Original Article

e-ISSN: 2807-9523 - https://journal.itera.ac.id/index.php/jipad/

Analisis Perbandingan Kehandalan Data Hujan GSMaP,

TRMM, GPM dan PERSIANN Terhadap Data Obsevasi Dalam
Received 7th June 2022
Accepted 20th July 2022
Published 31th July 2022 Rentang Waktu Penelitian 2020-2021
Open Access Ferial Asferizal *a
a
Program Studi Rekayasa Tata Kelola Air Terpadu, Institut Teknologi Sumatera, Lampung

* Koresponden E-mail: ferial.asferizal@tka.itera.ac.id

Abstract: The utilization of rain data from satellites can be used at points that are not caught by the observation rainfall measuring
station. By comparing satellite rain data and observational rain data from previous studies from 2020 to 2021 in every region in
Indonesia, the effectiveness of satellite data can be known. From the studies that have been carried out, Rainfall data from GSMaP
have significant similarities against observational data at global study sites. With 7 (seven) studies using the Pearson correlation
method, K-means clustering on blending data, RMSE, direct visual analysis on maps, Standardized Precipitation Index (SPI),
descriptive analysis method with reference, field data with statistical average rainfall variability and simulation. Weather Research
and Forecasting Advance Research (WRF-ARW) version 4.0 proves the reliability of the data. In addition, research using TRMM data
shows the accuracy of observation data in the Central Java area, and also West Papua, while the GPM and PERSIANN rainfall data
have accuracy in the East Nusa Tenggara area on a monthly scale. Although it has a fairly good spatial, no research represents the
superiority of CHIRPS rainfall data in the range of years from observation.
Keywords: BMKG, Rain data, GSMaP, Indonesia, Satellite

Abstrak: Pemanfaatan data hujan dari satelit dapat digunakan pada titik-titik yang tidak tertangkap oleh stasiun pengukur curah
hujan pengamatan. Dengan membandingkan data hujan satelit dan data hujan observasi dari penelitian sebelumnya dari tahun
2020 hingga 2021 di setiap wilayah di Indonesia, maka dapat diketahui efektifitas data satelit. Dari studi yang telah dilakukan, data
Curah Hujan dari GSMaP memiliki kemiripan yang signifikan dengan data observasi di lokasi studi global. Dengan 7 (tujuh) penelitian
menggunakan metode korelasi Pearson, K-means clustering pada blending data, RMSE, analisis visual langsung pada peta,
Standardized Precipitation Index (SPI), metode analisis deskriptif dengan referensi, data lapangan dengan statistik variabilitas curah
hujan rata-rata dan simulasi . Weather Research and Forecasting Advance Research (WRF-ARW) versi 4.0 membuktikan keandalan
data. Selain itu, penelitian dengan menggunakan data TRMM menunjukkan keakuratan data pengamatan di wilayah Jawa Tengah,
dan juga Papua Barat, sedangkan data curah hujan GPM dan PERSIANN memiliki akurasi di wilayah Nusa Tenggara Timur dalam
skala bulanan. Meskipun memiliki spasial yang cukup baik, belum ada penelitian yang merepresentasikan keunggulan data curah
hujan CHIRPS dalam rentang tahun dari pengamatan.
Kata Kunci : BMKG, Data hujan, GSMaP, Indonesia, Satelit

