Visualisasi Time Series Bike Sharing Dataset
Nur Azizah
2026-03-12
Pendahuluan
Analisis time series atau deret waktu merupakan metode penting dalam memahami pola data yang dikumpulkan secara berurutan dalam rentang waktu tertentu. Dalam konteks bike sharing, analisis time series memungkinkan kita untuk mengidentifikasi tren jangka panjang, pola musiman, serta fluktuasi harian atau bulanan dalam penggunaan layanan sepeda. Informasi ini sangat berharga untuk perencanaan operasional, pengelolaan inventaris, serta pengembangan strategi pemasaran yang tepat sasaran.
Dataset yang Digunakan
Dataset yang digunakan dalam analisis ini adalah Bike Sharing Dataset yang bersumber dari UCI Machine Learning Repository. Dataset ini mencatat aktivitas penyewaan sepeda harian di Washington, D.C., selama periode dua tahun (2011-2012). Terdapat 731 observasi dan 20 variabel yang mencakup informasi cuaca, musim, hari libur, serta jumlah penyewaan.
Dalam visualisasi time series ini, kita akan fokus pada dua aspek utama: pertama, melihat pola penyewaan sepanjang periode dua tahun untuk mengidentifikasi tren dan musim; kedua, membandingkan pola penyewaan antara hari kerja dan akhir pekan untuk memahami perilaku pengguna yang berbeda.
Variabel-variabel yang Digunakan
Untuk keperluan visualisasi time series, kita akan menggunakan beberapa variabel kunci:
| No | Variabel | Keterangan |
|---|---|---|
| 1 | dteday | Tanggal observasi (format: YYYY-MM-DD) |
| 2 | yr | Tahun (2011 atau 2012) |
| 3 | mnth | Bulan (Jan s/d Dec) |
| 4 | weekday | Hari dalam seminggu (Sunday s/d Saturday) |
| 5 | workingday | Kategori hari (Working Day atau Non-Working Day) |
| 6 | cnt | Total penyewaan sepeda harian |
Berdasarkan gambar yang ditampilkan, dataset telah direkode dengan baik:
variabel season sudah menjadi “Spring”, “Summer”, “Fall”,
“Winter”; yr sudah menjadi “2011” dan “2012”;
mnth sudah menjadi “Jan”, “Feb”, dst; weekday
sudah menjadi “Monday”, “Tuesday”, dst; workingday sudah
menjadi “Working Day” dan “Non-Working Day”; weathersit
sudah menjadi “Clear”, “Cloudy”, “Light Rain”. Hal ini akan memudahkan
dalam pembuatan visualisasi yang informatif.
Visualisasi Time Series
Time Series Plot Tren Penyewaan Sepeda Dua Tahunan
Pertanyaan Analitis: Bagaimana pola penyewaan sepeda selama periode 2011-2012? Apakah ada tren peningkatan dan pola musiman yang jelas?
Time series plot di atas menampilkan fluktuasi harian penyewaan sepeda sepanjang tahun 2011 hingga 2012. Garis biru menunjukkan data aktual harian, sementara garis merah halus (smoothing) memperlihatkan tren umum. Beberapa pola penting yang dapat diamati:
Terlihat jelas bahwa penyewaan meningkat signifikan pada musim panas (Juni-Agustus) dan menurun drastis pada musim dingin (Desember-Februari). Pola ini berulang di kedua tahun, mengkonfirmasi adanya siklus musiman yang dipengaruhi oleh cuaca.
Jika membandingkan tahun 2011 dan 2012, terlihat bahwa secara umum tingkat penyewaan di tahun 2012 lebih tinggi dibanding tahun sebelumnya.
Variasi tajam dari hari ke hari menunjukkan bahwa selain faktor musim, ada faktor-faktor lain seperti cuaca harian, hari libur, atau event khusus yang mempengaruhi jumlah penyewaan.
Puncak tertinggi terjadi sekitar pertengahan tahun 2012 dengan penyewaan mencapai lebih dari 8.000 sepeda dalam sehari, sementara titik terendah (di bawah 1.000) terjadi saat musim dingin.
Time Series Plot Perbandingan Hari Kerja vs Akhir Pekan
Pertanyaan Analitis: Apakah pola penyewaan sepeda berbeda antara hari kerja dan akhir pekan?
Visualisasi dengan facet (panel terpisah) ini membandingkan pola penyewaan antara hari kerja dan akhir pekan/libur. Garis tipis menunjukkan data aktual harian, sementara garis tebal adalah rata-rata bergerak 7 hari yang membantu melihat tren yang lebih halus. Beberapa temuan menarik:
Sumbu Y pada kedua panel memiliki skala yang berbeda, menunjukkan bahwa penyewaan di hari kerja (rentang 2.000-8.000) secara umum lebih tinggi dibanding akhir pekan (rentang 1.000-6.000). Ini masuk akal karena pengguna registered (pekerja/pelajar) mendominasi di hari kerja.
Kedua kategori menunjukkan pola musiman yang sama, dengan puncak di pertengahan tahun dan lembah di awal/akhir tahun. Musim tetap menjadi faktor dominan terlepas dari tipe hari.
Data hari kerja menunjukkan fluktuasi yang lebih “teratur” dengan pola naik-turun yang konsisten, sementara data akhir pekan lebih bervariasi dan kadang menunjukkan lonjakan tak terduga, mungkin terkait dengan event akhir pekan atau liburan panjang.
Baik hari kerja maupun akhir pekan menunjukkan peningkatan dari 2011 ke 2012, mengindikasikan bahwa popularitas bike sharing meningkat di semua segmen pengguna.
Ringkasan Statistik Time Series
| yr | Rata_rata | Median | Maksimum | Minimum | Standar_Deviasi |
|---|---|---|---|---|---|
| 2,011 | 3,406 | 3,740 | 6,043 | 431 | 1,379 |
| 2,012 | 5,600 | 5,927 | 8,714 | 22 | 1,789 |
| day_category | Rata_rata | Median | Maksimum | Minimum | Standar_Deviasi |
|---|---|---|---|---|---|
| Akhir Pekan/Libur | 4,330 | 4,459 | 8,714 | 605 | 2,052 |
| Hari Kerja | 4,585 | 4,582 | 8,362 | 22 | 1,878 |
Kesimpulan Analisis Time Series
Dari kedua visualisasi time series yang telah dibuat, dapat ditarik beberapa kesimpulan penting:
Pola Musiman yang Kuat
Penyewaan sepeda sangat dipengaruhi oleh musim, dengan puncak terjadi pada pertengahan tahun (Mei-Agustus) dan lembah pada awal/akhir tahun (Desember-Februari). Pola ini konsisten di kedua tahun pengamatan dan terlihat jelas di semua visualisasi.
Tren Peningkatan Jangka Panjang
Terjadi peningkatan signifikan dalam jumlah penyewaan dari tahun 2011 ke 2012. Hal ini mengindikasikan bahwa layanan bike sharing semakin populer dan diterima masyarakat sebagai moda transportasi alternatif.
Perbedaan Perilaku Pengguna
- Hari Kerja: Mendominasi dengan rata-rata lebih tinggi, menunjukkan penggunaan fungsional untuk commuting dan aktivitas rutin.
- Akhir Pekan: Rata-rata lebih rendah tetapi menunjukkan variabilitas lebih tinggi, mengindikasikan penggunaan rekreasi yang lebih sensitif terhadap cuaca.