data hujan | Irpan Chumaedi

Rekap & Visualisasi Data Hujan dengan Excel

Mon, 18 May 2026 00:00:00 +0000

🔽Download data hujan Sta. Cemara, Bandung 2000-2025.

Rekap & Visualisasi Data Hujan dengan R & ggplot2

Mon, 18 May 2026 00:00:00 +0000

🔽Download data hujan Sta. Cemara, Bandung 2000-2025.

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.

Download Data Hujan GPM IMERG dengan NASA Giovanni

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

Mengapa GPM IMERG?

Ketika data stasiun hujan BMKG tidak tersedia atau tidak mencukupi untuk area studi kamu, GPM IMERG adalah solusi terbaik yang tersedia secara gratis. GPM (Global Precipitation Measurement) adalah misi satelit bersama NASA dan JAXA yang menghasilkan estimasi curah hujan global setiap 30 menit dengan resolusi spasial 0.1° × 0.1° (~11 km di ekuator).

Keunggulan GPM IMERG:

✅ Cakupan global termasuk seluruh wilayah Indonesia
✅ Data historis tersedia sejak Juni 1998 (hampir 27 tahun)
✅ Gratis tanpa registrasi berbayar
✅ Tersedia dalam resolusi waktu 30 menit, harian, dan bulanan
✅ Produk Final Run sudah dikoreksi dengan data gauge (stasiun hujan)

Keterbatasan yang perlu diketahui:

❌ Bukan pengukuran langsung — tetap ada bias, terutama di area pegunungan
❌ Resolusi spasial ~11 km mungkin kurang detail untuk DAS kecil (<50 km²)
❌ Memerlukan validasi dengan data stasiun sebelum digunakan untuk desain

Mengenal Produk GPM IMERG

Sebelum download, penting memahami tiga varian produk IMERG:

Produk	Latensi	Koreksi Gauge	Rekomendasi Penggunaan
Early Run	~4 jam	❌ Tidak	Monitoring banjir real-time
Late Run	~12 jam	Sebagian	Operasional jangka pendek
Final Run	~3.5 bulan	✅ Ya	Studi hidrologi & AMDAL ✓

Untuk keperluan AMDAL, kajian hidrologi, dan HEC-HMS → selalu gunakan Final Run (V07B).

Platform Download: NASA Giovanni

NASA Giovanni (Geospatial Interactive Online Visualization ANd aNalysis) adalah antarmuka web resmi NASA untuk eksplorasi dan download data geosains termasuk GPM IMERG.

🔗 URL: https://giovanni.gsfc.nasa.gov/giovanni/

Giovanni memungkinkan kamu mengunduh data dalam format NetCDF atau ASCII langsung dari browser — tanpa perlu coding atau command line.

Langkah-Langkah Download GPM IMERG di Giovanni

Buka https://giovanni.gsfc.nasa.gov/giovanni/
Klik Sign In di pojok kanan atas
Gunakan akun NASA Earthdata (gratis). Jika belum punya, daftar di https://urs.earthdata.nasa.gov/

Tips: Pastikan kamu sudah mengaktifkan aplikasi Giovanni di profil Earthdata kamu. Masuk ke profil Earthdata → Applications → Authorized Apps → cari dan authorize Giovanni.

Langkah 2: Pilih Tipe Analisis

Di panel kiri atas, pilih tipe visualisasi/output yang diinginkan:

Time Series, Area Averaged → untuk mendapatkan satu nilai rata-rata area per waktu (paling umum untuk hidrologi)
Map, Averaged → untuk melihat distribusi spasial rata-rata
Time Averaged Map → peta rata-rata untuk periode tertentu

Untuk download data deret waktu (time series) curah hujan harian ke R atau Excel → pilih “Time Series, Area Averaged”.

Langkah 3: Pilih Variabel Data

Di kotak pencarian variabel, ketik: IMERG precipitation

Dari hasil pencarian, pilih:

GPM IMERG Final Precipitation L3 1 day 0.1 degree x 0.1 degree V07
Variable: precipitation

Nama lengkap: GPM_3IMERGDF_07/precipitation

Klik [+] atau Add untuk menambahkan variabel ke daftar aktif.

Catatan: Produk dengan label “F” (Final), “D” (Daily) adalah yang kita gunakan. Hindari produk Early (“E”) atau Late (“L”) untuk studi historis.

Langkah 4: Tentukan Rentang Waktu

Di panel Date Range, masukkan periode analisis:

Start Date: Sesuaikan kebutuhan (misal: 2000-01-01 atau 1998-06-01 untuk data paling awal)
End Date: Tanggal terakhir yang diinginkan

Untuk studi AMDAL: Minimal 10 tahun data. Disarankan mengambil 20 tahun untuk analisis frekuensi yang representatif.

