BMKG | Irpan Chumaedi

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

Tue, 12 May 2026 00:00:00 +0000

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:

Buka https://dataonline.bmkg.go.id/
Klik “Masuk” → daftar akun gratis jika belum punya
Pilih menu “Data Iklim” → “Unduh Data”
Pilih stasiun, parameter (Curah Hujan / RR), dan periode waktu
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:

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

Kontak UPT BMKG berdasarkan wilayah:

Wilayah	UPT BMKG
Jawa Barat	BMKG Stamet Bandung, BBTMC Serpong
Kalimantan Selatan	BMKG Staklim Banjarbaru
Kalimantan Timur	BMKG Staklim Samarinda
Maluku Utara	BMKG Stamet Ternate
Sulawesi	BMKG Staklim Makassar

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:

Kode	Makna
`8888`	Data hilang / tidak tercatat
`9999`	Tidak ada pengamatan (hari libur, dll.)
`-` atau `NaN`	Tidak ada data
`0.0`	Tidak hujan (hari kering)
`Tr`	Trace — hujan sangat kecil, tidak terukur (<0.5 mm)

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:

Persentase Missing	Kategori	Tindakan
< 5%	Baik	Imputasi sederhana
5% – 15%	Cukup	Imputasi dengan stasiun tetangga
15% – 30%	Kurang	Pertimbangkan data satelit sebagai suplemen
> 30%	Buruk	Hindari penggunaan, gunakan GPM IMERG

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?

Kondisi	Rekomendasi
Stasiun BMKG < 5 km dari area studi, data lengkap	Gunakan BMKG saja
Stasiun BMKG ada tapi banyak missing data (>15%)	Gabungkan BMKG + GPM (hybrid)
Tidak ada stasiun BMKG dalam radius 20 km	Gunakan GPM IMERG Final Run
Keperluan AMDAL formal	BMKG sebagai primer, GPM sebagai sekunder
Data > 10 tahun diperlukan dan proses lambat	GPM + Open-Meteo ERA5 sebagai suplemen

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.

Keterbatasan Data Hujan Pos dan Alternatif GPM IMERG

Sun, 10 May 2026 00:00:00 +0000

Ketersediaan data curah hujan yang memadai merupakan fondasi utama dalam analisis hidrologi. Namun di Indonesia, data pos hujan konvensional menghadapi berbagai keterbatasan — terutama di wilayah luar Pulau Jawa.

1. Sebaran Stasiun Hujan BMKG

Berdasarkan inventarisasi BMKG, terdapat 6.487 stasiun hujan aktif di seluruh Indonesia — terdiri dari Pos Hujan Kerjasama (PHK), Automatic AWS (AAWS), dan UPT.

💡 Zoom masuk untuk melihat nama stasiun · Klik titik untuk detail · Biru = PHK · Merah = AAWS · Hijau = UPT

2. Kerapatan Stasiun vs Standar WMO

Standar WMO (2008) merekomendasikan minimal 1 pos per 250 km² untuk kawasan pegunungan tropis.

Wilayah	Luas (km²)	Stasiun	Kerapatan (km²/pos)	Status WMO
Jawa	128.297	2.765	46	✅ Memenuhi
Sumatera	473.481	1.321	358	⚠️ Di bawah standar
Kalimantan	748.168	842	889	❌ Jauh di bawah
Sulawesi	188.522	1.023	184	✅ Memenuhi
Maluku	31.982	213	150	✅ Memenuhi
Papua	421.981	323	1.306	❌ Jauh di bawah

Kalimantan dan Papua memiliki kerapatan stasiun yang sangat rendah — DAS-DAS besar di sana hampir tidak terpantau secara langsung.

3. GPM IMERG sebagai Alternatif

GPM IMERG adalah produk curah hujan berbasis satelit dari NASA dan JAXA, tersedia gratis sejak Juni 2000.