Pendahuluan telah dilakukan di Indonesia untuk membandingkan data

curah hujan observasi terhadap data curah hujan satelit.
Data hujan sangatlah penting, karena sering digunakan untuk
perhitungan perencanaan infrastruktur air, daerah aliran Pada tahun 2020 hingga 2021, para akademisi, praktisi, dan
sungai, pembangkit listrik tenaga air, pencegahan banjir, lembaga keahlian, telah memanfaatkan teknologi yang
irigasi, pemenuhan kebutuhan air baku dan mengatasi terkalit dengan remote sensing. Data satelit, khususnya
kekeringan. Data hujan didapatkan dari pengukur curah dalam menentukan curah hujan, telah banyak dibandingkan
hujan yang terdapat di stasiun hujan yang dikelola oleh terhadap data observasi. Satelit yang dijadikan perbandingan
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Data adalah TRMM (Tropical Rainfall Measuring Mission), GPM
curah hujan tersebut disebut juga data hujan observasi, (Global Precipitation Mission), GSMaP (Global Satellite
namun saat ini sudah terdapat satelit yang dapat digunakan Mapping of Precipitation), PERSIANN (Precipitation
untuk mendapatkan data curah hujan. Beberapa penelitian Estimation from Remotely Sensed Information using Artificial

Journal of Infrastructure Planning, and Design vol. 2 (1), 2022, pp. 33-41 | 33
Original Article Journal of Infrastructure Planning, and Design

Neural Network) dan CHIRPS (Climate Hazards Group hujan. Namun memberikan informasi bahwa data stasiun
InfraRed Precipitation with Station). Di Indonesia data hujan BMKG terdapat di titik-titik tertentu, sehingga tidak
observasi yang digunakan adalah data online dari stasiun bisa mewakili daerah-daerah sekitar 100 km2 di luar daerah
hujan BMKG. Para peneliti melakukan perbandingan yang stasiun hujan tersebut jika tidak terdapat alat pengukur
terbatas pada jumlah satelit yang digunakan terhadap data tinggi hujan. Oleh karena itu diperlukan data satelit untuk
observasi, seperti pada penelitian yang mengkaji menentukan kekosongan data tersebut, dengan
perbandingan data hujan satelit GPM, PERSIANN-CDR, dan membandingkannya terhadap data hujan yang terdapat
GCM CanESM2 terhadap data hujan BMKG [1]; ada juga yang pada daerah stasiun hujan observasi, maka akan didapatkan
mengkaji perbandingan data hujan satelit TRMM, GPM dan data yang sama ataupun terdapat faktor koreksi yang akan
CHIRPS terhadap Automatic Weather Station (AWS) BMKG dijadikan faktor pengali pada data satelit, apabila data satelit
[2] dan yang mengkaji perbandingan data hujan satelit cocok dan tidak ada perbedaan, maka tidak diperlukan faktor
GSMaP terhadap data hujan BMKG [3]; selain itu koreksi.
perbandingan antara data hujan satelit terhadap BMKG
dapat dilihat pada tabel 1. Oleh karena itu analisis ini akan
mengedepankan hampir keseluruhan data satelit yang ada di Metode
dunia, dengan melakukan perbandingan hampir keseluruhan Beberapa data hujan satelit didapatkan dari beberapa
data satelit yang ada terhadap data observasi. sumber, berikut ini adalah sumber-sumber data hujan
tersebut:
Akademisi, praktisi dan lembaga atau instansi yang memiliki
kepentingan dalam mengolah data curah hujan, dapat 1. TRMM, berasal dari instansi NASA (National
menjadikan hasil analisis ini untuk mengambil keputusan, Aeronautics and Space Administration) juga JAXA
sehingga lebih efisien dalam melakukan pengolahan data. (Japan Aerospace Exploration Agency) untuk cuaca dan
Perbandingan antara data hujan satelit dengan observasi iklim, termasuk presipitasi.
bukan berarti data hujan satelit yang tidak terpilih pada
analisis menghasilkan data yang tidak bisa digunakan, namun 2. GPM, misi lanjutan dari instansi NASA (National
bisa digunakan juga untuk dilakukan perbandingan terhadap Aeronautics and Space Administration) juga JAXA
data observasi di masa yang akan datang jika telah dilakukan (Japan Aerospace Exploration Agency), karena TRMM
pemutakhiran teknologi pada satelit yang mengukur tidak beroperasi sejak tahun 2015.
presipitasi. Jangka waktu pemutakhiran data satelit tidak
3. GSMaP, berasal dari instansi JST (Japan Science and
dapat ditentukan melalui analisis, pemutakhiran data hanya
Technology Agency), yang di publikasikan data
dapat ditentukan oleh instansi yang mengembangkan data
hujannya melalui JAXA yang sama dengan GPM.
satelit tersebut.
4. PERSIANN, berasal dari CHRS (Center for
Dari hasil perbandingan data curah hujan satelit yang dibahas
Hydrometeorology and Remote Sensing) yang berada di
pada paragraf di atas, maka belum ada analisis yang
Universitas California, dengan menggunakan prosedur
mengedepankan perbandingan data hujan satelit secara
perkiraan neural neutwork function dalam
hampir keseluruhan yang ada di dunia terhadap data
memasukkan estimasi curah hujan dengan data spasial
observasi. Dalam penelitian ini, analisis perbandingan data
masing-masing 0,04˚ x 0,04˚ pixel.
curah hujan dilakukan melalui penelitian yang didapatkan
melalui mesin pencarian google scholar, yang wilayah 5. CHIRPS, berasal dari ilmuan USGS (United States
penelitiannya di Indonesia, namun tidak dibatasi pada Geological Survey) dan CHC (Climate Hazard Center)
daerah tertentu, selain itu pengambilan referensi penelitian yang di danai oleh USAID (United States Agency for
dibatasi hanya 10 penelitian yang pernah dilakukan selama International Development), NASA dan NOAA (National
tahun 2020 sampai dengan tahun 2021, dan juga Oceanic and Atmospheric Administration). Dengan grid
pembahasan penelitian tidak membahas terkait dengan cara 0,05˚.
pengambilan data pada data satelit maupun data observasi.
Sedangkan data hujan observasi yang menjadi acuan
Data observasi dari BMKG berasal dari stasiun-stasiun hujan perbandingan dengan data satelit adalah BMKG, yaitu
yang terdapat di Indonesia, yang memiliki alat pengukur instansi yang dinaungi pemerintah, non kementerian, yang
tinggi hujan, dalam penulisan ini tidak akan menjelaskan bertugas di bidang meteorologi, klimatologi dan geofisika.
tentang alat-alat yang dugunakan untuk mengukur tinggi

