1. Pendahuluan
Pengamatan unsur cuaca/ iklim sangat penting untuk mendukung aktivitas manusia
sehari-hari. Hasil dari pengamatan unsur cuaca/iklim digunakan untuk mengetahui kondisi cuaca
sesaat, prakiraan cuaca, analisis iklim hingga identifikasi perubahan hidrometeorologi dalam
durasi tertentu. Seiring dengan perkembangan zaman, kemajuan dalam pengukuran unsur
cuaca/iklim juga mengalami kemajuan. Diantara kemajuan dalam pengukuran unsur cuaca/iklim
ialah penggunaan alat otomatis. Salah satunya adalah otomatisasi pengukuran unsur-unsur cuaca
menggunakan Automatic Weather Station (AWS). AWS adalah instrumen yang mengukur dan
merekam unsur cuaca secara otomatis. AWS terdiri dari beberapa komponen, diantaranya yaitu
data logger, sistem komunikasi, sistem catu daya, display, dan sensor untuk mengukur unsur
cuaca. Sensor-sensor yang digunakan antara lain sensor curah hujan, temperatur udara, tekanan
udara, dan kelembapan. Dalam penerapannya, data AWS dengan kesesuaian yang baik dapat
digunakan sebagai bahan prakiraan, identifikasi karakteristik unsur secara spasial dan lain-lain
(Min, Wang, & Jia, 2018; Yang, Ren, Hou, & Liu, 2013).
Pengukuran AWS memiliki penyimpangan terhadap data konvensional (Fitri, 2021).
Beberapa penelitian menunjukkan kemampuan yang bervariasi dari hasil pengukuran oleh sensor
AWS di berbagai tempat dalam merepresentasikan data alat konvensional (Zukhrufiana, Soraya,
Siswanto, & Wandayantolis, 2019; Wibawanty, Wandayantolis, & Ishak, 2022; Min, Wang, & Jia,
2018; Beele, Reyniers, Aerts, & Somers, 2022), sehingga tetap dibutuhkan pengamatan paralel
dan kendali mutu pengukuran AWS sebagai evaluasi untuk menjaga kualitas data. Kendali mutu
dilakukan dengan membandingkan data AWS dengan data dari alat konvensional. Kendali mutu
dan kontrol data merupakan proses yang penting dalam transisi menuju otomatisasi
pengamatan. Kendali mutu bertujuan untuk mengetahui seberapa besar error dan kesesuaian
pola dari data AWS dan konvensional.
Menurut World Meteorological Organization (WMO), kendali mutu bertujuan untuk
mengetahui dan menilai performa data luaran AWS serta sebagai uji kelayakan pengunaan data.
Dalam hal ini, BMKG, khususnya Stasiun Klimatologi Kelas II Banten, mendukung WMO dalam
upaya peningkatan kuantitas dan kualitas data observasi guna menghasilkan informasi
meteorologi, klimatologi, dan geofisika yang cepat, tepat, akurat serta mudah dipahami dengan
melakukan analisis perbandingan data AWS dengan data observasi.
2.2 Metode
Dalam penelitian ini, metode yang digunakan dalam membandingkan data AWS dengan alat
konvensional diantaranya korelasi Pearson, Root Mean Square Error (RMSE), Ratio Standard
Deviation (RSTD) dan scatter plot.
96%
94% 97%
Suhu Udara Minimum Kelembaban Nisbi Udara Tekanan Udara QFE harian
harian harian
5%
5% 6%
95%
95% 94%
Gambar 1 Ketersediaan data unsur cuaca pada AWS harian tahun 2022
3.3 RMSE
RMSE data AWS terhadap data alat konvensional ditunjukkan pada gambar 3. Berbeda
dengan koefisien korelasi, RMSE rata-rata terkecil terjadi pada suhu udara mínimum harian
dengan rentang 0,4 sampai 1,1 dan RMSE rata-rata terbesar terjadi pada kelembaban nisbi
udara harian dengan rentang 4,5 sampai 12,5. Secara umum, setelah adanya kalibrasi AWS
pada April, RMSE cenderung lebih kecil kecuali pada kelembaban nisbi udara harian yang
RMSEnya cenderung tinggi sejak Juli hingga Desember.
3.4 RSTD
RSTD data AWS dengan data alat konvensional ditunjukkan pada gambar 4. RSTD rata-
rata yang paling mendekati 1 terjadi pada cura hujan harian dengan rentang 0,86 sampai
1,10 dan tertinggi pada kelembaban nisbi udara harian 1,08 sampai 2,74. Secara umum,
setelah adanya kalibrasi AWS pada April, RSTD menunjukkan nilai yang semakin mendekati 1
kecuali pada suhu udara maksimum harian yang melonjak cukup tinggi pada Oktober dan
kelembaban nisbi udara harian yang RSTDnya masih cukup besar sejak Juli hingga Desember,
terutama pada Oktober. Berdasarkan sebaran pada gambar 4 diketahui juga secara umum
hasil pengkuran AWS sebagian RSTD >1, hal ini menunjukkan sebagian besar rentang data
AWS lebih besar daripada alat konvensional.