Parameter	Nilai
Resolusi spasial	0.1° × 0.1° (~11 km)
Resolusi temporal	30 menit
Ketersediaan	Juni 2000 – sekarang
Varian terbaik	Final Run (koreksi dengan data pos)
Akses	Gratis via NASA Earthdata

4. Validasi GPM IMERG — Interaktif

Geser slider untuk mensimulasikan koreksi bias pada data GPM IMERG. Metrik validasi (NSE, KGE, PBIAS, RMSE) berubah otomatis.

Faktor Koreksi Bias: 1.00×

DAS Akelamo, Pulau Obi, 2020–2022 · Hover untuk nilai per bulan

Metrik	Nilai	Status
NSE
KGE
PBIAS (%)
RMSE (mm)		—

Kriteria Moriasi et al. (2007):
NSE ≥ 0.65 → Memuaskan
KGE ≥ 0.50 → Baik
|PBIAS| ≤ 15% → Memuaskan

Kesimpulan

Kerapatan pos hujan Indonesia tidak merata — Kalimantan dan Papua jauh di bawah standar WMO
GPM IMERG Final Run merupakan alternatif andal untuk DAS tanpa pos hujan memadai
Validasi dengan NSE, KGE, dan PBIAS wajib dilakukan sebelum digunakan dalam pemodelan
Koreksi bias disarankan jika |PBIAS| > 15%

Referensi: Moriasi et al. (2007) · Huffman et al. (2020) · WMO (2008)

Kalibrasi Data GPM dengan Data BMKG

Thu, 01 Feb 2024 00:00:00 +0000

Latar Belakang

Masalah Utama

GPM IMERG adalah produk curah hujan satelit presisi tinggi dari NASA dengan resolusi 0.1° × 0.1° dan temporal 30 menit. Namun dalam analisis hidrologi — khususnya untuk menentukan Hujan Harian Maksimum Tahunan (HHMT) sebagai input desain bangunan air — data mentah (raw) GPM sering menunjukkan bias sistematis negatif yang signifikan dibandingkan observasi BMKG di lapangan.

⚠️ GPM Raw — Masalah

PBIAS = −31.9% artinya GPM Raw secara rata-rata meremehkan curah hujan sebesar hampir sepertiga dari nilai sesungguhnya. NSE = −1.06 menunjukkan model bahkan lebih buruk dari sekedar menggunakan nilai rata-rata — tidak layak digunakan langsung untuk desain hidrologi.

✅ GPM M4 — Solusi

Setelah kalibrasi dengan metode Year-Specific Scaling Factor (M4), PBIAS turun menjadi +3.5% — hampir tidak ada bias. NSE meningkat ke 0.77 dan KGE ke 0.88, keduanya masuk kategori Sangat Baik menurut SNI 2415:2016.

PBIAS

−31.9%

↓ 91%

+3.5%

Threshold: <10%

NSE

−1.062

↑ 172%

0.772

Threshold: ≥0.75

KGE

0.206

↑ 326%

0.879

Threshold: ≥0.75

RMSE

47.4 mm

↓ 67%

15.8 mm

Semakin kecil

🎯Kalibrasi dengan metode M4 berhasil mengubah data GPM yang tidak layak pakai menjadi data yang masuk kategori Sangat Baik (SB) untuk semua metrik validasi menurut Moriasi et al. (2007) dan SNI 2415:2016.

Data & Wilayah Studi

🛰️ Piksel GPM B4 — Titik Referensi

Analisis berfokus pada satu piksel GPM IMERG V07 yang merepresentasikan wilayah Kota Banjarmasin, yang selanjutnya disebut Piksel B4.

