ANALISIS PENGAMATAN KLIMATOLOGI SECARA PARALEL ANTARA

ALAT KONVENSIONAL DAN ALAT OTOMATIS(AWS) DI STASIUN

KLIMATOLOGI KELAS II BANTEN

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. Data dan Metode

2.1 Data
Data yang digunakan adalah data hasil pengamatan otomatis dari alat AWS serta data
alat konvensional dari alat-alat manual dan otomatis di Stasiun Klimatologi Banten Bulan
Januari-Desember tahun 2022. Data manual dan otomatis yang dianggap sebagai data
konvensional diantaranya penakar hujan ombrometer, termometer bola kering, termometer
bola basah, termometer maksimum, termometer minimum dan barometer digital. Berbeda
dengan alat yang telah terinstalasi dengan AWS yang sensornya terletak di luar ruangan,
barometer digital dipasang di ruangan khusus dengan sensor yang terletak di dalam ruangan
sebagaimana barometer konvensional. Barometer digital ini telah dilakukan analisis parallel
 dengan kesesuaian yang tinggi. Selanjutnya pengukuran barometer ini dianggap sebagai
pengukuran alat konvensional.
Data unsur cuaca dari pengukuran alat otomatis AWS dibandingkan dengan alat
konvensional. Adapun parameter cuaca yang dibandingkan adalah curah hujan, suhu udara
rata-rata harian, suhu udara maksimum absolut harian, suhu udara minimum absolut harian,
tekanan udara permukaan harian dan kelembaban udara rata-rata harian.
Data-data diukur dengan beberapa ketentuan sesuai dengan jenis data. Data curah
hujan yang digunakan adalah akumulasi curah hujan dalam 1 hari (24 jam) sejak jam 07.00
Waktu setempat (WS) hari sebelumnya hingga 07.00 WS hari pencatatan. Data suhu udara
maksimum absolut harian yang digunakan adalah data hasil pengukuran termometer
maksimum yang diukur pada jam 19.00 WS. Data suhu udara minimum absolute harian yang
digunakan adalah data hasil pengukuran termometer minimum yang diukur pada jam 07.00
WS. Data tekanan udara permukaan harian yang digunakan adalah data hasil pengukuran
tekanan udara permukaan (QFE) yang diukur pada jam 07.00 WS. Data suhu udara rata-rata
harian dan data kelembaban udara rata-rata harian yang digunakan adalah data hasil
pengukuran suhu udara dan kelembaban udara yang diukur pada jam 07.00 WS, 13.00 WS
dan 18.00 WS yang dihitung menggunakan persamaan pada formulir data iklim (fklim).
AWS di Stasiun Klimatologi Banten merupakan produk keluaran Campbell scientific
dengan sensor suhu Vaisala, barometer Young seri BPA12585, rain gauge merk hydrological
service model TB4. Resolusi data keluaran sensor suhu adalah 0,1 °C sedangkan sensor hujan
0,2 mm. Kalibrasi terakhir AWS di Staklim Banten dilakukan pada tanggal 12 April 2022.

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.

2.2.1 Korelasi Pearson

Korelasi Pearson digunakan untuk menentukan kemiripan hubungan antara data AWS
dan data hasil pengamatan konvensional. Hasil korelasi Pearson disebut juga koefisien
korelasi dengan besaran antara -1 dan 1. Semakin mendekati 1, koefisien korelasi
menunjukkan semakin besar dua variabel searah, sebaliknya semakin mendekati -1
keterkaitannya semakin besar namun berlawanan arah dan semakin mendekati 0
kemiripan pola semakin kecil. Korelasi Pearson dihitung sesuai dengan persamaan 1.
𝑛 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
𝑟= (1)
√{𝑛 ∑ 𝑥 2 −(∑ 𝑥)2 }{𝑛 ∑ 𝑦 2 −(∑ 𝑦)2 }
Keterangan:
𝑛 adalah Panjang data 𝑥 dan 𝑦
𝑥 adalah data pengamatan otomatis (AWS)
𝑦 adalah data pengamatan konvensional