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 34
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia
Original Article Journal of Infrastructure Planning, and Design

Untuk mendapatkan hasil analisis review dari beberapa

jurnal, maka perlu dikonsepkan metode analisis yang akan
dilakukan, berikut ini adalah diagram alirnya:

Gambar 1. Bagan alir penelitian

Hasil dan Diskusi spasial hujan nya mencakup 123,93 km 2, selain itu GSMaP
memiliki keunggulan memiliki dua sensor gabungan/blended
GSMaP hujan yang menggunakan gelombang mikro/microwave
Ketelitian antara data observasi dan data satelit didominasi sensor dan inframerah/infrared, data-data temporal yang
oleh data satelit GSMaP dan satu kajian oleh TRMM juga disediakan GSMaP adalah tinggi hujan mm/jam dan
GPM, pertimbangan tesebut dapat dimungkinkan oleh mm/hari, dengan Iatency atau waktu yang dibutuhkan data
resolusi data spasial yang cukup baik yang dimiliki oleh dari satelit sampai daerah pengukuran adalah 4 jam. GSMaP
GSMaP, dengan resolusi spasial 0,1° x 0,1° yang berarti dapat dikatakan data hujan near real time/mendekati waktu
sebesar 11,1322 x 11,1322 km2 atau satu pixel dari data aslinya.