Koordinat Piksel B4

114.60°E, 3.30°S

Bounding Box: 114.487–114.687°E, 3.197–3.397°S

Produk GPM

GPM IMERG V07 Final Run (NASA Giovanni)
Resolusi: 0.1° × 0.1° · Temporal: Daily
Variabel: Presipitasi harian (mm)

🌧️ Stasiun Observasi BMKG (Ground Truth)

Stasiun SY — Syamsuddin Noor

Lokasi: Banjarmasin, Kalimantan Selatan
Piksel GPM-nya: 114.80°E, 3.40°S
Periode: 1998–2025 (28 tahun)
Catatan: Tahun 2010 data = 0 mm (tidak valid, hanya BMKG Kalsel yang digunakan)

Stasiun KS — BMKG Kalsel (Banjarbaru)

Lokasi: Banjarbaru, Kalimantan Selatan
Piksel GPM-nya: 114.85°E, 3.45°S
Periode: 1998–2025 (28 tahun)
Catatan: Digunakan sebagai data pembanding & pengisi ketika SY tidak tersedia

📊 Tabel Data Lengkap — HHMT 1998–2025

Tahun	GPM Raw (mm)	Fk M4	GPM M4 (mm)	Obs BMKG (mm)	Error Raw (mm)	Error M4 (mm)

ℹ️HHMT = Hujan Harian Maksimum Tahunan. Error = GPM − Obs BMKG. Nilai negatif berarti GPM meremehkan observasi. Tahun 2010: data BMKG SY = 0 mm (tidak valid), Fk dihitung dari stasiun KS saja.

Metode Koreksi Bias M4

Terdapat beberapa metode koreksi bias yang umum digunakan dalam hidrologi berbasis data satelit. Analisis ini membandingkan empat metode (M1–M4) dan memilih M4: Year-Specific Scaling Factor sebagai yang terbaik.

Perbandingan 4 Metode Koreksi Bias

Metode	Prinsip	Keunggulan	Keterbatasan	Status
M1 — CF Bulanan	GPM × faktor koreksi per bulan HHMT	Mempertimbangkan musim	CF dihitung hanya dari 1 stasiun	Cukup Baik
M2 — Direct Scaling	GPM × (rerata Obs / rerata GPM) global	Sangat sederhana	Satu faktor untuk semua tahun	Cukup Baik
M3 — Quantile Mapping	Rank-to-rank GPM vs Obs (CDF matching)	Koreksi distribusi penuh	Butuh data lebih banyak; asumsi stasioner	Baik
M4 — Year-Specific ✅	GPM × Fk per tahun dari semua stasiun tersedia	Fk unik tiap tahun, multi-stasiun	Butuh data BMKG per tahun	🏆 Terbaik

Formula Inti — Metode M4

Langkah 1: Faktor Koreksi per Stasiun per Tahun Fk_SY = HHMT_Ground_SY / HHMT_GPM_B4

Langkah 2: Fk Akhir = Rata-rata dari semua stasiun tersedia Fk = mean(Fk_SY, Fk_KS) Jika hanya satu stasiun tersedia (mis. 2010): Fk = Fk dari stasiun yang ada

Langkah 3: GPM Terkoreksi GPM_M4 = GPM_Raw_B4 × Fk Hasil: HHMT tahunan yang sudah dikalibrasi terhadap observasi BMKG

Alur Kerja M4 Step-by-Step

Ekstrak HHMT GPM Raw dari Piksel B4

Download data harian GPM IMERG V07 dari NASA Giovanni untuk piksel 114.60°E, 3.30°S. Ekstrak nilai HHMT (nilai maksimum harian dalam setahun) untuk setiap tahun 1998–2025.

Ekstrak HHMT Ground Truth dari BMKG

Ambil data harian dari dua stasiun BMKG: Syamsuddin Noor (SY) dan BMKG Kalsel/Banjarbaru (KS). Hitung HHMT per tahun dari masing-masing stasiun.

Hitung Faktor Koreksi Fk per Tahun

Fk_SY = Gnd_SY / GPM_B4; Fk_KS = Gnd_KS / GPM_B4. Fk final = rata-rata dari stasiun yang tersedia. Jika data SY tidak valid (tahun 2010: Gnd_SY = 0 mm), gunakan Fk_KS saja.