2.2.2 Root Mean Square Error (RMSE)

RMSE metupakan metode yang digunakan untuk menganalisis selisih rata-rata dari dua
variabel. RMSE dihitung sesuai dengan persamaan 2.
∑𝑛
𝑖=1(𝑥−𝑦 )
2
𝑅𝑀𝑆𝐸 = √ (2)
𝑛
Keterangan :
 𝑥 adalah data pengamatan otomatis (AWS)
𝑦 adalah data pengamatan konvensional

2.2.3 Ratio Standard Deviation (RSTD)

RSTD digunakan untuk membandingkan simpangan rata-rata (Standar deviasi) dari dua
variabel data. RSTD dihitung sesuai dengan persamaan 3. Berdasarkan persamaan 3,
diketahui jika RSTD ideal sebesar 1 maka standar deviasi data AWS sama dengan standar
deviasi data alat konvensional, jika RSTD >1 maka standar deviasi data AWS lebih besar
dari standar deviasi data alat konvensional.
∑ 𝑛(𝑥−𝑥
̅) 2
√ 𝑖=1
𝑛
𝑅𝑆𝑇𝐷 = ∑ 𝑛 ̅ )2
(𝑦−𝑦
(3)
√ 𝑖=1
𝑛
Keterangan :
𝑥 adalah data AWS
𝑥̅ adalah rata-rata data AWS
𝑦 adalah data alat konvensional
𝑦̅ adalah rata-rata data alat konvensional

2.2.4 Scatter Plot

Scatter Plot disini dilakukan untuk mengamati sebaran dan ketepatan data antara data
AWS dengan data konvensional secara visual. Scatter plot dengan rentang yang sama
pada variabel yang sama dapat memberikan gambaran suatu hubungan data, seperti
linear, eksponensial dan lain sebagainya. Analisis dengan scatter plot dapat memberikan
penilaian data AWS, seperti data AWS yang lebih rendah dari data alat konvensional
(undervalues) atau data AWS yang lebih tinggi dari data alat konvensional (overvalues).
Informasi data AWS undervalues dan overvalues dapat memberikan gambaran umum
penyesuaian data yang harus dilakukan. Scatter plot pada penelitian ini dilengkapi garis
linear antar 2 pengukuran dan persamaannya.

3. Hasil dan Pembahasan

3.1 Ketersediaan Data AWS
Ketersediaan data unsur cuaca AWS harian pada tahun 2022 ditunjukkan pada Gambar
1. Data AWS harian tahun 2022 menunjukkan ketersedian yang tinggi, yaitu di atas 90%.
Ketersediaan data yang baik dapat mendukung kelengkapan data, termasuk untuk Stasiun
Klimatologi Banten. Namun demikian, kelengkapan data AWS mencapai 100% tetap
diperlukan mengingat missing data alat konvensional yang tidak pasti waktunya. Selain itu,
perlu adanya uji dan kendali mutu lebih lanjut data AWS.
Berdasarkan penilaian yang diklasifikasikan oleh Zahumenský (2004), data yang
dihasilkan oleh AWS di Stasiun Klimatologi Banten meliputi Plausible value check, Time
consistency check, dan Internal consistency check. Pada nilai tertentu, data yang tidak sesuai
tidak dapat digunakan. Beberapa unsur memiliki nilai yang baik dan wajar, sedangkan
beberapa unsur lainnya diperlukan analisis lebih lanjut, kalibrasi, koreksi dan/atau tidak
dapat digunakan. Detail informasi unsur yang dimaksud dijelaskan dalam subbab 3.2, 3.3, 3.4
dan 3.5.
 Curah Hujan harian Suhu Udara Rata-Rata Suhu Udara Maksimum
harian harian
4% 3%
6%

Ketersediaan data Ketersediaan data Ketersediaan data

Missing data Missing data Missing data

96%
94% 97%

Suhu Udara Minimum Kelembaban Nisbi Udara Tekanan Udara QFE harian
harian harian
5%
5% 6%