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 35
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia
Original Article Journal of Infrastructure Planning, and Design

Gambar 2. Halaman awal website GSMaP [4]

menyediakan data hujan mm/jam yang memungkinkan
TRMM
untuk dapat memprediksi banjir pada jam tertentu. Sensor
Terdapat dua penelitian yang cukup mewakili data yang yang dimiliki satelit TRMM adalah TMI (TRMM Microwave
sama dengan data observasi adalah TRMM level 3 dengan Imager) dan VIRS (Visible and Infrared Scanner), PR
resolusi spasial 0,25° x 0,25°, yang berarti sebesar 27,8305 x (Precipitation Radar), CERES (Clouds and the Earth’s Radiant
27,8305 km2. atau satu pixel dari data spasial hujan nya Energy System), dan LIS (Lightning Imaging Sensor), latensi
mencakup 774,55 km2. Data temporal yang disediakan oleh yang dibutuhkan terhadap data observasi adalah sekitar 7
TRMM adalah data hujan mm/hari namun belum jam.

Gambar 3. Daerah orbit TRMM [5]

PERSIANN observasi namun masih jarang digunakan di Indonesia.

PERSIANN memiliki keunggulan spasial yang lebih detail dari Sistem data yang didapatkan melalui jaringan syaraf tiruan,
GPM dan GSMaP, yaitu 0,04° x 0,04° dan memiliki hasil yang dengan berdasarkan hasil tangkapan inframerah
baik untuk data harian, dan memiliki latensi sekitar 15 geostasioner. Data hujan temporal yang dapat diambil
sampai 60 menit yang berarti juga near real time dari hasil adalah data hujan 1 jam, 3 jam, 6 jam, harian, bulanan, dan
tahunan. [6]

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 36
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia
Original Article Journal of Infrastructure Planning, and Design

Gambar 4. Diagram alir dari Sistem PERSIANN [7]

KF) setiap setenga jam. Untuk estimasi curah hujan
GPM IMERG menggunakan penginderaan jauh dengan sistem klasifikasi
awan PERSIANN-CCS yang dimasukkan ke skema morphing
GPM IMERG Integrated Multi-satellitE Retrievals for GPM
(Iterpolasi waktu kuasi-lagrangian). Dengan perpaduan
merupakan produk yang merupakan algoritma yang
proses pengolahan data yang cukup banyak, GPM IMERG
dikembangkan oleh Amerika Serikat dengan versi yang
juga memiliki kesesuaian dengan data observasi di skala
terakhir adalah Versi 06B. Sensor curah hujan berasal dari
bulanan walau belum terlihat kesesuaian terhadap data
precipitation-relevant satellite passive microwave
harian. [8]
(PMW)/sensor gelombang micro pasive yang dihitung
menggunakan Goddard Profiling Algorithm (GPROF2017), CHIRPS
lalu data spasial yang didapatkan berdasarkan kalibrasi CHIRPS memiliki keunggulan spasial dengan detail 0,05° x
Algoritma Combined Ku Radar-Radiometer GPM (CORRA) 0,05°, namun memiliki latensi sekitar 2 hari dengan final
sama dengan data spasial GSMaP, namun data temporal produknya bisa didapatkan sekitar 3 minggu dari data
yang didapatkan lebih teliti dari GSMaP dengan data hujan observasi. CHIRPS memiliki akurasi yang lebih baik terhadap
setiap setengah jam. AWS BMKG, dikarenakan memiliki resolusi spasial sekitar 5
PMW telah dikalibrasi ke pusat prediksi iklim/Climate Km. Perbadingan secara keseluruhan dapat dlihat pada tabel
Prediction Center (CPC) Morphing Kalman Filter (CMORPH- 1. [2]

Gambar 5. Tampak Hujan yang di tampilkan tiap Setengah Jam [9]

Journal of Infrastructure Planning, and Design vol. 2 (1), 2022, pp. 33-41 | 37
Original Article Journal of Infrastructure Planning, and Design