Terapkan Fk ke GPM Raw

GPM_M4 = GPM_Raw × Fk. Setiap tahun mendapatkan faktor koreksi yang berbeda — ini yang membuat M4 lebih akurat dibandingkan M2 (satu faktor global).

Validasi dengan Metrik Goodness-of-Fit

Hitung R, NSE, KGE, PBIAS, RMSE, MAE untuk membandingkan GPM M4 vs Obs BMKG. Bandingkan dengan threshold SNI 2415:2016 kategori Sangat Baik (SB): NSE ≥ 0.75, KGE ≥ 0.75, |PBIAS| < 10%.

⚠️Metode M4 bersifat year-specific — artinya Fk dikalibrasi untuk periode historis yang sudah ada data BMKG-nya. Untuk proyeksi masa depan, perlu diasumsikan Fk konstan (nilai median atau rata-rata historis) karena tidak ada data ground truth masa depan.

Hasil Visualisasi

📈 Panel 1 — Time Series HHMT Tahunan

Time series HHMT tahunan: GPM Raw (merah solid) vs GPM M4 (navy solid) vs Observasi BMKG (oranye dashed). Label kotak menunjukkan nilai puncak tahun 2021 = 252.2 mm.

Interpretasi Time Series

GPM Raw secara konsisten berada di bawah observasi BMKG sepanjang 28 tahun — mencerminkan bias negatif yang sistematis. Setelah kalibrasi M4, GPM M4 (garis navy) mengikuti pola observasi BMKG dengan sangat baik, termasuk menangkap puncak ekstrem tahun 2021 (252.2 mm) yang berkorelasi dengan banjir besar Banjarmasin Januari 2021.

📊 Panel 2 — Bar Chart Perbandingan Tahunan

Bar chart dengan 3 seri per tahun: GPM Raw (merah), GPM M4 (navy), Obs BMKG (oranye). Terlihat GPM M4 jauh lebih mendekati bar oranye dibanding GPM Raw.

Residual Error per Tahun (GPM − Obs BMKG)

Zona hijau = ±10 mm (toleransi ideal) · GPM M4 hampir selalu di dalam zona hijau

Error GPM Raw

Error GPM M4

Zona ±10 mm

🔵 Panel 3 — Scatter Plot: GPM Raw vs GPM M4 terhadap Observasi BMKG

Kiri: Scatter GPM Raw vs Obs BMKG — titik tersebar jauh dari garis 1:1 (R=0.373). Kanan: Scatter GPM M4 vs Obs BMKG — titik mengikuti garis 1:1 dengan rapat (R=0.900).

🎯Garis putus-putus abu-abu pada scatter plot adalah garis 1:1 (perfect fit). Semakin dekat titik ke garis ini, semakin baik kalibrasi. GPM M4 (kanan) menunjukkan sebaran yang sangat rapat di sekitar garis 1:1 dengan CI band yang sempit — bukti kalibrasi yang sangat berhasil.

Metrik Validasi Statistik

Perbandingan Metrik Goodness-of-Fit — GPM Raw vs GPM M4

Threshold Sangat Baik (SNI 2415:2016 / Moriasi et al. 2007) ditampilkan sebagai garis putus-putus

Metrik	GPM Raw (M0)	GPM M4	Threshold SB	Status M4
R (Korelasi Pearson)	0.373	0.900	≥ 0.75	✅ SB
R² (Koef. Determinasi)	0.139	0.811	≥ 0.75	✅ SB
NSE (Nash-Sutcliffe Eff.)	−1.062	0.772	≥ 0.75	✅ SB
KGE (Kling-Gupta Eff.)	0.206	0.879	≥ 0.75	✅ SB
PBIAS (%)	−31.9%	+3.5%	\|PBIAS\| < 10%	✅ SB
RMSE (mm)	47.44 mm	15.79 mm	Min (↓)	✅ −67%
MAE (mm)	38.72 mm	11.14 mm	Min (↓)	✅ −71%

