendapatan kampanye pasar (Z_revenue) status Absurd lebih sedikit
# Your Code Here
coplot(Z_Revenue ~ Year_Birth|Education, type = "b", rows = 1, col = "red",data = balanced4)
##
## Missing rows: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 56, 57, 58, 59, 60, 61, 62, 66, 67, 68, 69, 174, 197, 201, 204, 205, 210, 213, 214, 215, 216, 217, 218, 219, 221, 223, 235, 491, 492, 494, 495, 496, 497, 793, 810, 820, 828, 831, 832Berdasarkan Line plot diatas dapat kita ketahui bahwa : - pendapatan kampanye pasar (Z_revenue) berpendidikan Phd lebih banyak - pendapatan kampanye pasar (Z_revenue) berpendidikan Basic lebih sedikit
2. Income
# Your Code Here
coplot(Income ~ Year_Birth|Marital_Status, type = "b", rows = 1, col = "red",data = balanced4)
##
## Missing rows: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 56, 57, 58, 59, 60, 61, 62, 66, 67, 68, 69, 174, 197, 201, 204, 205, 210, 213, 214, 215, 216, 217, 218, 219, 221, 223, 235, 267, 290, 491, 492, 494, 495, 496, 497, 565, 714, 735, 784, 793, 810, 820, 828, 831, 832Berdasarkan Line plot diatas dapat kita ketahui bahwa : - pendapatan Together lebih banyak - pendapatan widow dan merried lebih sedikit
Heterogenitas Life.Ledder
1. Heterogenitas antar income
plotmeans( Income ~ Marital_Status, data = balanced4, main="Heterogenitas Income antar marital status")## Warning in arrows(x, li, x, pmax(y - gap, li), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped
## Warning in arrows(x, li, x, pmax(y - gap, li), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped
## Warning in arrows(x, li, x, pmax(y - gap, li), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped## Warning in arrows(x, ui, x, pmin(y + gap, ui), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped
## Warning in arrows(x, ui, x, pmin(y + gap, ui), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped
## Warning in arrows(x, ui, x, pmin(y + gap, ui), col = barcol, lwd = lwd, :
## zero-length arrow is of indeterminate angle and so skipped
Berdasarkan hasil visual diatas terlihat bahwa data antar income cukup heterogen
2. Heterogenitas antar Waktu
plotmeans(Recency ~ Education, data = balanced4, main="Heterogenitas Recency antar hari lahir")
Berdasarkan hasil visual diatas terlihat bahwa data antar recency cukup heterogen
Pemodelan
Cross-Validation
Tahapan cross validation akan selalu dilakukan sebelum pembuatan model, data akan dibagi menjadi data train dan data test. Dikarenakan data panel memiliki informasi keterangan waktu maka pembagian data tidak boleh diambil secara acak melainkan dibagi dengan cara dipisah secara berurutan.
- Data Train akan menggunakan data yang terlampau
- Data Test akan menggunakan data yang terbaru
untuk melakukannya kita bisa menggunakan bantuan fungsi
filter()
# membuat data train
ladder_train <- balanced4 %>% filter( Year_Birth != 1954)
# membuat data test
ladder_test <- balanced4 %>% filter( Year_Birth %in% 1954)setelah dilakukan cross validation kita perlu memastikan kembali bahwa data train sudah balance dengan melakukan balancing
# ladder_train <- ladder_train %>%
# droplevels() %>% # menghapus informasi waktu yang diambil sebagai data test (tahun 2022)
# make.pbalanced() # melakukan balancing kembali
#
# is.pbalanced(ladder_train)Pemeriksaan Asumsi Multikolinieritas
Dikarenakan pada hasil pemeriksaan korelasi pada tahapan EDA
sebelumnya menunjukkan adanya indikasi multikolinieritas antar variabel
prediktor, maka akan dilakukan pemeriksaan asumsi multikolinieritas
terlebih dahulu dengan cara pembuatan model regresi dengan fungsi
lm() dan dilanjutkan pengujian menggunakan fungsi
vif().
nilai VIF > 10: terjadi multicollinearity pada model nilai VIF < 10: tidak terjadi multicollinearity pada model
# lm(Recency ~ .-Education -Year_Birth , ladder_train) %>% vif()Penentuan Model Estimasi
Pembuatan Model
Untuk setiap pembuatan model akan digunakan fungsi plm()
dari package plm dengan parameter sebagai berikut:
formula= Target ~ Prediktordata= berupa dataframeindex= c(“kolom_individu”,“kolom_waktu”)model="pooling": untuk model CEM"within": untuk model FEM"random": untuk model REM
dimana
- Variabel target : Marital_status
- Variabel prediktor :
- Income
- Yearth_Birth
- Recency
- TeenHome
Model Gabungan (CEM)
membuat Common effect model dan disimpan kedalam objek
cem
# menyimpan formula regresi data panel
# form <- Marital_Status ~ Income + Year_Birth + Recency + Teenhome
#
# # membuat Common effect model
# cem <- plm(form,
# data = balanced4,
# index = c("Marital_Status","Year_Birth"),
# model = "pooling")Model Pengaruh Tetap (FEM)
membuat model FEM dengan memberikan parameter tambahan
effect = "twoways" untuk memasukan pengaruh individu dan
waktu, kemudian disimpan kedalam objek fem.two
# membuat fixed effect model
# fem <- plm(form,
# data = ladder_train,
# index = c("Marital_Status","Year_Birth"),
# model = "within")
#
# summary(fem)Uji Chow
Uji chow dilakukan untuk memilih model terbaik antara model gabungan
(cem) dengan model fixed effec (fem). untuk melakukan uji Chow dapat
menggunakan fungsi pooltest(model_cem, model_fem)
Hipotesis yang diuji adalah sebagai berikut:
- H0 : Model gabungan
- H1 : Model pengaruh tetap
H0 ditolak jika P-value < α. Nilai α yang digunakan sebesar 5%.