Table 1. Perbandingan Hubungan Data Hujan Satelit Terhadap Data Hujan Observasi

No. Peneliti Judul Penelitian Tahun Tools Statistik Perbandingan Sumber Data Data Observasi Curah Kesimpulan Gap Penelitian
Data Curah Hujan Satelit Hujan
1 Rahmat Nur Validasi Performa Satelit Presipitasi 2020 Pearson's Correlation GSMaP BMKG (Badan Adanya hubungan korelasi Dengan nilai korelasi
Rahman dan GSMaP Dalam Mengestimasi Curah Meteorologi, Klimatologi yang baik antara GSMaP dan 0,72; berarti data
Indra Hujan di Jabodetabek. [10]. dan Geofisika) AWS AWS/ARG. GSMaP dapat digunakan
(Automatic Weather untuk area yang tidak
Station)/ARG (Automatic tertangkap daerah
Rain Gauge). pengamatan
2 Agusta Evaluasi Pengukuran Curah Hujan 2020 Korelasi Pearson GSMaP Alat penakar hujan Adanya perbedaan hasil ukur Data GSMaP memiliki
Kurniawan Antara Hasil Pengukuran Permukaan Hellman BMKG, OBS curah hujan, namun nilai korelasi yang kecil,
(AWS, HELLMAN, OBS) dan Hasil BMKG dan AWS Center perbedaan yang paling besar untuk data harian
Estimasi (Citra Satelit =GSMaP) Di Stasiun Klimatologi pada curah hujan bulanan sekitar 0,05 terhadap
Stasiun Klimatologi Mlati Tahun 2018. Mlati. BMKG OBS. Hellman.
[11].

3 Azarya Bees, Perbandingan Curah Hujan Satelit Pada 2021 Koefisien korelasi, RMSE dan GPM, PERSIANN- BMKG PERSIANN baik di skala GPM memiliki
Karlina dan Joko Das Tilong Nusa Tenggara Timur Terkait BIAS CDR, dan GCM harian, GPM baik di skala kesesuaian dengan
Sujono Perubahan Iklim. [1]. CanESM2 bulanan, GPM dapat observasi
menggambarkan curah hujan
yang baik untuk saat ini atau
masa yang akan datang

4 Muhajir, Nazli Pemutakhiran Zona Musim (ZOM) 2021 K-means clustering pada data GSMaP BMKG Mendapatkan clusteryang GSMaP memiliki data
Ismail, Saumi Provinsi Aceh Menggunakan Data blending spesifik dari hasil metode yang menghasilkan
Syahreza, Blending Berbasis Non-Hirarki K-Means distribusinya clusteryang baik pada
Andrean V H Clustering. [12]. Zona Musim (ZOM)
Simanjuntak
5 Devy Adlina Validasi Data Curah Hujan Satelit TRMM 2022 Root Mean Squared Error TRMM Observasi BMKG Data hujan TRMM dapat TRMM memiliki data
Rushafi (Tropical Rainfall Measuring Mission) (RMSE), Nash Sutcliffe Efficiency menjadi alternatif untuk yang sama dengan
Oktaverina, Ery dengan Pos Stasiun Hujan pada Sub DAS (NSE), daerah yang tidak terdapat observasi
Suhartanto, Sri Keduang Kabupaten Wonogiri, Provinsi Koefisien Korelasi (R), dan stasiun hujan, namun harus
Wahyuni1 Jawa Tengah. [13]. Kesalahan Relatif (KR) dikoreksi terlebih dahulu

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 38
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia
Original Article Journal of Infrastructure Planning, and Design

No. Peneliti Judul Penelitian Tahun Tools Statistik Perbandingan Sumber Data Data Observasi Curah Kesimpulan Gap Penelitian
Data Curah Hujan Satelit Hujan
6 Zauyik Nana Reliabilitas Prediksi Curah Hujan 2021 Analisis penglihatan langsung GSMaP Observasi BMKG Melalui hasil citra GSMaP, GSMaP underestimate
Ruslana, Restu Dasarian Pada Kejadian Curah Hujan pada peta, dan analisis korelasi hasilnya underestimate terhadap curah hujan
Tresnawati, Ekstrim Pemicu Banjir 26 Oktober 2020 juga RMSE terhadap curah hujan observasi
Rosyidah, Iis di Kebumen: Model Statistik (HyBMG) observasi
Widya Harmoko versus Model Dinamik (ECMWF). [14].
dan Siswanto

