1. Pendahuluan & Data Analisis ini bertujuan untuk melihat pola musiman dan meramalkan jumlah kendaraan penyeberangan Merak-Bakauheni berdasarkan data historis tahun 2023–2024.
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
)
ts_kendaraan <- ts(data_kendaraan, start = c(2023, 1), frequency = 12)
  1. Eksplorasi Data & Visualisasi A. Plot Runtun Waktu (Time Series) Melihat tren keseluruhan data dari tahun 2023 hingga 2024.
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.

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(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.

  1. 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
  1. 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.