# pooltest(cem,fem)Berdasarkan hasil uji chow diatas, kita peroleh nilai p-value < α. artinya Model terbaik untuk digunakan pada data World Happines adalah fixed effect model.
Model Pengaruh Acak (REM)
membuat random effect model dan disimpan kedalam objek
rem
# rem <- plm(form,
# data = ladder_train,
# index = c("Marital_Status","Year_Birth"),
# model = "random",)Uji Hausman
Untuk melakukan uji Chow di R dapat menggunakan fungsi
phtest(model_rem, model_fem), dengan Hipotesis yang diuji
adalah sebagai berikut.
- H0 : Model pengaruh acak
- H1 : Model pengaruh tetap
Keputusan tolak H0 (model pengaruh tetap terpilih) apabila nilai p-value < α.
# phtest(rem,fem)Berdasarkan hasil uji hausman diatas, kita peroleh nilai p-value < α. artinya Model terbaik untuk digunakan pada data World Happines adalah fixed effect model. Dikarenakan model fem adalah model terbaik maka tidak perlu dilakukan uji efek lanjutan, dan bisa langsung dilakukan pengujian asumsi.
Pengujian Asumsi
Normalitas
Hipotesis yang diuji adalah sebagai berikut.
- H0 : Sisaan menyebar normal
- H1 : Sisaan tidak menyebar normal
H0 ditolak jika P-value < α. Nilai α yang digunakan sebesar 5%.
# fem$residuals %>% shapiro.test()Berdasarkan hasil pengujian normalitas sisaan diperoleh nilai p-value > 0.05, artinya sisaan menyebar secara normal.
Homogenitas
Hipotesis yang diuji adalah sebagai berikut.
- H0 : Sisaan memiliki ragam homogen
- H1 : Sisaan tidak memiliki ragam homogen
H0 ditolak jika P-value < α. Nilai α yang digunakan sebesar 5%.
# fem%>% bptest()Berdasarkan hasil pengujian homogenitas diperoleh nilai p-value > 0.05, artinya sisaan memiliki ragam yang homogen.
Autokorelasi
Hipotesis yang diuji adalah sebagai berikut.
- H0 : tidak terjadi autokorelasi pada sisaan
- H1 : terjadi autokorelasi pada sisaan
H0 ditolak jika P-value < α. Nilai α yang digunakan sebesar 5%.
# fem$residuals %>% Box.test(type = "Ljung-Box")Berdasarkan hasil pengujian autokorelasi diperoleh nilai p-value < 0.05, artinya terjadi permasalahan autokorelasi antar sisaan.
Interpretasi Model
1. Koefisien
# summary(fem)2. Mengekstrak informasi Efek dari model fix
Untuk mengekstrak informasi efek dari model FEM kita dapat
menggunakan fungsi fixef(model fem),
# fixef(fem)Prediksi & Evaluasi
Untuk melakukan prediksi akan kita gunakan fungsi
predict() dengan parameter:
- object = nama model yang kita gunakan
- newdata = data baru yang akan kita prediksi
# pred <- predict(fem,newdata = ladder_test)Untuk menguji apakah model yang kita miliki sudah baik dalam
memprediksi data baru maka kita akan evaluasi dengan menggunakan nilai
error, salah satu metric eror yang biasa digunakan adalah MAPE. Kita
dapat melakukannya menggunakan fungsi MAPE() dengan
parameter:
- y_pred = nilai hasil prediksi
- y_true = nilai target asli
# MAPE(y_pred = pred,
# y_true = ladder_test$Income)Diperoleh nilai MAPE sebesar 0.1386817 artinya model kita dalam memprediksi data baru memiliki kemungkinan kesalahan prediksi sebesar 13.7%. Hal ini dapat dikatakan bahwa model kita sudah cukup baik dalam memprediksi nilai baru.
Kesimpulan & Saran
Dari serangkaian proses analisis yang telah dilakukan, dapat kita peroleh kesimpulan sebagai berikut:
- masih banyak error
- laptop saya tidak sanggup mengisi nilai missing missing menggunakan
fungsi
na.fill()denganfill = "extend"