Ketersediaan data Ketersediaan data Ketersediaan data

Missing data Missing data Missing data

95%
95% 94%

Gambar 1 Ketersediaan data unsur cuaca pada AWS harian tahun 2022

3.2 Korelasi Pearson

Korelasi Pearson tiap unsur cuaca data AWS dan konvensional tahun 2022 ditunjukkan
pada gambar 2. Berdasarkan gambar 2 diketahui bahwa curah hujan harian memiliki
kemiripan yang secara konsisten paling baik dengan koefisien korelasi sepanjang tahun
>0,97. Suhu udara rata-rata harian memiliki hasil koefisien korelasi yang tidak konsisten,
dimana pada bulan Februari, Mei, Juni, Juli, Agustus, September, November dan Desember
koefisien korelasinya ≥0,9 dan pada bulan lain koefisien korelasinya <0,4. Rentang koefisien
korelasi tersebut cukup besar. Koefisien korelasi suhu udara maksimum harian secara umum
rendah, yaitu <0,4 pada Januari-April dan >0,85 pada bulan lainnya. Koefisien korelasi suhu
udara minimum harian pada Januari sebesar 0,78 dan menurun secara konsisten hingga
April, kemudian meningkat lagi pada Mei hingga Desember dengan koefisien korelasi >0,75
kecuali pada Juni. Koefisien korelasi kelembaban nisbi udara harian cenderung fluktuatif
namun secara umum cukup baik sepanjang tahun, yaitu >0,6 kecuali pada April yang bernilai
negatif. Koefisien korelasi tekanan udara QFE pada Januari hingga Maret rendah, sedangkan
April hingga Desember cukup baik.
Koefisien korelasi suhu udara rata-rata harian, suhu udara maksimum harian,
kelembaban nisbi udara harian dan tekanan udara QFE harian cenderung rendah pada
Januari hingga April dan meningkat pada Mei hingga Desember. Besaran koefisien korelasi
suhu udara minimum harian cenderung tidak konsisten terhadap waktu. Peningkatan
koefisien korelasi pada Mei hingga Desember dimungkinkan karena adanya kalibrasi AWS
yang dilakukan pada April. Hal ini menunjukkan pentingnya kalibrasi AWS sebagai kendali
mutu unsur cuaca.
 Gambar 2 Korelasi Pearson data AWS dengan konvensional 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.

Gambar 3 RMSE data AWS tahun 2022

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.

Gambar 4 RSTD data AWS dengan konvensional tahun 2022

3.5 Scatter Plot

Perbandingan data pengamatan otomatis dan konvensional dilakukan dengan scatter
plot yang ditunjukkan pada gambar 5-10. Tiap gambar terdapat garis diagonal berwarna
hitam dengan data AWS pada sumbu x terhadap data alat konvensional pada sumbu y,
sehingga ketika nilai x sama dengan y menunjukkan nilai ideal. Garis merah menunjukkan
garis linear antara data AWS dengan alat konvensional. Semakin berhimpit sebaran data
terhadap garis diagonal, maka semakin baik data AWS merepresentasikan data alat
konvensional. Semakin jauh sebaran data terhadap garis diagonal, maka semakin buruk data
AWS merepresentasikan data alat konvensional.
Scatter plot curah hujan antara data AWS dengan data alat konvensional ditunjukkan
pada gambar 5. Berdasarkan gambar 5, diketahui bahwa titik sebaran curah hujan data AWS
terhadap data alat konvensional sebagian berhimpitan dengan garis diagonal, termasuk garis
linear curah hujan termasuk slope yang mendekati nilai 1 dan konstanta yang mendekati nol
(0). Beberapa titik pada menyimpang cukup jauh terhadap garis diagonal, terutama pada
Juni. Terdapat 1 titik pada Juni yang menyimpang dengan perbedaan nilai yang cukup besar
antara data AWS sebesar 1mm dan data alat konvensional 25,4mm. Selisih kedua data
tersebut cukup besar dan penting untuk dianalisis dan diidentifikasi, meskipun perbedaan ini
tidak konsisten.
 JAN FEB MAR
140 140 140