7 Rudi Wahyu Analisa Spasial Kekeringan Dengan 2020 Standardized Precipitation Index GSMaP Data observasi BMKG Dari indeks skewness,indeks Data GSMaP dapat
Hidayat, Agus Mengunakan Metode Standardized (SPI) pada 112 stasiun hujan kovariumdan indeks kurtosis, digunakan untuk di
Susatya, Hery Precipitation Indeks (SPI) di Bengkulu. didapatkan distribusi yang blending, menggunakan
Suhartoyo [15]. cocok untuk periode ulang Alltools Blending GSMaP
v.11

8 Immanuel Identifikasi Pola Diurnal Curah Hujan di 2020 Metode analisis deskriptif, GSMaP BMKG Hasil perpaduan antara GSMaP mampu
Jhonson A. Sumatera Utara (Studi Kasus Tahun dengan referensi dan data GSMaP dan BMKG dapat melengkapi
Saragih 2019). [3]. lapangan dengan variabilitas menghasilkan analisis yang keterbatasan data
curah hujan statistik rata-rata baik, namun perlu pengamatan curah hujan
dikembangkan lagi dengan
data untuk waktu yang
sangat panjang agar lebih
presisi

9 Suwignyo Synoptic And Mesoscale Analysis Of 2021 Simulasi Weather Research and GSMaP AWS BMKG Observasi satelit GSMaP GSMaP memberikan
Prasetyo, Extreme Rainfall Event In Cilacap ForecastingAdvance Research cukup baik dalam pantauan yang jelas
Wahyu Meteorological Station, Indonesia On (WRF-ARW) versi 4.0 mengestimasi curah hujan, pada awan konvektif
Kurniawan, December 7, 2018. [16]. dibandingkan dengan AWS BMKG baik secara temporal mupun dengan skala meso
Inlim Ravijai dan GSMaP pola spasial akumulatif selama lebih dari 6 jam
Rumahorbo dalam 24 jam terhadap
Simulasi WRF dan AWS
BMKG
10 Arif Faisol dan Komparasi dan Evaluasi Data Hujan 2021 RMSE, Mean Error (ME), Mean TRMM, GPM, dan AWS BMKG TRMM, GPM dan CHIRPS TRMM akurat terhadap
Samsul Bachri Berbasis Satelit dalam Mengestimasi Absolute Error (MAE), Relative CHIRPS memiliki akurasi yang data observasi
Curah Hujan Harian Maksimum di Bias (RBIAS), Mean Bias factor acceptable. Namun TRMM
Provinsi Papua Barat. [2]. (MBIAS), Percent Bias (PBIAS), memiliki akurasi yang lebih
dan koefisien korelasi (r) baik terhadap AWS BMKG

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 39
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia
Original Article Journal of Infrastructure Planning, and Design

Kesimpulan terkait dengan perbandingan data hujan satelit yang

bervariasi.
Dari 10 (sepuluh) penelitian yang pernah dilakukan pada
tahun 2021 dan 2022 maka:

