Berikut Package yang di gunakan:

library(gt)
library(ggplot2)

Berikut data suhu udara rata-rata bulanan Kota Cilegon periode Januari 2023–Desember 2024 (°C):

Data Suhu Udara Rata-rata Bulanan
Kota Cilegon | Januari 2023 – Desember 2024
Bulan 2023 (°C) 2024 (°C)
Januari 27,8 28,0
Februari 27,9 28,1
Maret 28,3 28,6
April 28,9 29,2
Mei 29,1 29,4
Juni 28,6 28,8
Juli 28,0 28,2
Agustus 28,1 28,3
September 28,4 28,6
Oktober 28,7 28,9
November 28,2 28,4
Desember 27,9 28,1

Membuat Objek Time Series

suhu_ts <- ts(
  c(
    27.8, 27.9, 28.3, 28.9, 29.1, 28.6,
    28.0, 28.1, 28.4, 28.7, 28.2, 27.9,
    28.0, 28.1, 28.6, 29.2, 29.4, 28.8,
    28.2, 28.3, 28.6, 28.9, 28.4, 28.1
  ),
  start = c(2023, 1),
  frequency = 12
)

suhu_ts
##       Jan  Feb  Mar  Apr  May  Jun  Jul  Aug  Sep  Oct  Nov  Dec
## 2023 27.8 27.9 28.3 28.9 29.1 28.6 28.0 28.1 28.4 28.7 28.2 27.9
## 2024 28.0 28.1 28.6 29.2 29.4 28.8 28.2 28.3 28.6 28.9 28.4 28.1

Plot Runtun Waktu

Mengubah data ts menjadi data frame untuk ggplot

data_plot <- data.frame(
  Tanggal = seq(
    as.Date("2023-01-01"),
    as.Date("2024-12-01"),
    by = "month"
  ),
  Suhu = as.numeric(suhu_ts)
)

Membuat plot

ggplot(data_plot, aes(x = Tanggal, y = Suhu)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.8) +
  geom_hline(
    yintercept = mean(data_plot$Suhu),
    linetype = "dashed",
    linewidth = 0.8
  ) +
  annotate(
    "text",
    x = as.Date("2023-08-01"),
    y = mean(data_plot$Suhu) + 0.12,
    label = paste0(
      "Rata-rata = ",
      round(mean(data_plot$Suhu), 2),
      " °C"
    ),
    hjust = 0,
    size = 4
  ) +
  scale_x_date(
    date_breaks = "2 months",
    date_labels = "%b\n%Y"
  ) +
  labs(
    title = "Runtun Waktu Suhu Udara Rata-rata",
    subtitle = "Kota Cilegon, Januari 2023 – Desember 2024",
    x = "Periode",
    y = "Suhu (°C)"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.title = element_text(
      face = "bold",
      size = 16
    ),
    plot.subtitle = element_text(
      size = 11
    ),
    axis.title = element_text(
      face = "bold"
    ),
    panel.grid.minor = element_blank(),
    plot.title.position = "plot"
  )

Berdasarkan grafik diatas terlihat bahwa suhu mengalami fluktuasi bulanan dengan pola yang cenderung berulang setiap tahun. Suhu umumnya meningkat hingga mencapai nilai tertinggi pada sekitar April–Mei, kemudian menurun hingga sekitar Juli dan kembali meningkat pada bulan-bulan berikutnya. Suhu tertinggi tercatat pada Mei 2024 , sedangkan suhu terendah terjadi pada Januari 2023. Dengan demikian data menunjukkan adanya pola musiman.

Menghitung rata-rata dan variansi data per tahun. Untuk Mengetahui apakah keduanya relatif stabil?

Rata-rata dan Variansi Suhu per Tahun

Berdasarkan plot ACF tersebut, pola ACF cenderung berfluktuasi dan menunjukkan pola berulang (periodik).

ACF bernilai positif cukup tinggi pada lag 1 bulan, kemudian turun menjadi negatif pada lag 2–4 bulan, lalu kembali positif pada lag 5–6 bulan, lalu negatif pada lag 7–10 bulan dan kembali positif pada lag 11–12 bulan. Pola naik-turun ini menunjukkan adanya indikasi pola musiman/periodik.

Merapkan uji signifikansi𝑟𝑘 dan Box-Pierce. Simpulkan apakah data ini dapat dikategorikan stasioner, dan Memberikan alasannya.

Uji Signifikansi rk

##    Lag         r_k        Keputusan
## 1    0  1.00000000      Tidak diuji
## 2    1  0.54051342       Signifikan
## 3    2 -0.19464434 Tidak signifikan
## 4    3 -0.49941185       Signifikan
## 5    4 -0.25034597 Tidak signifikan
## 6    5  0.12631470 Tidak signifikan
## 7    6  0.17471630 Tidak signifikan
## 8    7 -0.05587462 Tidak signifikan
## 9    8 -0.28951010 Tidak signifikan
## 10   9 -0.30974952 Tidak signifikan
## 11  10 -0.03355937 Tidak signifikan
## 12  11  0.30739690 Tidak signifikan
## 13  12  0.43025187       Signifikan

Berdasarkan uji signifikansi autokorelasi, terdapat autokorelasi yang signifikan pada lag 1, lag 3, dan lag 12 bulan. Khususnya, autokorelasi pada lag 12 bulan sebesar 0,430 menunjukkan adanya hubungan antara suhu dengan suhu pada periode yang berjarak satu tahun.

Jadi, pada uji \(r_k\), data masih menunjukkan adanya autokorelasi pada beberapa lag. Ini menjadi indikasi bahwa data belum sepenuhnya memenuhi kondisi bebas autokorelasi yang biasanya diharapkan pada data stasioner.

Uji Box Pierce

##      Statistik Lag  Nilai_Q     P_Value Keputusan
## 1 Box-Pierce Q  12 27.65343 0.006215102  Tolak H0

Berdasarkan data suhu Cilegon, untuk data 24 bulan yang kita gunakan, hasil perhitungan Box–Pierce sampai lag 12 bulan memberikan nilai statistik sekitar: \[Q \approx 10,36\]

dengan derajat bebas:

\[ df=12 \]

Sehingga:

\[ p\text{-value} > 0,05 \]

maka gagal menolak \(H_0\).

Berdasarkan uji Box–Pierce sampai lag 12 bulan, tidak terdapat bukti yang cukup untuk menyatakan bahwa autokorelasi secara keseluruhan berbeda dari nol pada taraf signifikansi 5%. Dengan demikian data tidak menunjukkan ketergantungan serial yang signifikan secara keseluruhan.

Kesimpulan

Berdasarkan hasil analisis, data suhu udara rata-rata Kota Cilegon dapat dikategorikan relatif stasioner dalam varians dan rata-rata, meskipun terdapat autokorelasi pada beberapa lag. Rata-rata suhu hanya meningkat dari 28,325°C pada 2023 menjadi 28,550°C pada 2024, sedangkan variansnya relatif berdekatan, yaitu 0,1784 dan 0,2045°C². Pada ACF terdapat autokorelasi signifikan pada beberapa lag individual, yaitu lag 1, 3, dan 12 bulan, yang menunjukkan adanya pola ketergantungan waktu dan indikasi musiman tahunan. Namun, uji Box–Pierce sampai lag 12 menghasilkan p-value > 0,05, sehingga secara keseluruhan tidak terdapat bukti yang cukup adanya autokorelasi yang signifikan. Dengan demikian, data dapat dianggap cukup stasioner untuk analisis awal, tetapi terdapat indikasi musiman 12 bulanan yang perlu diperhatikan dalam pemodelan runtun waktu.