Tentang NSE (Nash-Sutcliffe Efficiency)

NSE = 1 adalah sempurna. NSE = 0 berarti model sama akuratnya dengan rata-rata observasi. NSE < 0 berarti model lebih buruk dari rata-rata. GPM Raw dengan NSE = −1.06 sangat tidak layak. GPM M4 dengan NSE = 0.77 masuk kategori Sangat Baik.

Tentang KGE (Kling-Gupta Efficiency)

KGE menggabungkan korelasi, bias, dan variabilitas dalam satu metrik. KGE ≥ 0.75 = Sangat Baik. KGE GPM M4 = 0.879 menunjukkan keseimbangan yang baik antara tiga komponen tersebut — model tidak hanya berkorelasi tinggi, tapi juga reproduksi variabilitasnya bagus.

Distribusi Faktor Koreksi (Fk)

Faktor Koreksi Fk per Tahun (Year-Specific Scaling Factor)

Fk = mean(Gnd_SY/GPM_B4, Gnd_KS/GPM_B4) · Garis putus-putus = Median Fk · Garis titik-titik = Fk=1.0 (tidak ada koreksi)

Fk per tahun

Median Fk

Fk = 1.0

Median Fk

1.402

GPM secara rata-rata meremehkan observasi sebesar ~40%. Fk > 1 artinya observasi lebih tinggi dari GPM.

Rentang Fk

Min: 0.842 (2011) — tahun saat GPM justru lebih tinggi
Max: 2.466 (2014) — GPM sangat meremehkan
StDev: ±0.37 (variasi antar tahun tinggi)

Implikasi Fk Tinggi

Tahun dengan Fk > 2.0 (2014, 2020, 2021, 2022, 2023) adalah tahun-tahun dengan curah hujan ekstrem tinggi di Banjarmasin — satelit GPM secara struktural kesulitan menangkap puncak intensitas.

⚠️Variabilitas Fk yang tinggi antar tahun (0.84 – 2.47) menunjukkan bahwa metode koreksi bias tunggal (M2) tidak cukup — justru inilah alasan utama M4 unggul: setiap tahun mendapat koreksi yang sesuai kondisinya.

Kode R — Reproduksi Analisis

Seluruh analisis dikerjakan menggunakan R dengan package ggplot2, patchwork, readxl, dan dplyr. Kode di bawah dapat langsung dijalankan dengan file Excel yang disediakan.

R · Setup & Import Data

library(ggplot2); library(readxl); library(patchwork)
library(scales); library(dplyr); library(tidyr)
library(ggrepel) # label titik scatter plot
# ── Baca data utama dari Excel ───────────────────────────────
xl <- "Input_Plot_GPM_NoWMO.xlsx"
df <- read_excel(xl, sheet = "DATA_UTAMA", skip = 3)
met <- read_excel(xl, sheet = "METRIK_VALIDASI", skip = 3)
# ── Bersihkan nama kolom & konversi tipe data ────────────────
df <- df |>
rename(raw = `GPM_Raw
(mm)`, m4 = `M4_Baru
(mm)`,
obs = `Obs_BMKG
(mm)`, fk = `Fk_Baru
(rata²)`) |>
filter(!is.na(Tahun)) |>
mutate(across(c(Tahun, raw, m4, obs, fk), as.numeric),
tahun = as.integer(Tahun),
err_raw = raw - obs,
err_m4 = m4 - obs)

