1. Input Data & Membuat Objek Time Series

# Data suhu udara bulanan (°C)
suhu <- 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)

# Membuat objek time series (frekuensi bulanan = 12)
suhu_ts <- ts(suhu, start = c(2023, 1), frequency = 12)

# Plot runtun waktu
plot(suhu_ts, main = "Plot Runtun Waktu Suhu Udara Kota Cilegon",
     ylab = "Suhu (°C)", xlab = "Tahun", col = "blue", lwd = 2)
points(suhu_ts, col = "red", pch = 16)

2. Menghitung Rata-rata dan Variansi per Tahun

Cek apakah rata-rata dan ragam (variansi) antar tahun relatif stabil.

# Mengelompokkan berdasarkan tahun
tahun <- rep(2023:2024, each = 12)

# Hitung rata-rata dan variansi
mean_suhu <- tapply(suhu, tahun, mean)
var_suhu <- tapply(suhu, tahun, var)

data.frame(Tahun = c(2023, 2024), 
           Rata_rata = mean_suhu, 
           Variansi = var_suhu)
##      Tahun Rata_rata  Variansi
## 2023  2023    28.325 0.1784091
## 2024  2024    28.550 0.2045455

Interpretasi: Nilai rata-rata dan variansi antara tahun 2023 dan 2024 terlihat sangat mirip dan stabil (tidak ada tren naik/turun yang ekstrem).

3. Plot ACF (Autocorrelation Function) hingga Lag 12

Kita hitung dan plot ACF untuk melihat pola ketergantungan antar lag.

# Plot ACF hingga lag 12
acf(suhu_ts, lag.max = 12, main = "Correlogram Suhu Kota Cilegon")

4. Uji Formal Signifikansi rk dan Box-PierceKita

lakukan uji statistik untuk memastikan apakah data ini stasioner secara statistik.

# Uji Box-Pierce pada lag 12
Box.test(suhu, lag = 12, type = "Box-Pierce")
## 
##  Box-Pierce test
## 
## data:  suhu
## X-squared = 27.653, df = 12, p-value = 0.006215

Interpretasi: -Dari hasil uji Box-Pierce, jika nilai p-value < 0.05, maka tolak H0 (artinya data tidak white noise dan memiliki pola autokorelasi). -Secara keseluruhan, meskipun ada pola musiman yang konsisten, rata-rata dan variansi data ini stabil sepanjang waktu, sehingga data suhu ini dapat dikategorikan stasioner (lemah).