Konvensional
Konvensional
Konvensional
80 80 80
60 60 60
40 40 40
y = 1.005x - 0.015
20 20 20
y = 1.057x - 0.057 y = 1.018x - 0.171
0 0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
AWS AWS AWS
Konvensional
Konvensional
80 80 80
60 60 60
40 40 40
y = 0.994x + 0.638 y = 0.955x - 0.030
y = 0.992x + 0.046
20 20 20
0 0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
AWS AWS AWS
Konvensional
Konvensional
80 80 80
60 60 60
40 40 40
y = 1.015x - 0.009 y = 0.986x - 0.044 y = 1.027x - 0.271
20 20 20
0 0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
AWS AWS AWS
y = 0.983x + 0.026
120 120 120
Konvensional
Konvensional
80 80 80
60 60 60
40 40 40
y = 0.986x - 0.064
y = 0.959x + 0.140
20 20 20
0 0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
AWS AWS AWS
Gambar 5 Scatter plot curah hujan harian antara AWS terhadap alat konvensional
Scatter plot suhu udara rata-rata antara data AWS dengan data alat konvensional
ditunjukkan pada gambar 6. Berdasarkan gambar 6 diketahui Januari hingga April sebaran
data menyimpang cukup jauh terhadap garis diagonal, namun pada Mei hingga Desember
sebaran data lebih mendekati garis diagonal. Hal ini juga ditunjukkan pada garis linear yang
pada Januari, Maret, April dan Oktober yang cukup menyimpang serta slope dan konstanta
yang cukup jauh dari nilai 1.
Gambar 6 Scatter plot suhu udara rata-rata harian antara AWS terhadap alat konvensional
JAN FEB MAR
36.0 36.0 36.0
y = -0.043x + 33.50
y = 0.231x + 25.23
34.0 34.0 34.0
Konvensional
Konvensional
Konvensional
30.0 30.0 30.0
Konvensional
Konvensional
y = 0.722x + 8.411
30.0 30.0 30.0
Konvensional
Konvensional
Konvensional
Konvensional
Gambar 7 Scatter plot suhu udara maksimum harian antara AWS terhadap alat konvensional
Gambar 7 menunjukkan scatter plot suhu udara maksimum harian antara data AWS
dengan data alat konvensional. Berdasarkan sebaran data pada gambar 7, pada Januari
hingga Maret data AWS undervalues terhadap data alat konvensional dengan sebaran yang
cukup jauh dari garis diagonal serta selisih slope yang cukup jauh dari 1 dan konstanta yang
besar. Jika dicermati lebih lanjut, data suhu udara maksimum harian dari AWS ini memiliki
nilai yang dicurigai karena banyak yang nilainya di bawah suhu udara rata-rata. Pada Mei
hingga Desember, sebagian besar sebaran sedikit di bawah garis diagonal dan termasuk
overvalues dengan slope yang mendekati 1.
26 26 26
y = 0.708x + 6.981 y = 0.473x + 12.74
y = 0.877x + 2.784
25 25 25
Konvensional
Konvensional
Konvensional
24 24 24
23 23 23
22 22 22
21 21 21
21 22 23 24 25 26 27 21 22 23 24 25 26 27 21 22 23 24 25 26 27
AWS AWS AWS
26 26 26
25 25 25
Konvensional
Konvensional
Konvensional
24 24 24
22 22 22
21 21 21
21 22 23 24 25 26 27 21 22 23 24 25 26 27 21 22 23 24 25 26 27
AWS AWS AWS
y = 0.801x + 5.243
26 26 26
y = 0.448x + 13.75 y = 0.861x + 3.822
25 25 25
Konvensional
Konvensional
Konvensional
24 24 24
23 23 23
22 22 22
21 21 21
21 22 23 24 25 26 27 21 22 23 24 25 26 27 21 22 23 24 25 26 27
AWS AWS AWS
26 26 26
25 25 25
Konvensional
Konvensional
Konvensional
24 24 24
22 22 22
21 21 21
21 22 23 24 25 26 27 21 22 23 24 25 26 27 21 22 23 24 25 26 27
AWS AWS AWS
Gambar 8 Scatter plot suhu udara minimum harian antara AWS terhadap alat konvensional
Scatter plot suhu udara minimum harian antara data hasil pegukuran AWS terhadap alat
konvensional ditunjukkan pada gambar 8. Secara umum, sebaran data tidak berpusat pada
garis diagonal dan slope yang fluktuatif terhadap 1, namun sebagian sedikit undervalues. Hal
ini menunjukkan perlu adanya fitting pada sensor AWS sehingga data AWS akan lebih sesuai.
