1. Membuat Objek Time Series dan Plot Runtun Waktu

data_ts <- ts(data_kendaraan$Kendaraan,
              start = c(2023,1),
              frequency = 12)
data_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(data_ts, 
     main = "Jumlah Kendaraan Menyeberang di Pelabuhan Merak - Bakauheni",
     xlab = "Tahun",
     ylab = "Jumlah Kendaraan (ribu)",
     col = "orange",
     lwd = 2
     )

text(time(data_ts), data_ts,
     labels = data_ts,
     pos = 3, 
     cex = 0.7
     )

2. Identifikasi Komponen Tren

Komponen tren adalah pergerakkan jangka panjang dalam suatu data time series yang menunjukkan apakah data tersebut cenderung naik, turun atau stabil dalam jangka waktu yang lama.

Untuk mengetahui komponen tren pada data, dapat dilihat dari rata-rata kendaraan setiap tahunnya. Jika rata-rata naik dari tahun sebelumnya, maka data cenderung meningkat dari 2023 hingga 2024.

aggregate(Kendaraan ~ Tahun, data = data_kendaraan, mean)

##   Tahun Kendaraan
## 1  2023  488.3333
## 2  2024  520.4167

plot(data_ts,
     main = "Tren Jumlah Kendaraan",
     xlab = "Tahun",
     ylab = "Jumlah Kendaraan (ribu)",
     col = "orange",
     lwd = 2)

abline(lm(data_kendaraan$Kendaraan ~ time(data_ts)),
       col = "red",
       lwd = 2)

Berdasarkan grafik tren, terlihat bahwa garis berwarna merah menunjukkan adanya komponen tren yang meningkat dari waktu ke waktu, meskipun data mengalami fluktuasi setiap bulannya.

Menurut rata-rata pertahunnya, di tahun 2023, rata-rata kendaraan yang menyeberang melalui Pelabuhan Merak - Bakauheni adalah sekitar 488 ribu kendaraan. Rata-rata ini mengalami peningkatan menjadi 520 ribu kendaraan pada tahun 2024.

3. Identifikasi Bulan-bulan Puncak Kunjungan (Lebaran dan Nataru)

Bulan-bulan puncak kunjungan seperti libur lebaran dan nataru, tentunya membuat aktivitas pelabuhan semakin padat. Grafik tren sebelumnya, telah menunjukkan di bulan April mengalami lonjakan peningkatan yang cukup tinggi diantara bulan-bulan yang lainnya. Disusul bulan Desember yang menempati posisi kedua tertinggi yang disebabkan oleh libur natal dan tahun baru.

data_kendaraan[data_kendaraan$Bulan %in% c("Apr", "Dec"), ]

##    Tahun Bulan Kendaraan
## 4   2023   Apr       780
## 12  2023   Dec       600
## 16  2024   Apr       820
## 24  2024   Dec       640

Hari raya lebaran di tahun 2023 dan 2024 diperingati pada bulan April, sehingga jumlah kendaraan di bulan tersebut mengalami peningkatan dari tahun 2023 hingga 2024. Di bulan April 2023, jumlah kendaraan yang memadati pelabuhan yaitu sekitar 780 ribu kendaraan. Di tahun berikutnya pada bulan yang sama, aktivitas penyeberangan yang dilakukan oleh masyarakat untuk melakukan perjalanan mudik semakin bertambah jumlahnya, yaitu menjadi 820 ribu kendaraan.

Namun, hari raya lebaran tidak selalu berlangsung di bulan April karena tanggalnya mengikuti kalender Hijriah, sehingga bulan April di tahun berikutnya setelah tahun 2024, tidak terus melonjak naik. Berbeda dengan libur natal dan tahun baru, yang berpotensi akan meningkatkan aktivitas penyeberangan setiap tahunnya. Di tahun 2023, pelabuhan dipadati sekitar 600 ribu kendaraan. Dan di tahun berikutnya, jumlahnya naik sebesar 6.67% menjadi 640 ribu kendaraan.

4. Buat Seasonal Plot & Boxplot per Bulan

library(forecast)

## Warning: package 'forecast' was built under R version 4.4.3

seasonplot(data_ts,
           year.labels = TRUE,
           year.labels.left = TRUE,
           main = "Seasonal Plot Jumlah Kendaraan",
           xlab = "Bulan",
           ylab = "Jumlah Kendaraan (ribu)",
           col = "blue")

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.3

data_kendaraan$Bulan <- factor(
  data_kendaraan$Bulan,
  levels = month.abb
)

ggplot(data_kendaraan, aes(x = Bulan, y = Kendaraan)) +
  geom_boxplot() +
  labs(
    title = "Boxplot Jumlah Kendaraan per Bulan",
    x = "Bulan",
    y = "Jumlah Kendaraan (ribu)"
  )