Pendahuluan

Dinas Perhubungan mencatat jumlah kendaraan yang menyeberang di Pelabuhan Merak–Bakauheni setiap bulan selama Januari 2023–Desember 2024. Data dinyatakan dalam ribuan kendaraan.

Analisis ini bertujuan untuk:

membuat objek time series dan plot runtun waktu;
mengidentifikasi indikasi komponen tren;
mengidentifikasi bulan-bulan dengan jumlah kendaraan tertinggi dan mengaitkannya dengan peristiwa nyata;
membuat seasonal plot dan boxplot per bulan untuk menentukan apakah pola yang terbentuk lebih menunjukkan musim atau siklus.

1. Data dan Objek Time Series

Data

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

data

##    Tahun Bulan Jumlah
## 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

Data terdiri dari 24 observasi, yaitu 12 bulan pada tahun 2023 dan 12 bulan pada tahun 2024.

Membuat objek time series

kendaraan_ts <- ts(
  data$Jumlah,
  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

Objek ts menggunakan frekuensi 12 karena data merupakan data bulanan.

Plot runtun waktu

autoplot(kendaraan_ts) +
  labs(
    title = "Jumlah Kendaraan yang Menyeberang Merak–Bakauheni",
    subtitle = "Januari 2023 – Desember 2024",
    x = "Tahun",
    y = "Jumlah Kendaraan (ribu)"
  ) +
  theme_minimal()

Interpretasi

Plot runtun waktu menunjukkan adanya pola naik dan turun dari bulan ke bulan. Terlihat lonjakan yang cukup besar pada bulan April dan peningkatan kembali pada bulan Desember. Selain itu, tingkat jumlah kendaraan pada tahun 2024 secara umum lebih tinggi dibandingkan tahun 2023.

2. Identifikasi Komponen Tren

Untuk melihat indikasi tren, rata-rata jumlah kendaraan tahun 2023 dibandingkan dengan tahun 2024.

data %>%
  group_by(Tahun) %>%
  summarise(
    Rata_rata = mean(Jumlah),
    Minimum = min(Jumlah),
    Maksimum = max(Jumlah),
    .groups = "drop"
  )

## # A tibble: 2 × 4
##   Tahun Rata_rata Minimum Maksimum
##   <dbl>     <dbl>   <dbl>    <dbl>
## 1  2023      488.     410      780
## 2  2024      520.     440      820

Rata-rata jumlah kendaraan per tahun

data %>%
  group_by(Tahun) %>%
  summarise(Rata_rata = mean(Jumlah), .groups = "drop") %>%
  ggplot(aes(x = factor(Tahun), y = Rata_rata)) +
  geom_col() +
  labs(
    title = "Rata-rata Jumlah Kendaraan per Tahun",
    x = "Tahun",
    y = "Rata-rata Jumlah Kendaraan (ribu)"
  ) +
  theme_minimal()

Garis tren

ggplot(data, aes(
  x = as.Date(paste(Tahun, match(Bulan, month.abb), "01", sep = "-")),
  y = Jumlah
)) +
  geom_line(linewidth = 0.8) +
  geom_smooth(
    method = "lm",
    se = FALSE,
    linewidth = 0.8
  ) +
  labs(
    title = "Indikasi Tren Jumlah Kendaraan",
    x = "Waktu",
    y = "Jumlah Kendaraan (ribu)"
  ) +
  theme_minimal()

model_tren <- lm(Jumlah ~ seq_along(Jumlah), data = data)

coef(model_tren)

##       (Intercept) seq_along(Jumlah) 
##        468.913043          2.836957

Interpretasi

Rata-rata jumlah kendaraan pada tahun 2024 lebih tinggi dibandingkan tahun 2023. Garis tren juga menunjukkan kecenderungan meningkat selama periode pengamatan. Dengan demikian, data menunjukkan indikasi adanya tren meningkat.

Namun, periode pengamatan hanya mencakup dua tahun sehingga kesimpulan mengenai tren jangka panjang masih terbatas. Oleh karena itu, pola peningkatan ini sebaiknya dipahami sebagai indikasi tren, bukan bukti tren jangka panjang yang kuat.

3. Identifikasi Bulan Puncak Kunjungan

Observasi dengan jumlah kendaraan tertinggi

data %>%
  arrange(desc(Jumlah)) %>%
  select(Tahun, Bulan, Jumlah)

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

Dari data terlihat bahwa puncak tertinggi terjadi pada:

April 2023: 780 ribu kendaraan
April 2024: 820 ribu kendaraan

Selain itu, terjadi peningkatan pada bulan Desember:

