Pendahuluan

Laporan ini menganalisis data bulanan volume kendaraan yang menyeberang di Pelabuhan Merak-Bakauheni pada periode Januari 2023 sampai Desember 2024 berdasarkan catatan Dinas Perhubungan. Nilai pengamatan disajikan dalam satuan ribuan kendaraan. Tujuan analisis ini adalah mengidentifikasi kecenderungan tren dan pola musiman yang terjadi pada runtun waktu tersebut.

1 Objek Time Series dan Plot Runtun Waktu

Langkah awal analisis adalah memasukkan data ke R dan membentuk objek runtun waktu bulanan (ts) dengan titik awal Januari 2023 (start = c(2023, 1)) serta frekuensi 12.

# Data bulanan volume kendaraan (Januari 2023 - Desember 2024)
volume <- c(
  420, 410, 430, 780, 460, 470, 460, 480, 440, 450, 460, 600,
  450, 440, 460, 820, 490, 500, 495, 510, 470, 480, 490, 640
)

# Pembentukan objek ts
volume_ts <- ts(
  volume,
  start = c(2023, 1),
  frequency = 12
)

# Menampilkan objek ts
print(volume_ts)
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2023 420 410 430 780 460 470 460 480 440 450 460 600
## 2024 450 440 460 820 490 500 495 510 470 480 490 640

Plot runtun waktu dibuat untuk melihat pola pergerakan volume kendaraan selama dua tahun pengamatan.

plot(
  volume_ts,
  type = "o",
  pch = 16,
  xlab = "Waktu",
  ylab = "Volume (ribu kendaraan)",
  main = "Volume Kendaraan Merak-Bakauheni, 2023-2024"
)

Grafik di atas memuat 24 titik observasi bulanan. Rentang nilai bergerak dari titik terendah 410 ribu kendaraan (Februari 2023) hingga titik tertinggi 820 ribu kendaraan (April 2024). Pola grafik memperlihatkan lonjakan tajam pada bulan tertentu di setiap tahun serta posisi titik-titik tahun 2024 yang tampak sedikit lebih tinggi dibandingkan tahun 2023.

2 Identifikasi Tren

Untuk memeriksa keberadaan komponen tren, perbandingan antartahun dilakukan secara langsung pada masing-masing bulan.

# Perhitungan rata-rata tahunan dan selisih bulanan 2024 vs 2023
vol_2023 <- volume[1:12]
vol_2024 <- volume[13:24]
diff_yoy <- vol_2024 - vol_2023

c(
  Rata2_2023 = mean(vol_2023),
  Rata2_2024 = mean(vol_2024),
  Rata2_Kenaikan = mean(diff_yoy)
)
##     Rata2_2023     Rata2_2024 Rata2_Kenaikan 
##      488.33333      520.41667       32.08333

Secara deskriptif terlihat kecenderungan meningkat dari 2023 ke 2024 karena nilai setiap bulan pada 2024 lebih tinggi dibandingkan bulan yang sama pada 2023. Selisih kenaikan bulanan berkisar antara 30 hingga 40 ribu kendaraan (rata-rata kenaikan 32,08 ribu kendaraan per bulan). Rata-rata tahunan juga naik dari 488,33 ribu kendaraan pada 2023 menjadi 520,42 ribu kendaraan pada 2024. Namun, data hanya mencakup dua tahun sehingga belum cukup untuk menyimpulkan tren jangka panjang.

3 Bulan Puncak Kunjungan

Berdasarkan data dan grafik runtun waktu, terdapat dua puncak volume kendaraan yang berulang pada periode yang sama di kedua tahun:

  1. Bulan April: Volume mencapai 780 ribu kendaraan pada April 2023 dan 820 ribu kendaraan pada April 2024. Lonjakan ini berkaitan dengan periode mudik dan arus balik Lebaran (Hari Raya Idul Fitri), yang pada tahun 2023 jatuh pada 21-22 April dan pada tahun 2024 jatuh pada 10-11 April. Tingginya volume penyeberangan konsisten dengan pergerakan mobilitas masyarakat antara Pulau Jawa dan Pulau Sumatera saat libur hari raya keagamaan tersebut.

