1. Pendahuluan & Data

Analisis ini bertujuan untuk melihat pola musiman dan meramalkan jumlah kendaraan penyeberangan Merak-Bakauheni berdasarkan data historis tahun 2023–2024.

# Input data (dalam ribuan kendaraan)
data_kendaraan <- c(
  420, 410, 430, 780, 460, 470, 460, 480, 440, 450, 460, 600, # 2023
  430, 440, 460, 820, 490, 500, 495, 510, 470, 480, 490, 640  # 2024
)
# Buat objek time series (bulanan dari Jan 2023)
ts_kendaraan <- ts(data_kendaraan, start = c(2023, 1), frequency = 12)

2. Eksplorasi Data & Visualisasi

A. Plot Runtun Waktu (Time Series)

Melihat tren keseluruhan data dari tahun 2023 hingga 2024.

# Plot Time Series
autoplot(ts_kendaraan) +
  labs(title = "Plot Runtun Waktu Kendaraan", x = "Waktu", y = "Jumlah") +
  theme_minimal()

Penjelasan: Terdapat pola berulang yang konsisten setiap tahunnya dengan lonjakan tajam pada periode tertentu (bulan ke-4 dan ke-12).

B. Plot Musiman (GGSeasonal Plot)

Membandingkan pola antar bulan secara langsung antara tahun 2023 dan 2024.

# Plot Musiman
ggseasonplot(ts_kendaraan, year.labels = TRUE, year.labels.left = TRUE) +
  labs(title = "Seasonal Plot Kendaraan", x = "Bulan", y = "Jumlah") +
  theme_minimal()

Penjelasan: Pola pergerakan tahun 2024 relatif sejajar dengan tahun 2023, menunjukkan efektivitas komponen musiman (seasonality) berulang 12 bulanan.

C. Boxplot Musiman

Melihat variabilitas data dan pendeteksian pencilan (outlier) pada tiap bulan.

# Boxplot Musiman
boxplot(ts_kendaraan ~ cycle(ts_kendaraan), 
        main = "Boxplot Kendaraan per Bulan", 
        xlab = "Bulan", 
        ylab = "Jumlah",
        col = "lightblue")

Penjelasan: Bulan 4 (April/Mudik) dan Bulan 12 (Desember/Nataru) memiliki nilai rata-rata dan variabilitas yang signifikan lebih tinggi dibanding bulan-bulan lainnya.

3. Pemodelan & Hasil Peramalan

Menggunakan metode Auto-ARIMA / SARIMA untuk menangkap komponen tren dan musiman secara otomatis.

fit_model <- auto.arima(ts_kendaraan, seasonal = TRUE)
forecast_kendaraan <- forecast(fit_model, h = 12)

# Menampilkan Hasil Peramalan (Angka)
print(forecast_kendaraan)
##          Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## Jan 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Feb 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Mar 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Apr 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## May 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Jun 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Jul 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Aug 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Sep 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Oct 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Nov 2025       503.5417 369.0188 638.0645 297.8067 709.2766
## Dec 2025       503.5417 369.0188 638.0645 297.8067 709.2766

4. Kesimpulan

  • Pola lalu lintas kendaraan dipengaruhi secara kuat oleh faktor musiman tahunan (Lebaran & Nataru).
  • Model SARIMA mampu menangkap lonjakan musiman tersebut untuk peramalan 12 bulan ke depan.