120 120 120

100 100 100

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

APR MEI JUN

140 140 140

120 120 120

100 100 100

Konvensional

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

JUL AGT SEP

140 140 140

120 120 120

100 100 100

Konvensional

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

OKT NOV DES

140 140 140

y = 0.983x + 0.026
120 120 120

100 100 100

Konvensional

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

32.0 32.0 32.0

Konvensional
Konvensional

Konvensional
30.0 30.0 30.0

28.0 28.0 28.0

y = 0.468x + 19.40
26.0 26.0 26.0

24.0 24.0 24.0

22.0 22.0 22.0

22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0
AWS AWS AWS

APR MEI JUN

36.0 36.0 36.0

34.0 34.0 34.0

y = 0.349x + 21.16
32.0 32.0 32.0
y = 0.879x + 3.211
Konvensional

Konvensional

Konvensional
y = 0.722x + 8.411
30.0 30.0 30.0

28.0 28.0 28.0

26.0 26.0 26.0

24.0 24.0 24.0

22.0 22.0 22.0

22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0
AWS AWS AWS

JUL AGT SEP

36.0 36.0 36.0

34.0 34.0 34.0

y = 0.927x + 1.848 y = 0.918x + 2.129 y = 0.749x + 7.597
32.0 32.0 32.0
Konvensional

Konvensional

Konvensional

30.0 30.0 30.0

28.0 28.0 28.0

26.0 26.0 26.0

24.0 24.0 24.0

22.0 22.0 22.0

22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0
AWS AWS AWS

OKT NOV DES

36.0 36.0 36.0

34.0 34.0 34.0

y = 0.907x + 2.370 y = 1.020x - 1.239
32.0 32.0 32.0
y = 0.982x - 0.027
Konvensional

Konvensional

Konvensional

30.0 30.0 30.0

28.0 28.0 28.0

26.0 26.0 26.0

24.0 24.0 24.0

22.0 22.0 22.0

22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0 22.0 24.0 26.0 28.0 30.0 32.0 34.0 36.0
AWS AWS AWS

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.

JAN FEB MAR

27 27 27

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

APR MEI JUN

27 27 27

26 26 26

25 25 25
Konvensional

Konvensional

Konvensional
24 24 24

y = 0.766x + 5.918 y = 0.542x + 11.28

23 23 23
y = 0.474x + 13.33

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

JUL AGT SEP

27 27 27

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

OKT NOV DES

27 27 27

26 26 26

25 25 25
Konvensional

Konvensional

Konvensional

24 24 24

y = 0.723x + 6.944 y = 0.743x + 6.485 y = 0.927x + 1.914

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

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.

JAN FEB MAR

100 100 100

y = 0.531x + 40.82 y = 0.651x + 32.07

80 80 80
y = 0.415x + 50.20

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

APR MEI JUN

100 100 100

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

JUL AGT SEP

100 100 100
y = 0.612x + 37.85
y = 0.634x + 34.31
y = 0.533x + 44.11
80 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

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.

JAN FEB MAR

1012 1012 1012

1010 1010 1010

y = 30.86x - 30131 1008

Konvensional
1008 1008
Konvensional

Konvensional
1006 1006 1006

y = -14.14x + 15275 y = 2.174x - 1187.

1004 1004 1004

1002 1002 1002

1000 1000 1000

1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012
AWS AWS AWS

APR MEI JUN

1012 1012 1012

1010 1010 1010

y = 1.017x - 17.24
y = 0.851x + 149.9
1008 1008 1008
Konvensional

Konvensional

Konvensional
y = 0.967x + 33.34

1006 1006 1006

1004 1004 1004

1002 1002 1002

1000 1000 1000

1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012
AWS AWS AWS

JUL AGT SEP

1012 1012 1012

1010 1010 1010

y = 0.579x + 424.8
y = 1.030x - 30.72
1008 1008 1008
Konvensional

Konvensional

Konvensional

y = 0.995x + 5.170

1006 1006 1006

1004 1004 1004

1002 1002 1002

1000 1000 1000

1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012
AWS AWS AWS

OKT NOV DES

1012 1012 1012

1010 1010 1010

y = 0.938x + 62.32
y = 0.996x + 4.072
1008 1008 1008
Konvensional

Konvensional

Konvensional

y = 1.013x - 12.82

1006 1006 1006

1004 1004 1004

1002 1002 1002

1000 1000 1000

1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012 1000 1002 1004 1006 1008 1010 1012
AWS AWS AWS

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.