ANALISIS DERET WAKTU TUGAS 1

1. buat objek ts dan plot waktunya

#1. buat objek ts dan plot waktunya
# Data jumlah kendaraan (ribuan kendaraan)

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
)

# Membuat objek time series
data.ts <- ts(kendaraan,
              start = c(2023, 1),
              frequency = 12)

# Melihat data
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
plot(data.ts,
     main = "Jumlah Kendaraan Merak-Bakauheni 2023-2024",
     xlab = "Tahun",
     ylab = "Jumlah Kendaraan (ribu)",
     col = "purple",
     type = "o")

2. identifikasi apakah data menunjukan komponen tren dan jelaskan alasannya

Ya, terdapat komponen tren meningkat (positif) karena terlihat dari jumlah kendaraan pada tahun 2024 yang umumnya lebih tinggi dibandingkan tahun 2023. misalnya pada bulan april 2024 itu mencapai 820 ribu kendaraan, sedangkan pada bulan april 2023 terdapat 780 ribu kendaran. jadi dapat dikatakan terdapat tren positif (meningkat).

3. Identifikasi bulan bulan puncak kunjungan - kaitkan dengan peristiwa nyata (lebaran,libur natal)

#3. identifikasi bulan bulan puncak kunjungan

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

# Menampilkan data
data

##    Tahun Bulan Kendaraan
## 1   2023   Jan       420
## 2   2023   Feb       410
## 3   2023   Mar       430
## 4   2023   Apr       780
## 5   2023   May       460
## 6   2023   Jun       470
## 7   2023   Jul       460
## 8   2023   Aug       480
## 9   2023   Sep       440
## 10  2023   Oct       450
## 11  2023   Nov       460
## 12  2023   Dec       600
## 13  2024   Jan       450
## 14  2024   Feb       440
## 15  2024   Mar       460
## 16  2024   Apr       820
## 17  2024   May       490
## 18  2024   Jun       500
## 19  2024   Jul       495
## 20  2024   Aug       510
## 21  2024   Sep       470
## 22  2024   Oct       480
## 23  2024   Nov       490
## 24  2024   Dec       640

# Nilai maksimum
data[order(-data$Kendaraan), ]

##    Tahun Bulan Kendaraan
## 16  2024   Apr       820
## 4   2023   Apr       780
## 24  2024   Dec       640
## 12  2023   Dec       600
## 20  2024   Aug       510
## 18  2024   Jun       500
## 19  2024   Jul       495
## 17  2024   May       490
## 23  2024   Nov       490
## 8   2023   Aug       480
## 22  2024   Oct       480
## 6   2023   Jun       470
## 21  2024   Sep       470
## 5   2023   May       460
## 7   2023   Jul       460
## 11  2023   Nov       460
## 15  2024   Mar       460
## 10  2023   Oct       450
## 13  2024   Jan       450
## 9   2023   Sep       440
## 14  2024   Feb       440
## 3   2023   Mar       430
## 1   2023   Jan       420
## 2   2023   Feb       410

jawaban

Berdasarkan data, bulan puncak kunjungan terjadi pada bulan april dan desember. Pada bulan april jumlah kendaraaan mencapai 780 ribu pada tahun 2023 dan 820 ribu pada tahun 2024. hal ini kemungkinan dipengaruhi oleh arus mudik dan balik Lebaran. Sementara itu, pada bulan Desember jumlah kendaraan juga cukup tinggi, yaitu 600 ribu pada 2023 dan 640 ribu pada 2024, yang dipengaruhi oleh libur Natal dan Tahun Baru.

4. buatlah seasonal plot dan boxplot per bulan, lalu simpulkan musimam atau siklis

#seasonal plot
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 = 1:2,
           lwd = 2)

#boxplot
# Boxplot jumlah kendaraan berdasarkan bulan

boxplot(as.numeric(data.ts) ~ cycle(data.ts),
        names = month.abb,
        main = "Boxplot Jumlah Kendaraan per Bulan",
        xlab = "Bulan",
        ylab = "Jumlah Kendaraan (ribu)",
        col = "pink",
        las = 2)

Jawaban

Terdapat pola musiman, karena berdasarkan seasonal plot dan boxplot terlihat pola hampir sama pada tahun 2023 dan 2024. jumlah kendaraan cenderung meningkat pada bulan april dan bulan desember pada tahun 2023 dan 2024. jadi data lebih menunjukan pola musiman daripada pola siklis.