1. Banyak mendukung hasil data dari satelit GSMaP yang Konflik Penetingan
lebih memiliki kemiripan dengan data hasil observasi Kajian analisis ini tidak ada pernyataan mengenai konflik
BMKG memiliki kelebihan pada sensor kepentingan.
gabungan/blended dengan ketelitian spasial 0,1° x 0,1°,
dan juga data yang dihasilkan near real time.
Ucapan Terima Kasih
2. TRMM yang memiliki kemiripan dengan data observasi
Tuturan terima kasih diberikan kepada para peneliti yang
BMKG, dengan kemiripan terhadap data observasi di
telah menerbitkan penelitian mereka untuk dijadikan
daerah Jawa Tengah dan Papua Barat, karena memiliki
referensi untuk penelitian Analisis Perbandingan Kehandalan
nilai MBIAS mendekati 1, namun memiliki latensi sekitar
Data Hujan GSMaP, TRMM, GPM dan PERSIANN Terhadap
7 jam dari hasil observasi.
Data Obsevasi Dalam Rentang Waktu Penelitian 2020 – 2021.
3. GPM yang menggunakan metode distribusi hujan
Koefisien korelasi, RMSE dan BIAS memiliki kemiripan
data observasi di Nusa Tenggara Timur dengan Referensi
keunggulan spasial yang detailnya mirip dengan [1] A. Bees, Karlina, and J. Sujono, “Perbandingan Curah Hujan Satelit
pada DAS Tilong Nusa Tenggara Timur Terkait Perubahan Iklim,” pp.
GSMaP, yaitu 0,1° x 0,1°, dan memiliki hasil yang baik
25–32, 2021.
untuk data bulanan, namun memiliki latensi sekitar 3
jam sampai 4 jam dari hasil observasi. [2] A. Faisol and S. Bachri, “Komparasi dan Evaluasi Data Hujan
Berbasis Satelit dalam Mengestimasi Curah Hujan Harian
4. PERSIANN memiliki keunggulan spasial yang lebih detail Maksimum di Provinsi Papua Barat.,” Semin. Nas. dalam Rangka
dari GPM dan GSMaP, yaitu 0,04° x 0,04°, dan memiliki Dies Natalis ke-45 UNS Tahun 2021, vol. 5, no. 1, pp. 245–252,
2021.
hasil yang baik untuk data harian, dan memiliki latensi
sekitar 15 sampai 60 menit yang berarti juga near real [3] I. J. A. Saragih, “Identifikasi Pola Diurnal Curah Hujan di Sumatera
time dari hasil observasi namun masih jarang digunakan Utara (Studi Kasus Tahun 2019),” Semin. Nas. Fis. PPS Univ. Negeri
di Indonesia. Makassar, pp. 24–27, 2020.

5. CHIRPS memiliki keunggulan spasial dengan detail 0,05° [4] “JAXA Global Rainfall Watch (GSMaP).”
https://sharaku.eorc.jaxa.jp/GSMaP/index.htm (accessed Nov. 08,
x 0.05°, namun memiliki latensi sekitar 2 hari dengan 2022).
final produknya bisa didapatkan sekitar 3 minggu.
[5] NASDA, “TRMM Users Handbook,” p. 226, 2001.
Dari hasil di atas, dapat dilihat dengan rasio perbandingan
penelitian yang telah dilakukan adalah, GSMaP : TRMM : [6] P. Nguyen et al., “Persiann dynamic infrared–rain rate (PDIR-now):
GPM : PERSIANN : CHIRPS = 7 : 2 : 1 : 1 : 1. Terlihat GSMaP A near-real-time, quasi-global satellite precipitation dataset,” J.
Hydrometeorol., vol. 21, no. 12, pp. 2893–2906, 2020.
memiliki jumlah penelitian yang lebih banyak, dan terlihat
bahwa near real time dan ketelitian spasial yang dimiliki oleh [7] “CHRS - The Center for Hydrometeorology and Remote Sensing at
satelit GSMaP menjadikan GSMaP lebih banyak digunakan UCI.” http://chrs.web.uci.edu/SP_activities00.php (accessed Nov.
untuk penelitian, akan tetapi bukan berarti data satelit lain 08, 2022).
tidak dapat digunakan, contohnya satelit PERSIANN yang [8] “CPC: Monitoring and Data - Global Precipitation Analyses.”
memiliki keunggulan dalam ketelitian spasial dan near real https://www.cpc.ncep.noaa.gov/products/janowiak/cmorph.html
time, namun dikarenakan satelit PERSIANN baru di (accessed Nov. 08, 2022).
tingkatkan pada tahun 2021, maka belum banyak yang
[9] “IMERG: Integrated Multi-satellitE Retrievals for GPM | NASA
menggunakan satelit PERSIANN untuk penelitian.
Global Precipitation Measurement Mission.”
https://gpm.nasa.gov/data/imerg#popularimergdatadownloads&v
Dari kesimpulan di atas, masih perlu adanya penelitian lebih isualizationtools (accessed Nov. 08, 2022).
lanjut untuk tahun-tahun berikutnya, yaitu tahun 2022 dan
seterusnya, selain itu bisa juga dilakukan review penelitian [10] R. Nur Rahman, “VALIDASI PERFORMA SATELIT PRESIPITASI GSMaP
yang lebih banyak lagi sekitar 20 atau lebih penelitian yang DALAM MENGESTIMASI CURAH HUJAN DI JABODETABEK,” J. Widya
Climago, vol. 2, no. 2, p. 78, 2020.

