Data yang digunakan merupakan data jumlah kendaraan yang menyeberang di Pelabuhan Merak–Bakauheni selama Januari 2023–Desember 2024 sebanyak 24 pengamatan bulanan, dengan satuan ribuan kendaraan. Data ini digunakan untuk melihat pola perubahan jumlah kendaraan dari waktu ke waktu, seperti tren, musim, serta bulan-bulan dengan jumlah kendaraan tertinggi dan terendah.

1.Objek Time Series dan Plot Runtun Waktu

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
)

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

data.ts <- ts(
  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 Runtun Waktu

label_waktu <- paste(
  rep(c("Jan", "Feb", "Mar", "Apr", "Mei", "Jun",
        "Jul", "Agu", "Sep", "Okt", "Nov", "Des"), 2),
  rep(c("23", "24"), each = 12),
  sep = "-"
)

plot_waktu <- function(){
plot(
  data.ts,
  xaxt = "n",
  main = "Jumlah Kendaraan Merak-Bakauheni 2023-2024",
  xlab = "Waktu",
  ylab = "Jumlah Kendaraan (ribu)",
  col = "steelblue",
  lwd = 2
)

points(time(data.ts), data.ts,
       pch = 1,
       cex = 1.2,
       col = "black")

idx <- seq(1, 24, by = 2)

axis(
  1,
  at = time(data.ts)[idx],
  labels = label_waktu[idx],
  las = 2,
  cex.axis = 0.8
)

grid()
}

plot_waktu()

Berdasarkan hasil plot, jumlah kendaraan cenderung meningkat dari tahun 2023 ke 2024, meskipun mengalami beberapa fluktuasi. Terlihat lonjakan jumlah kendaraan yang cukup tinggi pada April 2023, April 2024, dan Desember, sedangkan jumlah terendah terjadi pada awal tahun.

2. Identifikasi apakah data menunjukkan komponen tren dan jelaskan alasannya

# model tren
model.tren <- lm(
  as.numeric(data.ts) ~ time(data.ts)
)

summary(model.tren)
## 
## Call:
## lm(formula = as.numeric(data.ts) ~ time(data.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(data.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
# garis tren pada plot
plot_waktu()
abline(model.tren, col = "red", lwd = 2)

Berdasarkan plot dan hasil regresi linear, dapat dilihat bahwa jumlah kendaraan menunjukkan kecenderungan meningkat secara sangat lemah selama periode 2023–2024. Garis tren memang sedikit menanjak dengan koefisien sebesar 34,04, tetapi nilai p-value = 0,369 > 0,05, sehingga kenaikan tersebut tidak signifikan secara statistik. Nilai R² = 0,0369 juga menunjukkan bahwa tren waktu hanya mampu menjelaskan sekitar 3,69% variasi jumlah kendaraan. Dengan demikian, belum terdapat bukti yang cukup bahwa data memiliki tren meningkat.

Jadi dapat disimpulkan bahwa memang secara visual ada sedikit kenaikan dari tahun 2023 ke 2024 namun secara statistik tidak menunjukkan adanya bukti yang cukup untuk data ini dikatakan memiliki tren.

3. Identifikasi bulan-bulan puncak kunjungan dan kaitkan dengan peristiwa nyata

# bulan-bulan puncak
puncak <- order(data.ts, decreasing = TRUE)
data.frame(Bulan = label_waktu[puncak], Jumlah = data.ts[puncak])
##     Bulan Jumlah
## 1  Apr-24    820
## 2  Apr-23    780
## 3  Des-24    640
## 4  Des-23    600
## 5  Agu-24    510
## 6  Jun-24    500
## 7  Jul-24    495
## 8  Mei-24    490
## 9  Nov-24    490
## 10 Agu-23    480
## 11 Okt-24    480
## 12 Jun-23    470
## 13 Sep-24    470
## 14 Mei-23    460
## 15 Jul-23    460
## 16 Nov-23    460
## 17 Mar-24    460
## 18 Okt-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

Berdasarkan hasil pengurutan data, April menjadi bulan dengan jumlah kendaraan paling tinggi selama periode pengamatan. Pada April 2023 tercatat sekitar 780 ribu kendaraan, sedangkan pada April 2024 meningkat menjadi 820 ribu kendaraan. Tingginya jumlah kendaraan pada bulan tersebut kemungkinan besar dipengaruhi oleh meningkatnya aktivitas perjalanan masyarakat saat Lebaran, terutama karena adanya arus mudik dan arus balik.

Selain April, Desember juga termasuk bulan dengan jumlah kendaraan yang tinggi, yaitu sekitar 600 ribu kendaraan pada 2023 dan meningkat menjadi 640 ribu kendaraan pada 2024. Hal ini kemungkinan berkaitan dengan meningkatnya mobilitas masyarakat selama libur Natal dan Tahun Baru.

Jadi, dari data tersebut terlihat bahwa jumlah kendaraan cenderung meningkat pada periode Lebaran dan libur akhir tahun, sedangkan pada bulan-bulan lainnya jumlah kendaraan relatif lebih rendah dan stabil.

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

Seasonal plot

library(forecast)

ggseasonplot(
  data.ts,
  year.labels = TRUE,
  year.labels.left = TRUE,
  main = "Seasonal Plot Jumlah Kendaraan",
  xlab = "Bulan",
  ylab = "Jumlah Kendaraan (ribu)"
)

Box plot

# boxplot per bulan
library(ggplot2)

data <- data.frame(
  Tahun = rep(c(2023, 2024), each = 12),
  Bulan = rep(bulan, 2),
  Kendaraan = kendaraan
)

# Atur urutan bulan
data$Bulan <- factor(
  data$Bulan,
  levels = bulan
)

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

Berdasarkan seasonal plot, terlihat bahwa pola jumlah kendaraan pada tahun 2023 dan 2024 memiliki bentuk yang hampir sama. Jumlah kendaraan relatif rendah pada awal tahun, kemudian meningkat tajam pada April, menurun kembali setelahnya, dan kembali meningkat pada Desember. Selain itu, jumlah kendaraan tahun 2024 secara umum lebih tinggi dibandingkan tahun 2023.

Pada boxplot per bulan, terlihat bahwa jumlah kendaraan berbeda cukup jelas antarbulan. April memiliki jumlah kendaraan paling tinggi, diikuti oleh Desember, sedangkan Februari merupakan salah satu bulan dengan jumlah kendaraan terendah. Pola ini menunjukkan bahwa bulan tertentu cenderung memiliki jumlah kendaraan yang lebih tinggi secara berulang.

Jadi kesimpulannya berdasarkan seasonal plot dan box plot diatas dapat dikatakan bahwa data ini lebih tepat dikategorikan memiliki komponen musiman (seasonal), bukan siklis. Hal ini karena kenaikan jumlah kendaraan terjadi pada bulan yang sama setiap tahunnya, terutama April dan Desember, yang berkaitan dengan momen Lebaran serta libur Natal dan Tahun Baru.