Desember 2023: 600 ribu kendaraan
Desember 2024: 640 ribu kendaraan

Rata-rata jumlah kendaraan berdasarkan bulan

rata_bulan <- data %>%
  group_by(Bulan) %>%
  summarise(
    Rata_rata = mean(Jumlah),
    .groups = "drop"
  ) %>%
  mutate(
    Bulan = factor(Bulan, levels = month.abb)
  )

rata_bulan

## # A tibble: 12 × 2
##    Bulan Rata_rata
##    <fct>     <dbl>
##  1 Apr        800 
##  2 Aug        495 
##  3 Dec        620 
##  4 Feb        425 
##  5 Jan        435 
##  6 Jul        478.
##  7 Jun        485 
##  8 Mar        445 
##  9 May        475 
## 10 Nov        475 
## 11 Oct        465 
## 12 Sep        455

ggplot(rata_bulan, aes(x = Bulan, y = Rata_rata)) +
  geom_col() +
  labs(
    title = "Rata-rata Jumlah Kendaraan Menurut Bulan",
    x = "Bulan",
    y = "Rata-rata Jumlah Kendaraan (ribu)"
  ) +
  theme_minimal()

Interpretasi

April merupakan bulan dengan jumlah kendaraan paling tinggi. Lonjakan tersebut dapat dikaitkan dengan peningkatan mobilitas masyarakat selama periode Lebaran dan arus mudik.

Peningkatan pada Desember juga terlihat pada kedua tahun pengamatan dan dapat dikaitkan dengan periode Natal dan Tahun Baru (Nataru) yang biasanya meningkatkan mobilitas masyarakat.

Dengan demikian, kenaikan pada periode tertentu tidak hanya menunjukkan perubahan acak, tetapi memiliki kemungkinan hubungan dengan peristiwa kalender yang berulang setiap tahun.

4. Seasonal Plot dan Boxplot per Bulan

Seasonal Plot

Seasonal plot digunakan untuk melihat apakah pola pada bulan yang sama berulang dari tahun ke tahun.

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

Interpretasi

Seasonal plot menunjukkan bahwa pola jumlah kendaraan pada tahun 2023 dan 2024 memiliki bentuk yang relatif serupa. Kedua tahun menunjukkan peningkatan yang jelas pada bulan April dan peningkatan kembali pada bulan Desember.

Pengulangan pola pada bulan yang sama dari tahun ke tahun merupakan indikasi adanya komponen musiman (seasonality).

Boxplot per bulan

data %>%
  mutate(Bulan = factor(Bulan, levels = month.abb)) %>%
  ggplot(aes(x = Bulan, y = Jumlah)) +
  geom_boxplot() +
  labs(
    title = "Distribusi Jumlah Kendaraan Menurut Bulan",
    x = "Bulan",
    y = "Jumlah Kendaraan (ribu)"
  ) +
  theme_minimal()

Interpretasi

Boxplot menunjukkan adanya perbedaan tingkat jumlah kendaraan antarbulan. April memiliki nilai yang relatif tinggi dibandingkan sebagian besar bulan lainnya, sedangkan Januari dan Februari cenderung berada pada tingkat yang lebih rendah.

Karena setiap bulan hanya memiliki dua pengamatan, yaitu tahun 2023 dan 2024, boxplot lebih tepat digunakan untuk melihat perbedaan pola antarbulan daripada untuk menarik kesimpulan distribusi secara mendalam.

Kesimpulan

Berdasarkan analisis deret waktu jumlah kendaraan yang menyeberang di Pelabuhan Merak–Bakauheni selama Januari 2023 hingga Desember 2024, terdapat tiga pola utama.

Pertama, terdapat indikasi tren meningkat, karena jumlah kendaraan pada tahun 2024 secara umum lebih tinggi dibandingkan tahun 2023.

Kedua, terdapat pola musiman tahunan. Bulan yang sama cenderung memiliki pola yang serupa pada kedua tahun pengamatan. Puncak utama terjadi pada bulan April dan peningkatan kembali terjadi pada bulan Desember.

Ketiga, lonjakan pada bulan April dapat dikaitkan dengan Lebaran dan arus mudik, sedangkan peningkatan pada bulan Desember dapat dikaitkan dengan libur Natal dan Tahun Baru.

Dengan demikian, pola data lebih tepat dikategorikan sebagai seasonality (pola musiman) daripada cycle (siklus). Pola tersebut berulang pada periode kalender tertentu, sedangkan periode pengamatan dua tahun belum cukup panjang untuk mengidentifikasi siklus jangka panjang secara kuat.

Analisis Deret Waktu Jumlah Kendaraan Pelabuhan Merak–Bakauheni

DZAKI SAMBEGA

10 September 2026

Pendahuluan

1. Data dan Objek Time Series

Data

Membuat objek time series

Plot runtun waktu

Interpretasi

2. Identifikasi Komponen Tren

Rata-rata jumlah kendaraan per tahun

Garis tren

Interpretasi

3. Identifikasi Bulan Puncak Kunjungan

Observasi dengan jumlah kendaraan tertinggi

Rata-rata jumlah kendaraan berdasarkan bulan

Interpretasi

4. Seasonal Plot dan Boxplot per Bulan

Seasonal Plot

Interpretasi

Boxplot per bulan

Interpretasi

Kesimpulan