Journal of Infrastructure Planning, and Design vol. 2 (1), 2022, pp. 33-41 | 40
Original Article Journal of Infrastructure Planning, and Design

[11] A. Kurniawan, “Evaluasi Pengukuran Curah Hujan Antara Hasil

Pengukuran Permukaan (AWS, HELLMAN, OBS) dan Hasil Estimasi
(Citra Satelit =GSMaP) Di Stasiun Klimatologi Mlati Tahun 2018,” J.
Geogr. Edukasi dan Lingkung., vol. 4, no. 1, pp. 1–7, 2020.

[12] M. Muhajir, N. Ismail, S. Syahreza, and A. V. H. Simanjuntak,

“Pemutakhiran Zona Musim (ZOM) Provinsi Aceh Menggunakan
Data Blending Berbasis Non-Hirarki K-Means Clustering,” J. Fis. Flux
J. Ilm. Fis. FMIPA Univ. Lambung Mangkurat, vol. 18, no. 1, p. 35,
2021.

[13] D. Adlina, R. Oktaverina, E. Suhartanto, and S. Wahyuni, “Validasi

Data Curah Hujan Satelit TRMM (Tropical Rainfall Measuring
Mission) dengan Pos Stasiun Hujan pada Sub DAS Keduang
Kabupaten Wonogiri, Provinsi Jawa Tengah,” J. Teknol. dan
Rekayasa Sumber Daya Air, vol. 2, no. 1, pp. 265–276, 2022.

[14] Z. N. Ruslana, R. Tresnawati, R. Rosyidah, I. W. Harmoko, and S.

Siswanto, “Reliabilitas Prediksi Curah Hujan Dasarian Pada Kejadian
Curah Hujan Ekstrim Pemicu Banjir 26 Oktober 2020 di Kebumen:
Model Statistik (HyBMG) versus Model Dinamik (ECMWF),” J.
Geosains dan Teknol., vol. 4, no. 2, pp. 83–100, 2021.

[15] R. Wahyu Hidayat, A. Susatya, and H. Suhartoyo, “Analisa Spasial

Kekeringan Dengan Menggunakan Metode Standardized
Precipitation Indeks (Spi) Di Bengkulu,” Nat. - J. Penelit.
Pengelolaan Sumberd. Alam dan Lingkung., vol. 9, no. 2, pp. 93–
108, 2020.

[16] S. Prasetyo, “Synoptic and Mesoscale Analysis of Extreme Rainfall

Event in Cilacap Meteorological Station, Indonesia on December 7,
2018,” J. Ilmu dan Inov. Fis., vol. 5, no. 2, pp. 121–131, 2021.

Copyright © 2022 Journal of Infrastructure Planning, and Design J. Infr. Plan. Dsgn. vol. 2 (1), 2022, pp. 33-41 | 41
Published by: Lembaga Penelitian, Pengabdian Masyarakat, dan Penjaminan Mutu
Institut Teknologi Sumatera, Lampung Selatan, Indonesia