Download Data Hujan BMKG: Cara Akses, Keterbatasan, dan Strategi Data Hilang

Data BMKG sebagai Referensi Utama

Data curah hujan observasi dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) adalah referensi primer dalam setiap studi hidrologi di Indonesia. Berbeda dengan data satelit (GPM IMERG) yang merupakan estimasi, data BMKG berasal dari pengukuran langsung di lapangan menggunakan penakar hujan standar.

Keunggulan data BMKG:

• ✅ Data pengukuran langsung (ground truth)
• ✅ Umumnya tersedia hingga puluhan tahun (beberapa stasiun sejak 1970-an)
• ✅ Diakui secara legal dan ilmiah untuk keperluan perizinan dan AMDAL
• ✅ Menjadi acuan kalibrasi/validasi untuk data satelit

Keterbatasan data BMKG:

• ❌ Kerapatan stasiun tidak merata — banyak area terpencil tidak terjangkau
• ❌ Data seringkali tidak lengkap (banyak missing data)
• ❌ Akses data historis panjang memerlukan permohonan resmi (berbayar)
• ❌ Portal online hanya tersedia 2 tahun terakhir secara gratis

Cara Mengakses Data BMKG

Ada tiga jalur utama untuk mendapatkan data curah hujan BMKG:

Jalur 1: Portal BMKG Data Online (Gratis, Terbatas 2 Tahun)

🔗 URL: https://dataonline.bmkg.go.id/

Portal ini menyediakan akses gratis ke data iklim (curah hujan, suhu, kelembaban, dll.) namun hanya 2 tahun terakhir yang bisa diunduh secara mandiri.

Langkah akses:

1. Buka https://dataonline.bmkg.go.id/
2. Klik “Masuk” → daftar akun gratis jika belum punya
3. Pilih menu “Data Iklim” → “Unduh Data”
4. Pilih stasiun, parameter (Curah Hujan / RR), dan periode waktu
5. Format output: Excel (.xlsx) atau CSV

Catatan penting: Server BMKG Data Online menerapkan pembatasan ketat. Permintaan data lebih dari 2 tahun akan ditolak secara otomatis oleh sistem, bukan karena akun terbatas.

Jalur 2: Permohonan Resmi ke UPT BMKG (Data Historis Panjang)

Untuk data historis lebih dari 2 tahun (misalnya 10–30 tahun untuk keperluan AMDAL), kamu perlu mengajukan permohonan data resmi ke Balai Besar / UPT BMKG setempat.

Prosedur permohonan:

1. Buat surat permohonan data resmi di atas kop perusahaan/instansi
2. Cantumkan: nama stasiun, parameter, periode, dan tujuan penggunaan
3. Kirimkan ke UPT BMKG yang membawahi wilayah stasiun target
4. Biaya: bervariasi, umumnya Rp 50.000 – Rp 500.000 per stasiun per periode (PNBP)
5. Waktu proses: 1–3 minggu tergantung beban kerja UPT

Kontak UPT BMKG berdasarkan wilayah:

Memahami Format Data BMKG

Data yang diunduh dari portal BMKG biasanya berbentuk tabel Excel dengan format seperti ini:

Nama Stasiun : Stasiun Klimatologi Banjarbaru
Lintang      : -3.4425° LS
Bujur        : 114.8253° BT
Elevasi      : 66 m
Parameter    : Curah Hujan (mm)

Tanggal    | RR
-----------|------
2023-01-01 | 15.2
2023-01-02 | 0.0
2023-01-03 | 8888  ← kode data hilang (missing)
2023-01-04 | 9999  ← kode tidak ada pengamatan
2023-01-05 | 22.4

Kode khusus yang sering muncul:

Penting: Jangan sampai kode 8888 atau 9999 ikut dihitung sebagai nilai curah hujan! Ini adalah kesalahan umum yang membuat analisis frekuensi menjadi tidak valid.