R · Hitung Faktor Koreksi Fk & Terapkan ke GPM

# ── Data referensi: HHMT dari stasiun BMKG & piksel GPM ─────
# Asumsi: df sudah memiliki kolom gnd_sy, gnd_ks, gpm_b4
df <- df |>
mutate(
# Fk per stasiun = BMKG / GPM_B4 (untuk setiap tahun)
fk_sy = gnd_sy / gpm_b4,
fk_ks = gnd_ks / gpm_b4,
# Fk final = rata-rata stasiun yang tersedia
# Jika salah satu NA (mis. 2010: gnd_sy = 0), gunakan yang ada
fk_m4 = case_when(
is.na(fk_sy) | gnd_sy == 0 ~ fk_ks,
is.na(fk_ks) ~ fk_sy,
.default ~ mean(c(fk_sy, fk_ks))
),
# Terapkan Fk ke GPM Raw piksel B4
gpm_m4 = gpm_b4 * fk_m4
)
# ── Ringkasan statistik ──────────────────────────────────────
cat("Median Fk:", round(median(df$fk_m4, na.rm = TRUE), 3), "
")
cat("Rentang:", round(min(df$fk_m4), 3), "–",
round(max(df$fk_m4), 3), "
")

R · Hitung Metrik Validasi

# ── Fungsi hitung metrik validasi ───────────────────────────
hitung_metrik <- function(sim, obs) {
n <- length(sim)
bias <- sim - obs
R_val <- cor(obs, sim)
NSE <- 1 - sum(bias^2) / sum((obs - mean(obs))^2)
KGE <- 1 - sqrt((R_val-1)^2 +
(sd(sim)/sd(obs)-1)^2 +
(mean(sim)/mean(obs)-1)^2)
PBIAS <- sum(bias) / sum(obs) * 100
RMSE <- sqrt(mean(bias^2))
MAE <- mean(abs(bias))
data.frame(R=R_val, NSE=NSE, KGE=KGE, PBIAS=PBIAS, RMSE=RMSE, MAE=MAE)
}
# ── Bandingkan M0 (Raw) vs M4 ────────────────────────────────
metrik_raw <- hitung_metrik(df$raw, df$obs)
metrik_m4 <- hitung_metrik(df$m4, df$obs)
bind_rows(
mutate(metrik_raw, Metode = "GPM Raw"),
mutate(metrik_m4, Metode = "GPM M4")
) |> select(Metode, R, NSE, KGE, PBIAS, RMSE, MAE)

R · Time Series Plot (Panel 1)

# ── Reshape ke long format untuk ggplot ──────────────────────
df_long <- df |>
select(tahun, raw, m4, obs) |>
pivot_longer(c(raw, m4, obs), names_to = "seri", values_to = "hhmt") |>
mutate(seri = factor(seri,
levels = c("obs", "m4", "raw"),
labels = c("Obs BMKG", "GPM M4 (Koreksi)", "GPM Raw")))
p1 <- ggplot(df_long, aes(x = tahun, y = hhmt,
color = seri, linetype = seri, linewidth = seri)) +
geom_line(na.rm = TRUE) +
geom_point(data = . |> filter(seri == "Obs BMKG"),
size = 1.8, shape = 21) +
geom_label(data = df |> filter(m4 > 200),
aes(x = tahun, y = m4 + 8,
label = paste0(tahun, "
", m4, "mm")),
inherit.aes = FALSE, size = 2.8, color = "#1A5276") +
scale_color_manual(
values = c("Obs BMKG"="#B45309", "GPM M4 (Koreksi)"="#1A5276",
"GPM Raw"="#B91C1C"), name = NULL) +
scale_linetype_manual(
values = c("Obs BMKG"="dashed", "GPM M4 (Koreksi)"="solid",
"GPM Raw"="solid"), name = NULL) +
scale_y_continuous(
limits = c(0, 280),
labels = function(x) paste0(x, " mm")) +
labs(
title = "Time Series HHMT Tahunan",
subtitle = "GPM Raw vs GPM M4 vs Observasi BMKG | 1998–2025",
x = NULL, y = "HHMT (mm)",
caption = "Sumber: GPM IMERG V07 (NASA) | BMKG Syamsuddin Noor + BMKG Kalsel"
) +
theme_minimal(base_size = 11) +
theme(plot.title = element_text(face = "bold"))
# ── Scatter Plot: M4 vs Obs ───────────────────────────────────
p_scatter <- ggplot(df, aes(x = obs, y = m4)) +
geom_abline(slope = 1, intercept = 0,
linetype = "dashed", color = "#94A3B8") +
geom_point(color = "#1A5276", size = 3, shape = 21) +
ggrepel::geom_text_repel(aes(label = tahun),
size = 2.5, color = "#475569") +
geom_smooth(method = "lm", se = TRUE,
color = "#1A5276", fill = "#1A527622") +
coord_equal() +
labs(title = "Scatter: GPM M4 vs Obs BMKG",
x = "Observasi BMKG (mm)", y = "GPM M4 (mm)")
# ── Gabung & simpan ──────────────────────────────────────────
fig_final <- p1 / p_scatter +
plot_annotation(
title = "Koreksi Bias GPM IMERG V07 — WPG Banjarmasin",
caption = "SNI 2415:2016 | Teutschbein & Seibert (2012)")
ggsave("hasil_kalibrasi_gpm.png", fig_final,
width = 36, height = 30, units = "cm", dpi = 300)