Langkah 5: Tentukan Area Studi (Bounding Box)

Di panel Bounding Box, masukkan koordinat area studi dalam format:

West | South | East | North

Contoh untuk beberapa kota di Indonesia:

Lokasi	West	South	East	North
Banjarmasin	114.0	-3.8	115.0	-3.0
Pulau Obi (Maluku Utara)	127.3	-1.8	128.1	-1.2
Kutai Barat (Kaltim)	114.5	-0.5	115.5	0.5
Bandung	107.3	-7.2	107.8	-6.7

Tips: Gunakan Google Maps atau QGIS untuk mendapatkan koordinat bounding box area DAS kamu secara akurat. Tambahkan buffer ~0.5° dari batas DAS untuk memastikan cakupan penuh.

Langkah 6: Jalankan Analisis

Klik tombol “Plot and Download” (tombol hijau di bawah panel kiri).

Giovanni akan memproses permintaan dan menampilkan:

Grafik time series interaktif di panel kanan
Informasi metadata variabel

Proses ini bisa memakan waktu beberapa menit tergantung panjang periode yang diminta.

Langkah 7: Download Data

Setelah grafik muncul:

Scroll ke bawah grafik, cari tombol “Download” atau ikon unduh
Pilih format file:
- NetCDF (.nc4) → untuk analisis lanjutan di R atau Python
- ASCII (.csv / .txt) → langsung bisa dibuka di Excel

Rekomendasi: Download dalam format ASCII jika hanya butuh time series untuk Excel atau R. Download NetCDF jika butuh data grid spasial untuk pemetaan di QGIS.

Alternatif: Download via NASA GES DISC (Data Lebih Lengkap)

Untuk download dalam jumlah besar atau format file-per-hari (granule), gunakan NASA GES DISC:

🔗 https://disc.gsfc.nasa.gov/datasets/GPM_3IMERGDF_07/summary

Metode download via GES DISC:

Cari dataset GPM_3IMERGDF_07
Klik “Online Archive”
Navigasi ke folder tahun/bulan yang diinginkan
Download file .HDF5 atau gunakan wget script yang disediakan

Struktur Data yang Diunduh (Format ASCII)

Data time series dari Giovanni akan terlihat seperti ini:

# Units: mm/day
# Variable: GPM IMERG Final Precipitation
# Bounding Box: W=114.0, S=-3.8, E=115.0, N=-3.0
# Start: 2000-01-01, End: 2024-12-31
time, precipitation
2000-01-01, 8.45
2000-01-02, 0.12
2000-01-03, 15.73
...

Kolom pertama adalah tanggal, kolom kedua adalah curah hujan dalam satuan mm/hari.

Langkah Selanjutnya

Setelah data berhasil diunduh, langkah berikutnya adalah:

Rekap & Visualisasi → Susun data ke Excel atau proses dengan R
Validasi → Bandingkan dengan data stasiun BMKG terdekat (jika tersedia)
Analisis Frekuensi → Hitung curah hujan rencana untuk berbagai kala ulang

Lihat tutorial selanjutnya: Visualisasi Data Hujan dengan R & ggplot2 untuk mengolah data GPM IMERG yang sudah diunduh.

Referensi

Huffman, G.J., et al. (2023). GPM IMERG Final Precipitation L3 1 day 0.1 degree x 0.1 degree V07. Goddard Earth Sciences Data and Information Services Center (GES DISC). https://doi.org/10.5067/GPM/IMERGDF/DAY/07
NASA Giovanni: https://giovanni.gsfc.nasa.gov/giovanni/
NASA GES DISC: https://disc.gsfc.nasa.gov/

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)

data hujan | Irpan Chumaedi

Rekap & Visualisasi Data Hujan dengan Excel

Rekap & Visualisasi Data Hujan dengan R & ggplot2

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

Data BMKG sebagai Referensi Utama

Cara Mengakses Data BMKG

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

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

Memahami Format Data BMKG

Identifikasi dan Penanganan Data Hilang (Missing Data)

Langkah 1: Hitung Persentase Data Hilang

Langkah 2: Strategi Imputasi Data Hilang

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

Metode 2: Inverse Distance Weighting (IDW) antar Stasiun

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

Validasi Kualitas Data Akhir

Kesimpulan: Kapan Gunakan Data BMKG vs GPM IMERG?

Referensi

Download Data Hujan GPM IMERG dengan NASA Giovanni

Mengapa GPM IMERG?

Mengenal Produk GPM IMERG

Platform Download: NASA Giovanni

Langkah-Langkah Download GPM IMERG di Giovanni

Langkah 1: Buka Giovanni dan Login

Langkah 2: Pilih Tipe Analisis

Langkah 3: Pilih Variabel Data

Langkah 4: Tentukan Rentang Waktu

Langkah 5: Tentukan Area Studi (Bounding Box)

Langkah 6: Jalankan Analisis

Langkah 7: Download Data

Alternatif: Download via NASA GES DISC (Data Lebih Lengkap)

Struktur Data yang Diunduh (Format ASCII)

Langkah Selanjutnya

Referensi

Keterbatasan Data Hujan Pos dan Alternatif GPM IMERG

1. Sebaran Stasiun Hujan BMKG

2. Kerapatan Stasiun vs Standar WMO

3. GPM IMERG sebagai Alternatif

4. Validasi GPM IMERG — Interaktif

Kesimpulan