  2. Bulan Desember: Volume mencapai 600 ribu kendaraan pada Desember 2023 dan 640 ribu kendaraan pada Desember 2024. Peningkatan ini berkaitan dengan masa libur Natal dan Tahun Baru (Nataru) pada akhir tahun kalender.

Sebagai pembanding, titik terendah pada kedua tahun terjadi pada bulan Februari, yaitu 410 ribu kendaraan pada 2023 dan 440 ribu kendaraan pada 2024.

4 Pola Musiman atau Siklis

4.1 Seasonal Plot

Grafik perbandingan pola bulanan (seasonal plot) dibuat untuk membandingkan pergerakan volume antar-bulan secara berdampingan antara tahun 2023 dan 2024.

bulan <- c("Jan", "Feb", "Mar", "Apr", "Mei", "Jun", 
           "Jul", "Agu", "Sep", "Okt", "Nov", "Des")

plot(
  1:12, vol_2023,
  type = "o",
  pch = 16,
  lty = 1,
  col = "black",
  ylim = range(volume),
  xaxt = "n",
  xlab = "Bulan",
  ylab = "Volume (ribu kendaraan)",
  main = "Pola Bulanan Volume Kendaraan"
)
lines(1:12, vol_2024, type = "o", pch = 17, lty = 2, col = "gray30")
axis(1, at = 1:12, labels = bulan)
legend(
  "topright",
  legend = c("2023", "2024"),
  col = c("black", "gray30"),
  pch = c(16, 17),
  lty = c(1, 2),
  bty = "n"
)

Grafik di atas menunjukkan bahwa kurva 2023 dan 2024 bergerak secara paralel. Keduanya mencapai titik terendah di bulan Februari, melonjak tajam di bulan April, melandai kembali pada pertengahan tahun, dan naik lagi di bulan Desember.

4.2 Boxplot per Bulan

Grafik boxplot bulanan berikut menyajikan ringkasan 5 kuantil (minimum, kuartil pertama, median, kuartil ketiga, dan maksimum) untuk tiap bulan kalender.

kuantil_bulan <- sapply(1:12, function(i) quantile(c(vol_2023[i], vol_2024[i])))
bp <- list(
  stats = kuantil_bulan,
  n = rep(2, 12),
  conf = matrix(0, 2, 12),
  out = numeric(0),
  group = numeric(0),
  names = bulan
)

bxp(
  bp,
  xlab = "Bulan",
  ylab = "Volume (ribu kendaraan)",
  main = "Volume Kendaraan Menurut Bulan"
)

Karena setiap bulan hanya memiliki dua observasi, boxplot ini lebih tepat digunakan sebagai visual perbandingan daripada untuk menilai bentuk distribusi secara kuat. Visualisasi ini memperlihatkan bahwa median volume bulan April (800 ribu) dan Desember (620 ribu) berada jauh di atas sepuluh bulan lainnya yang berada pada rentang 425 hingga 495 ribu kendaraan.

4.3 Kesimpulan: Musiman atau Siklis?

Berdasarkan pola data yang teramati, variasi pergerakan volume kendaraan ini lebih konsisten diklasifikasikan sebagai pola musiman daripada pola siklis.

Alasannya adalah:

  1. Periode berulang terikat kalender: Puncak volume berulang pada bulan kalender yang sama (April dan Desember), dengan jarak antar-puncak yang teratur dalam siklus tahunan (12 bulan). Pola ini bertepatan langsung dengan jadwal libur tahunan seperti Lebaran dan akhir tahun.
  2. Perbedaan dengan karakteristik siklis: Pola siklis memiliki durasi gelombang yang tidak tetap dan umumnya berlangsung lebih dari satu tahun tanpa keterikatan pada bulan kalender tertentu.
  3. Keterbatasan data: Dua tahun pengamatan menunjukkan indikasi pola musiman yang berulang. Rentang 24 bulan ini belum cukup untuk mengidentifikasi keberadaan komponen siklis multi-tahun secara statistik.