Kesimpulan

Ringkasan Hasil

✓

GPM Raw tidak layak digunakan langsung

PBIAS = −31.9% dan NSE = −1.06 mengonfirmasi bahwa data mentah GPM IMERG secara sistematis meremehkan HHMT di wilayah Banjarmasin sebesar ~32% — tidak memenuhi threshold SNI 2415:2016 untuk analisis hidrologi desain.

✓

Metode M4 (Year-Specific Scaling) adalah yang terbaik

Dibandingkan M1 (CF bulanan), M2 (direct scaling), dan M3 (quantile mapping), metode M4 menghasilkan metrik terbaik karena Fk dikalibrasi unik per tahun dari rata-rata dua stasiun BMKG — menangkap variabilitas antar tahun yang signifikan.

✓

Semua metrik validasi masuk kategori Sangat Baik

Setelah kalibrasi M4: R=0.900, NSE=0.772, KGE=0.879, PBIAS=+3.5%, RMSE=15.8 mm. Semua nilai melampaui threshold Sangat Baik (SB) menurut Moriasi et al. (2007) dan SNI 2415:2016.

✓

Aplikasi praktis: data GPM M4 layak untuk analisis frekuensi

Dengan kualitas data yang sudah masuk SB, GPM M4 dapat digunakan sebagai data curah hujan dalam analisis frekuensi (menghitung return period 25, 50, 100 tahun) untuk desain bangunan air di wilayah yang tidak memiliki stasiun observasi.

Referensi Utama

📚 Moriasi et al. (2007) — Model Evaluation Guidelines
📚 Teutschbein & Seibert (2012) — Bias Correction Methods
📚 Knoben et al. (2019) — KGE Commentary
📚 SNI 2415:2016 — Tata Cara Perhitungan Debit Banjir Rencana
🛰️ NASA GPM IMERG V07 Final Run
🌧️ BMKG Stasiun Syamsuddin Noor & BMKG Kalsel

Keterbatasan & Pengembangan

⚠️ Fk bersifat historis — proyeksi masa depan asumsi Fk = median
⚠️ Hanya 2 stasiun BMKG — wilayah DAS besar butuh lebih banyak
⚠️ Koreksi bias pada level HHMT — bukan distribusi harian penuh
🔭 Pengembangan: uji pada stasiun lain & periode lebih panjang
🔭 Kombinasikan M4 dengan M3 (Quantile Mapping) untuk distribusi

Ada pertanyaan tentang kalibrasi data GPM?

Diskusi metodologi, data, atau implementasi di proyekmu

Hubungi saya →