Gambaran Umum

Data yang digunakan merupakan data jumlah kendaraan yang menyeberang di Pelabuhan Merak–Bakauheni setiap bulan selama Januari 2023 hingga Desember 2024. Analisis dilakukan untuk mengidentifikasi pola pergerakan jumlah kendaraan berdasarkan waktu, meliputi tren, bulan puncak, serta pola musiman atau siklis.

1. Objek Time Series dan Plot Runtun Waktu

Membuat Objek Time Series

kendaraan <- 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
)

kendaraan_ts <- ts(kendaraan,
              start = c(2023, 1),
              frequency = 12)

kendaraan_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

bulan <- c("Jan-23", "Feb-23", "Mar-23", "Apr-23", "May-23", "Jun-23",
           "Jul-23", "Aug-23", "Sep-23", "Oct-23", "Nov-23", "Dec-23",
           "Jan-24", "Feb-24", "Mar-24", "Apr-24", "May-24", "Jun-24",
           "Jul-24", "Aug-24", "Sep-24", "Oct-24", "Nov-24", "Dec-24")

plot_waktu <- function() {

  plot(kendaraan_ts,
       main = "Jumlah Kendaraan Merak-Bakauheni",
       xlab = "Waktu",
       ylab = "Jumlah Kendaraan (ribu)",
       xaxt = "n",
       col = 'steelblue',
       lwd = 2,
       pch = 1,
       cex = 1.2)
 
   points(time(kendaraan_ts), kendaraan_ts,
       pch = 1,
       cex = 1.1,
       col = "steelblue")

axis(1,
     at = time(kendaraan_ts)[seq(1, 24, by = 2)],
     labels = bulan[seq(1, 24, by = 2)],
     las = 2,
     cex.axis = 0.8)
}

plot_waktu()

Interpretasi:

Hasil plot runtun waktu menunjukkan jumlah kendaraan yang menyebrang di Pelabuhan Merak-Bakauheni selama periode Januari 2023 hingga Desember 2024 cenderung stabil di kisaran 400-500 ribu kendaraan, tetapi terdapat lonjakan yang cukup tinggi pada bulan April dan peningkatan yang lebih kecil pada bulan Desember di masing-masing tahun.

2. Identifikasi apakah data menunjukkan komponen tren dan jelaskan alasannya

Untuk mengidentifikasi apakah data menunjukkan komponen tren digunakan function lm() regresi linear dengan waktu sebagai variabel penjelas. Metode ini digunakan untuk melihat apakah terdapat perubahan jumlah kendaraan dari waktu ke waktu serta mengetahui arah perubahannya.

# Membentuk model tren linear
model_tren <- lm(kendaraan_ts ~ time(kendaraan_ts))

# Menambahkan garis tren pada plot
plot_waktu()
abline(model_tren, col = "tomato", lwd = 2, lty = 2)

# Melihat hasil model
summary(model_tren)
## 
## Call:
## lm(formula = kendaraan_ts ~ time(kendaraan_ts))
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -68.63 -51.54 -34.45 -15.86 305.70 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)
## (Intercept)        -68398.21   75055.08  -0.911    0.372
## time(kendaraan_ts)     34.04      37.08   0.918    0.369
## 
## Residual standard error: 104.8 on 22 degrees of freedom
## Multiple R-squared:  0.03689,    Adjusted R-squared:  -0.006883 
## F-statistic: 0.8428 on 1 and 22 DF,  p-value: 0.3686

Interpretasi:

Berdasarkan plot yang terbentuk, terlihat garis tersebut naik dari tahun 2023 ke 2024, yang menandakan adanya kenaikan jumlah kendaraan.

Namun, jika dilihat dari hasil regresi ‘model_tren’ nilai koefisien regresinya memang positif 34,04 tetapi p-value nya 0,369 > 0,05 yang berarti kenaikannya tidak signifikan secara statistik atau belum cukup kuat untuk dibilang sebagai tren yang nyata. Nilai R-squared yang dihasilkan juga 0,037 menunjukkan bahwa faktor waktu hampir tidak berpengaruh terhadap perubahan jumlah kendaraan.

Jadi bisa disimpulkan bahwa secara visual sekilas memang terlihat ada kenaikan, tetapi secara statistik tidak menunjukkan tren yang jelas.

