1. Buat objek ts dan plot runtun waktunya di R

# Data Kunjungan Penyeberangan Merak-Bakauheni (dalam ribuan kendaraan)
data_kendaraan <- c(
  420, 410, 430, 780, 460, 470, 460, 480, 440, 450, 460, 600, # 2023
  450, 440, 460, 820, 490, 500, 495, 510, 470, 480, 490, 640  # 2024
)

# Membuat objek time series (frekuensi 12 = data bulanan dari Jan 2023)
ts_kendaraan <- ts(data_kendaraan, start = c(2023, 1), frequency = 12)

# Plot dasar runtun waktu (sesuai contoh di slide)
plot.ts(ts_kendaraan, 
        main = "Plot Penyeberangan Merak-Bakauheni (2023-2024)",
        ylab = "Jumlah Kendaraan (Ribu)", 
        xlab = "Tahun", 
        col = "navy", lwd = 2, type = "o", pch = 19)
grid()

2. Identifikasi apakah data menunjukkan komponen tren, dan jelaskan alasannya

Terdapat tren naik positif pada volume penyeberangan kendaraan dari tahun 2023 ke tahun 2024. Hal ini terlihat dari perbandingan month-to-month yang konsisten mengalami peningkatan: Pada Januari–Maret 2023 nilainya berada pada rentang 410–430 ribu, meningkat menjadi 440–460 ribu pada periode yang sama di tahun 2024. Puncak utama pada bulan April juga meningkat dari 780 ribu (2023) menjadi 820 ribu (2024). Puncak kedua pada bulan Desember naik dari 600 ribu (2023) menjadi 640 ribu (2024).

3. Identifikasi bulan-bulan puncak kunjungan (mengaitkan dengan peristiwa nyata seperti lebaran, liburan nataru

April sebagai Puncak Utama Volume penyeberangan mengalami lonjakan yang sangat drastis, yaitu mencapai 780 ribu kendaraan pada tahun 2023 dan meningkat menjadi 820 ribu kendaraan pada tahun 2024. Peningkatan signifikan ini bertepatan dengan momen mudik Hari Raya Idulfitri, mengingat jalur Pelabuhan Merak–Bakauheni merupakan lintasan utama yang menghubungkan pemudik dari Pulau Jawa menuju Pulau Sumatra.

Desember sebagai Puncak Kedua Jumlah kendaraan juga mencatatkan angka yang tergolong tinggi, yakni sebesar 600 ribu kendaraan pada tahun 2023 dan 640 ribu kendaraan pada tahun 2024. Kenaikan ini dipengaruhi oleh tingginya mobilitas masyarakat selama periode libur Natal dan Tahun Baru (Nataru) yang bertepatan dengan masa libur sekolah akhir tahun.

4. Seasonal Plot & Boxplot per Bulan serta buat Kesimpulan

library(forecast)
library(ggplot2)

# Autoplot (Visualisasi time series dari paket forecast)
autoplot(ts_kendaraan) + 
  theme_minimal() + 
  labs(title = "Autoplot Runtun Waktu Penyeberangan", y = "Ribuan Kendaraan", x = "Tahun")

# Seasonal plot
ggseasonplot(ts_kendaraan, year.labels = TRUE) + 
  theme_minimal() +
  labs(title = "Seasonal Plot Penyeberangan Merak-Bakauheni")

# Boxplot per bulan
boxplot(ts_kendaraan ~ cycle(ts_kendaraan), 
        names = month.abb, 
        col = "skyblue",
        main = "Boxplot Bulanan Penyeberangan",
        xlab = "Bulan", 
        ylab = "Jumlah Kendaraan (Ribu)")

Kesimpulan: Pola data ini tergolong Musiman (Seasonal), bukan siklis. Fluktuasi volume kendaraan berulang secara teratur pada periode dan interval yang sama setiap tahunnya (\(\le 1\) tahun), yaitu lonjakan tajam pada bulan April (Lebaran) dan Desember (Nataru). Sebaliknya, pola siklis memiliki durasi perulangan yang tidak tetap dan umumnya terjadi dalam jangka panjang (> 2 tahun).