I PENDAHULUAN
1.1 Latar Belakang
Tanaman padi Oryza sativa, sp termasuk kelompok tanaman pangan yang sangat penting dan bermanfaat bagi kehidupan masyarakat Indonesia.
Sampai saat ini, lebih dari 50 produksi padi nasional berasal dari areal sawah di Pulau Jawa. Jawa barat merupakan propinsi terbesar penghasil padi di Indonesia
dengan luas panen pada tahun 2007 sebesar 15 dari seluruh luas panen nasional dan secara bersamaan menghasilkan produksi sebanyak 17 dari total produksi
nasional Departemen Pertanian 2008. Penurunan produksi dan produktivitas padi di Jawa terutama Jawa Barat secara drastis, dapat mempengaruhi
ketersediaan beras nasional dan akan berdampak negatif terhadap sektor-sektor lainnya.
Produksi padi secara langsung dipengaruhi oleh curah hujan. Yamamoto et al
. 2002 dalam penelitiannya mengenai hubungan antara variabilitas curah hujan dan produksi padi di Laos, menemukan korelasi yang kuat antara curah
hujan dengan area panen dan produksi padi yaitu masing-masing memiliki koefisien determinasi R
2
sebesar 95 dan 56 . Eratnya hubungan antara curah hujan dan produksi padi, telah
membangkitkan minat banyak peneliti untuk memprediksi curah hujan dengan tujuan pendugaan tingkat produksi padi. Berbagai model telah dibangun untuk
memprediksi curah hujan dengan pendekatan analisis keterkaitan waktu seperti regresi fourier, analisis fractal, jaringan syaraf Dupe 1999, Haryanto 1999, serta
Boer, Notodiputro dan Las 1999 dalam Pramudia 2008, atau pendekatan analisis hubungan curah hujan dengan anomali suhu muka laut Nino 3,4.
Analisis Jaringan Syaraf Tiruan Artificial Neural Network, ANN merupakan model prediksi yang dapat menduga curah hujan dengan pola acak
kejadian hujan yang lebih baik. Jaringan syaraf Neural Network, NN adalah suatu paradigma pengetahuan baru Koesmaryono et al. 2007, dimana meniru
otak manusia dalam proses penyelesaian dan penyimpanan memori. Aplikasi
ANN telah banyak diterapkan dalam prediksi di bidang klimatologi dan Hidrologi.
Salman 2006 yang menggunakan Jaringan Syaraf Tiruan JST recurrent Elman untuk memprediksi curah hujan bulanan di Bongan, Bali memperoleh nilai
R
2
maksimum sebesar 85 . Apriyanti 2005 memperoleh nilai R
2
sebesar 88 untuk pendugaan curah hujan di DAS Seguling dengan menggunakan teknik
JST propagasi balik. Koesmaryono et al. 2007 menggunakan jaringan syaraf untuk
memprediksi curah hujan 3 bulanan di Wilayah Subang-Karawang akan tetapi masih belum mampu memprediksi nilai-nilai ekstrim curah hujan baik itu ekstrim
rendah maupun ekstrim tinggi. Model tersebut memiliki sensifitas 0,010-0,348 dengan rata-rata error 5,1 mmbulan untuk Karawang dan sensifitas 0,000-0,835
dengan rata-rata kesalahan terhadap curah hujan maksimum 7,9 mmbulan untuk wilayah Subang.
Hasil dari prediksi curah hujan ini kemudian dapat digunakan untuk memprediksi produksi padi di wilayah tersebut sebagaimana yang dilakukan oleh
Pramudia 2008. Penelitian sebelumnya oleh Pramudia 2008 telah memperoleh suatu model empiris hubungan antara produksi padi dengan fluktuasi curah hujan
tiga bulan sebelumnya di Wilayah Subang-Karawang. Model dibangun dengan menggunakan teknik regresi berganda. Meskipun model nyata secara statistik, tapi
model memberikan nilai koefisien determinasi yang sangat kecil. Penelitian ini dilakukan untuk mengembangkan model prediksi curah
hujan dengan teknik ANN yang telah dibangun oleh Koesmaryono et al. 2007 di wilayah Subang dan Karawang. Model yang dikembangkan dalam penelitian ini
diharapkan dapat lebih baik dalam pencapaian nilai-nilai ekstrim untuk hasil prediksi curah hujan bulanan yang lebih akurat. Selanjutnya dengan
menggunakan teknik Neural Network ini, akan dibangun suatu model prediksi produksi padi.
1.2 Tujuan
