Pendahuluan

Dinas Perhubungan mencatat jumlah kendaraan yang menyebrang di Pelabuhan Merak - Bakauheni setiap bulan, januari 2023-Desember 2024 (ribuan kendaraan):

Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sept Okt Nov Des
2023 420 410 430 780 460 470 460 480 440 450 460 600
2024 450 440 460 820 490 500 495 510 470 480 490 460

1 Buat objek time series dan plot runtun waktunya di R

1.1 Objek Time Series

data_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
)

ts_adw<-ts(data_kendaraan,start=c(2023,1),frequency = 12)

print(ts_adw)
##      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

1.2 Plot Runtun Waktu

plot(ts_adw,
     main = "Runtun Waktu Jumlah Kendaraan Merak - Bakauheni",
     ylab = "Jumlah Kendaraan (Ribuan)",
     xlab = "Tahun",
     col = "red" ,
     lwd = 2)

Berdasarkan plot runtun waktu, jumlah kendaraan di Pelabuhan Merak - Bakauheni periode Januari 2023 hingga Desember 2024 memperlihatkan bahwa jumlah kendaraan mengalami fluktuasi dari bulan ke bulan. Meskipun terdapat perubahan naik dan turun, secara umum tingkat kendaraan pada tahun 2024 cenderung lebih tinggi jika dibandingkan dengan tahun 2023. Kemudian dapat dilihat bahwa terdapat lonjakan yang cukup besar pada bulan April pada kedua tahun, sehingga terdapat indikasi pola musiman pada data

2 Identifikasi apakah data menunjukkan komponen tren, dan jelaskan alasannya

mean_2023<-mean(ts_adw[1:12])
mean_2024<-mean(ts_adw[13:24])
mean_2023 ; mean_2024
## [1] 488.3333
## [1] 520.4167
kenaikan<-mean_2024-mean_2023
persentase_kenaikan<-(mean_2024-mean_2023)/mean_2023 * 100
kenaikan ; persentase_kenaikan
## [1] 32.08333
## [1] 6.569966

Data hasil perhitungan menunjukkan terdapat indikasi komponen tren naik, karena rata-rata kendaraan pada tahun 2024 lebih tinggi dibandingkan pada tahun 2023. Rata-rata tersebut meningkat dari 488,33 pada 2023 menjadi 540,42 ribu kendaraan di tahun 2024.

3 Identifikas bulan-bulan puncak kunjungan - kaitkan dengan peristiwa nyata (Lebaran dan Libur Nataru)

bulan<-month.abb
rata_bulanan<-tapply(
  data_kendaraan,
  rep(bulan,2),
  mean
)
rata_bulanan
##   Apr   Aug   Dec   Feb   Jan   Jul   Jun   Mar   May   Nov   Oct   Sep 
## 800.0 495.0 620.0 425.0 435.0 477.5 485.0 445.0 475.0 475.0 465.0 455.0
barplot(
  rata_bulanan,
  main = "Rataan Jumlah Kendaraan per Bulan",
  ylab = "Ribuan Kendaaraan",
  xlab = "Bulan"
)

Berdasarkan rata-rata dan hasil barplot, puncak aktivitas terjadi pada bulan April dengan rata-rata terdapat 800 ribu kendaraan. Hal tersebut dapat dikaitkan dengan periode Lebaran/Idul Fitri. Puncak selanjutnya terdapat pada bulan Desember dengan hasil rata-rata 620 ribu kendaraan, tingginya rata-rata kendaraan pada bulan desember terjadi karena berlangsungnya periode Libur Natal dan Tahun Baru (Nataru)

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

4.1 Seasonal Plot

#a. Seasonal Plot
library(ggplot2) ; library(forecast)
ggseasonplot(ts_adw,year.labels=TRUE)

Berdasarkan hasil seasonal plot, pola kendaraan dari tahun 2023 ke tahun 2024 menunjukkan kecenderungan yang relatif sama di beberapa bulan. Contohnya terdapat pada bulan April serta bulan Desember.

Karena pola tersebut muncul di periode bulan yang sama dari tahun ke tahun, data ini cocok untuk dikatakan data yang memiliki Komponen Musiman

4.2 Boxplot

boxplot(ts_adw~cycle(ts_adw),names=month.abb)

Hasil Boxplot dapat membantu untuk mendukung hasil yang telah dikeluarkan pada seasonal plot, yang dimana data memiliki Komponen Musiman