Identifikasi dan Penanganan Data Hilang (Missing Data)

Langkah 1: Hitung Persentase Data Hilang

Sebelum menggunakan data BMKG, wajib hukumnya mengecek kualitas data:

# ============================================================
# Identifikasi missing data pada dataset BMKG
# ============================================================
options(OutDec = ".")

library(dplyr)
library(lubridate)

# Baca data (sesuaikan path)
data_hujan <- read.csv("data_bmkg_banjarbaru.csv",
                       stringsAsFactors = FALSE)

# Konversi tanggal
data_hujan$tanggal <- as.Date(data_hujan$tanggal, format = "%Y-%m-%d")

# Ganti kode missing dengan NA
data_hujan$rr[data_hujan$rr %in% c(8888, 9999)] <- NA
data_hujan$rr[data_hujan$rr == "Tr"] <- 0  # Trace dianggap 0

# Hitung persentase missing per tahun
ringkasan_missing <- data_hujan %>%
  mutate(tahun = year(tanggal)) %>%
  group_by(tahun) %>%
  summarise(
    total_hari    = n(),
    hari_missing  = sum(is.na(rr)),
    persen_missing = round(hari_missing / total_hari * 100, 1)
  )

print(ringkasan_missing)

Panduan interpretasi kualitas data:

Langkah 2: Strategi Imputasi Data Hilang

Ada beberapa metode pengisian data hilang, pilih berdasarkan kondisi lapangan:

Metode 1: Rata-rata Stasiun Tetangga (Normal Ratio Method)

Metode ini menggunakan bobot berdasarkan rasio curah hujan normal tahunan antara stasiun target dan stasiun pengisi.

# ============================================================
# Imputasi dengan Normal Ratio Method
# ============================================================

# Curah hujan tahunan rata-rata (mm/tahun) dari masing-masing stasiun
# Dapatkan nilai ini dari 10–30 tahun data di tiap stasiun
n_target   <- 2100  # Stasiun target (yang punya missing data)
n_stasiun1 <- 1950  # Stasiun tetangga 1
n_stasiun2 <- 2300  # Stasiun tetangga 2
n_stasiun3 <- 2050  # Stasiun tetangga 3

# Jika deviasi curah hujan normal antar stasiun < 10%:
# Gunakan rata-rata aritmetika sederhana
# Jika deviasi ≥ 10%: Gunakan Normal Ratio Method

hitung_imputasi_normal_ratio <- function(rr1, rr2, rr3,
                                          n_t, n_1, n_2, n_3) {
  # Formula: P_x = (N_x/3) * (P_1/N_1 + P_2/N_2 + P_3/N_3)
  nilai <- (n_t / 3) * (rr1/n_1 + rr2/n_2 + rr3/n_3)
  return(round(nilai, 1))
}

# Contoh pengisian untuk satu hari missing
rr_imputasi <- hitung_imputasi_normal_ratio(
  rr1 = 18.5, rr2 = 22.0, rr3 = 15.8,
  n_t = n_target, n_1 = n_stasiun1,
  n_2 = n_stasiun2, n_3 = n_stasiun3
)

cat("Curah hujan hasil imputasi:", rr_imputasi, "mm\n")

Metode 2: Inverse Distance Weighting (IDW) antar Stasiun

# ============================================================
# Imputasi dengan IDW berdasarkan jarak antar stasiun
# ============================================================

# Koordinat stasiun (dalam derajat desimal)
stasiun <- data.frame(
  nama     = c("Target", "Sts_1", "Sts_2", "Sts_3"),
  lon      = c(114.825, 114.600, 115.100, 114.700),
  lat      = c(-3.443,  -3.200,  -3.600,  -3.700),
  rr_hari  = c(NA,      18.5,    22.0,    15.8)  # NA = missing
)

# Hitung jarak Euclidean (approx) dalam km
hitung_jarak_km <- function(lon1, lat1, lon2, lat2) {
  dx <- (lon2 - lon1) * 111.32 * cos(lat1 * pi / 180)
  dy <- (lat2 - lat1) * 110.57
  sqrt(dx^2 + dy^2)
}

stasiun_pengisi <- stasiun[!is.na(stasiun$rr_hari), ]

