Soal

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

Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
2023 420 410 430 780 460 470 460 480 440 450 460 600
2024 450 440 460 820 490 500 495 510 470 480 490 640

  1. Buat objek ts dan plot runtun waktunya di R.

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

  3. Identifikasi bulan-bulan puncak kunjungan - kaitkan dengan peristiwa nyata (Lebaran, libur Nataru).

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

Jawaban

No.1

# Data jumlah 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
library(forecast)
## Warning: package 'forecast' was built under R version 4.4.3
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.3
autoplot(data_ts) +
  labs(
    title = "Runtun Waktu Jumlah Kendaraan Merak–Bakauheni",
    x = "Tahun",
    y = "Jumlah Kendaraan (ribuan)"
  )

autoplot(data_ts) +
  scale_x_continuous(
    breaks = seq(2023, 2024.92, by = 1/12),
    labels = c(
      "Jan 23", "Feb 23", "Mar 23", "Apr 23", "Mei 23", "Jun 23",
      "Jul 23", "Agu 23", "Sep 23", "Okt 23", "Nov 23", "Des 23",
      "Jan 24", "Feb 24", "Mar 24", "Apr 24", "Mei 24", "Jun 24",
      "Jul 24", "Agu 24", "Sep 24", "Okt 24", "Nov 24", "Des 24"
    )
  ) +
  labs(
    title = "Runtun Waktu Jumlah Kendaraan Merak–Bakauheni",
    x = "Bulan",
    y = "Jumlah Kendaraan (ribuan)"
  ) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1)
  )
## Scale for x is already present.
## Adding another scale for x, which will replace the existing scale.

No.2

Dari grafik yang ada, terlihat jelas ada kecenderungan tren meningkat. Ini dapat diamati dari total kendaraan pada tahun 2024 yang umumnya lebih banyak dibandingkan dengan tahun sebelumnya, yaitu 2023. Puncak tertinggi pada tahun 2024 mencapai lebih dari 800 ribu kendaraan di bulan April, sementara pada tahun 2023 puncaknya masih sekitar 700 ribu kendaraan. Di samping itu, di beberapa bulan lainnya, angka untuk tahun 2024 juga cenderung lebih tinggi daripada tahun 2023.

No.3

Dari grafik, bulan dengan angka tertinggi adalah April dan Desember. Pada April 2023, jumlah kendaraan tercatat mencapai 780 ribu sedangkan di April 2024 mencapai 820 ribu. Kenaikan ini mungkin terkait dengan arus mudik dan balik saat Lebaran, yang menyebabkan peningkatan jumlah kendaraan yang melintas. Di samping itu, bulan Desember juga terlihat ada kenaikan, dengan angka 600 ribu pada 2023 dan 640 ribu pada 2024. Hal ini mungkin berhubungan dengan periode libur Natal dan Tahun Baru yang mendorong peningkatan aktivitas masyarakat.

No.4

Seasonal Plot

seasonplot(data_ts,
           year.labels = TRUE,
           main = "Seasonal Plot Jumlah Kendaraan",
           xlab = "Bulan",
           ylab = "Jumlah Kendaraan (ribuan)")

Boxplot

# Membuat data frame
data_box <- data.frame(
  Bulan = factor(rep(c("Jan", "Feb", "Mar", "Apr", "Mei", "Jun",
                       "Jul", "Agu", "Sep", "Okt", "Nov", "Des"), 2),
                 levels = c("Jan", "Feb", "Mar", "Apr", "Mei", "Jun",
                            "Jul", "Agu", "Sep", "Okt", "Nov", "Des")),
  Kendaraan = kendaraan
)

# Boxplot per bulan
boxplot(Kendaraan ~ Bulan,
        data = data_box,
        main = "Boxplot Jumlah Kendaraan per Bulan",
        xlab = "Bulan",
        ylab = "Jumlah Kendaraan (ribuan)")

Kesimpulan

Dari kedua grafik, terlihat pola yang hampir sama pada tahun 2023 dan 2024. Jumlah kendaraan cenderung naik pada April dan kembali meningkat pada Desember. Karena kenaikan tersebut terjadi pada bulan yang sama di setiap tahun, maka data lebih menunjukkan pola musiman daripada pola siklis.