3. Identifikasi bulan-bulan puncak kunjungan dan kaitkan dengan peristiwa nyata (Lebaran atau Libur Nataru)

# Bulan-bulan puncak kunjungan
puncak <- order(kendaraan_ts, decreasing = TRUE)
data.frame(Bulan = bulan[puncak], Jumlah = kendaraan_ts[puncak])
##     Bulan Jumlah
## 1  Apr-24    820
## 2  Apr-23    780
## 3  Dec-24    640
## 4  Dec-23    600
## 5  Aug-24    510
## 6  Jun-24    500
## 7  Jul-24    495
## 8  May-24    490
## 9  Nov-24    490
## 10 Aug-23    480
## 11 Oct-24    480
## 12 Jun-23    470
## 13 Sep-24    470
## 14 May-23    460
## 15 Jul-23    460
## 16 Nov-23    460
## 17 Mar-24    460
## 18 Oct-23    450
## 19 Jan-24    450
## 20 Sep-23    440
## 21 Feb-24    440
## 22 Mar-23    430
## 23 Jan-23    420
## 24 Feb-23    410

Interpretasi:

Berdasarkan hasil di atas, terdapat empat jumlah kendaraan tertinggi yaitu terjadi di bulan April 2024 (820 ribu), April 2023 (780 ribu), Desember 2024 (640 ribu), Desember 2023 (600 ribu).

Puncak tertinggi terjadi di bulan April selama dua tahun berturut turut baik di 2023 maupun 2024 kejadian tersebut berkaitan dengan periode mudik Lebaran, di mana banyak masyarakat melakukan perjalanan dari pulau Jawa menuju Sumatera ataupun sebaliknya melalui jalur penyebrangan Pelabuhan Merak-Bakauheni.

Selain itu, pada Bulan Desember juga konsisten selama dua tahun berturut-turut yang kemungkinan berkaitan dengan libur Natal dan Tahun Baru, meskipun peningkatannya tidak setinggi periode Lebaran.

4. Buat seasonal plot & boxplot per bulan, lalu simpulkan: musiman atau siklis

Seasonal Plot

Membandingin pola tiap bulan antar tahun, jika bentuk garisnya mirip tiap tahun, berarti menandakan ada pola musiman.

library(forecast)

seasonplot(kendaraan_ts,
           year.labels = TRUE,
           year.labels.left = TRUE,
           main = "Seasonal Plot Jumlah Kendaraan",
           xlab = "Bulan",
           ylab = "Jumlah Kendaraan (ribu)",
           col = c("steelblue", "tomato"),
           lwd = 2)

Boxplot per Bulan

Melihat sebaran nilai tiap bulan (gabungan semua tahun). Untuk mengecek apakah suatu bulan konsisten tinggi/rendah, atau berubah-ubah tiap tahun.

Kotak yang pendek menandakan nilai antar tahun di bulan tersebut konsisten (tidak jauh berbeda), sedangkan kotak yang tinggi/lebar menandakan nilainya berubah-ubah antar tahun.

boxplot(kendaraan_ts ~ cycle(kendaraan_ts),
        main = "Boxplot Jumlah Kendaraan per Bulan",
        xlab = "Bulan",
        ylab = "Jumlah Kendaraan (ribu)",
        names = c("Jan", "Feb", "Mar", "Apr", "Mei", "Jun",
                  "Jul", "Agu", "Sep", "Okt", "Nov", "Des"),
        col = 'steelblue',
        las = 1)

Interpretasi:

Berdasarkan seasonal plot dan boxplot data jumlah kendaraan menunjukkan pola musiman (seasonal) bukan pola siklis. Hal ini terlihat dari pola yang hampir sama pada tahun 2023 dan 2024, yaitu jumlah kendaraan meningkat tajam pada bulan April (periode Lebaran) lalu menurun di bulan Mei dan kembali meningkat di bulan Desember (periode Nataru). Pola tersebut berulang pada bulan yang sama di kedua tahun.

Selain itu, boxplot juga menunjukkan jumlah kendaraan pada bulan April dan Desember lebih tinggi dibandingkan bulan lainnya. Garis tahun 2024 juga berada di atas tahun 2023, yang menunjukkan jumlah kendaraan pada tahun 2024 lebih tinggi.