# Hitung jarak dari stasiun target ke pengisi
stasiun_pengisi$jarak <- mapply(
  hitung_jarak_km,
  lon1 = stasiun$lon[1], lat1 = stasiun$lat[1],
  lon2 = stasiun_pengisi$lon, lat2 = stasiun_pengisi$lat
)

# Bobot IDW (1/d^2)
stasiun_pengisi$bobot <- 1 / stasiun_pengisi$jarak^2

# Curah hujan hasil IDW
rr_idw <- sum(stasiun_pengisi$rr_hari * stasiun_pengisi$bobot) /
          sum(stasiun_pengisi$bobot)

cat("Curah hujan IDW:", round(rr_idw, 1), "mm\n")

Metode 3: Isi dengan Data GPM IMERG (Rekomendasi Modern)

Jika tidak ada stasiun tetangga yang memadai, data GPM IMERG Final Run bisa digunakan untuk mengisi missing data setelah dilakukan bias correction:

# ============================================================
# Koreksi bias GPM IMERG menggunakan ratio scaling
# ============================================================

# Periode yang memiliki data lengkap di keduanya (untuk kalibrasi)
# bmkg_lengkap  = data BMKG periode overlap (tanpa missing)
# gpm_overlap   = data GPM periode yang sama

# Hitung faktor koreksi bulanan
faktor_koreksi <- data.frame(
  bulan  = 1:12,
  fc     = tapply(bmkg_lengkap$rr, month(bmkg_lengkap$tanggal),
                  mean, na.rm = TRUE) /
           tapply(gpm_overlap$rr,  month(gpm_overlap$tanggal),
                  mean, na.rm = TRUE)
)

# Terapkan koreksi ke GPM untuk mengisi missing BMKG
data_gabungan <- data_hujan  # copy data BMKG
bln_missing <- month(data_gabungan$tanggal[is.na(data_gabungan$rr)])
fc_terpilih <- faktor_koreksi$fc[bln_missing]

data_gabungan$rr[is.na(data_gabungan$rr)] <-
  gpm_data$rr[is.na(data_hujan$rr)] * fc_terpilih

Validasi Kualitas Data Akhir

Setelah imputasi, lakukan validasi visual sebelum data digunakan untuk analisis lanjutan:

# ============================================================
# Plot curah hujan tahunan untuk deteksi anomali
# ============================================================

library(ggplot2)

data_tahunan <- data_hujan %>%
  mutate(tahun = year(tanggal)) %>%
  group_by(tahun) %>%
  summarise(rr_tahunan = sum(rr, na.rm = TRUE))

ggplot(data_tahunan, aes(x = tahun, y = rr_tahunan)) +
  geom_bar(stat = "identity", fill = "#2196F3", alpha = 0.8) +
  geom_hline(yintercept = mean(data_tahunan$rr_tahunan),
             linetype = "dashed", color = "red", linewidth = 0.8) +
  labs(
    title    = "Curah Hujan Tahunan — Stasiun BMKG",
    subtitle = "Garis merah: rata-rata periode analisis",
    x        = "Tahun",
    y        = "Curah Hujan Tahunan (mm)"
  ) +
  theme_bw(base_size = 12)

Perhatikan anomali seperti lonjakan ekstrem atau nilai nol pada seluruh tahun — ini bisa mengindikasikan kesalahan dalam proses imputasi atau kode missing yang belum tergantikan.

Kesimpulan: Kapan Gunakan Data BMKG vs GPM IMERG?

Referensi

• BMKG Data Online: https://dataonline.bmkg.go.id/
• WMO (2012). Guide to Meteorological Instruments and Methods of Observation. WMO No. 8.
• Paulhus, J.L.H. & Kohler, M.A. (1952). Interpolation of missing precipitation records. Monthly Weather Review, 80(8), 129–133.
• Soewarno (1995). Hidrologi: Aplikasi Metode Statistik untuk Analisa Data. Nova, Bandung.