Konvensional
Konvensional
Konvensional
60 60 60
40 40 40
20 20 20
0 0 0
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
AWS AWS AWS
y = 0.721x + 25.46
80 y = -0.233x + 101 80 80
Konvensional
Konvensional
Konvensional
60 60 60
40 40 40
20 20 20
0 0 0
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
AWS AWS AWS
Konvensional
Konvensional
60 60 60
40 40 40
20 20 20
0 0 0
0 20 40 60 80 100 0 20 40 60 80 100 0 20 40 60 80 100
AWS AWS AWS
NOV DES
100 100
y = 0.515x + 45.61 y = 0.700x + 32.45
80 80
Konvensional
Konvensional
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
AWS AWS
Gambar 9 Scatter plot kelembaban nisbi udara harian antara AWS terhadap alat konvensional
Scatter plot kelembaban nisbi udara harian antara data hasil pegukuran AWS terhadap
alat konvensional ditunjukkan pada gambar 9. Hampir sepanjang tahun, kecuali April, garis
linear hampir sejajar dengan garis diagonal. Pada April, garis linear berlawanan arah
terhadap garis diagonal. Sebagian besar data AWS undervalues terhadap data alt
konvensional.
Konvensional
1008 1008
Konvensional
Konvensional
1006 1006 1006
Konvensional
Konvensional
y = 0.967x + 33.34
Konvensional
Konvensional
y = 0.995x + 5.170
Konvensional
Konvensional
y = 1.013x - 12.82
Gambar 10 Scatter plot tekanan udara QFE harian antara AWS terhadap alat konvensional
Scatter plot tekanan udara QFE harian antara data hasil pegukuran AWS terhadap alat
konvensional ditunjukkan pada gambar 10. Berdasarkan gambar 10, dapat diketahui bahwa
pada Januari hingga April sebaran data cenderung memiliki pola tertentu dimana nilai AWS
nyaris tetap dengan rentang yang rendah. Hal tersebut menunjukkan adanya masalah pada
AWS. Pada Mei hingga Agustus hal tersebut tidak lagi terjadi, garis linear berhimpit dengan
garis diagonal yang ditandai juga dengan slope yang mendekati 1 dan konstanta yang
mendekati 0. Pada September, sebaran data sedikit acak dengan kecenderungan overvalues
dan garis linear yang tidak sejajar dengan dengan garis diagonal serta nilai slope yang cukup
jauh dari 1. Oktober hingga Desember memiliki pola yang mirip dengan Mei hingga Agustus.
4. Kesimpulan
Secara umum, tiap unsur memiliki kesesuaian dan karakteristik yang bervariasi dari analisis
korelasi pearson, RMSE, RSTD dan scatter plot. Umumnya, kesesuaian yang rendah dari beberapa
analisis pada Januari hingga April, dan pada Mei hingga Desember menunjukkan kesesuaian yang
lebih tinggi. Scatter plot pada tiap unsur memiliki karakter yang bervariasi yang secara umum
memiliki kesesuaian yang cukup baik hingga sangat baik berdasarkan sebaran, garis, slope dan
konstanta dari persamaan regresi linear, terutama pada unsur curah hujan harian. Suhu udara
rata-rata harian, suhu udara maksimum harian dan tekanan udara QFE harian memiliki
kesesuaian yang rendah pada Januari hingga April dan kesesuaian yang baik pada Mei hingga
Desember. Suhu udara minimum harian dan kelembaban nisbi udara harian memiliki keseuaian
yang lebih acak dan ada kecenderungan undervalues yang diukur oleh AWS. Kalibrasi data AWS
yang dilakukan pada 12 April memberikan performa yang lebih baik dalam pengukuran nilai
unsur.
DAFTAR PUSTAKA
Beele, E., Reyniers, M., Aerts, R., & Somers, B. (2022). Quality control and correction method for air
temperature data from a citizen science weather station network in Leuven, Belgium. Earth System
Science Data , 4681-4717.
Fitri, H. T. (2021). Validasi Data Pengamatan Pararel : Automatic Weather. Buletin GAW Bariri , 79-
87.
Min, J., Wang, C., & Jia, R. (2018). Quality control and result analysis for surface AWS data in Jiangsu
and Anhui Provinces. Transaction of Atmospheric Sciences , 637-646.
Wibawanty, D., Wandayantolis, & Ishak. (2022). Verifikasi Kinerja Alat Automatic Weather System
(AWS) dan Termometer Digital terhadap Observasi Manual di Stasiun Klimatologi Palembang. JRST ,
151-163.
Yang, P., Ren, G., Hou, W., & Liu, W. (2013). Spatial and diurnal characteristics of summer rainfall
over Beijing Municipality based on a high-density AWS dataset. International Journal of Climatology ,
2769-2780.
Zahumenský, I. (2004). Guidelines on quality control procedures for data from automatic weather
stations. World Meteorological Organization, Switzerland , 2-6.
Zukhrufiana, F., Soraya, S. F., Siswanto, & Wandayantolis. (2019). Analisis Bias Data Observasi Paralel
di Stasiun Klimatologi Mempawah-Kalimantan Barat. Jurnal Meteorologi dan Geofisika , 55-65.