dan Widas. Dengan suplai air antara lain dari saluran induk Tarum Timur, varietas padi unggul tahan wereng yang ditanam menghasilkan padi tidak kurang 888.688
ton pada tahun 2001. Sentra produksi padi menyebar di seluruh kecamatan, namun Kecamatan Binong dan Pusakanagara merupakan daerah penghasil padi terbesar.
Kedua kecamatan itu masing-masing menghasilkan tidak kurang 89.000 ton dan 68.000 ton padi Julianery 2003
.
Pada tahun 2001, Kabupaten Karawang menghasilkan 1.1 juta ton padi sawah. Di tingkat provinsi pada tahun yang sama, Jawa Barat menghasilkan
sekitar 8 juta ton padi sawah. Selain padi sawah, juga dihasilkan padi ladang 1.516 ton dari 740 hektar lahan di Kecamatan Pangkalan. Sedangkan padi sawah
dihasilkan oleh 22 kecamatan dengan Kecamatan Cilamaya sebagai penyumbang utama. Lahan sawah 19.312 hektar di daerah ini-terluas di antara kecamatan lain-
menghasilkan tidak kurang 115.000 ton. Produksi padi Karawang tidak lepas dari dukungan sistem pengairan yang memadai. Pertanian padi sawah sebagian besar
didukung oleh sistem pengairan teknis. Luas lahan yang berpengairan teknis sekitar 87 persen atau 80.774 hektar
1
.
2.3 Beberapa model prediksi curah hujan
Terdapat tiga kelompok model yang umum dipakai dalam menganalisa masalah-masalah cuaca dan iklim yaitu model deterministik, parametrik, dan
stokastik. Perbedaan diantara ketiga kelompok model tersebut secara tegas dapat dilakukan untuk model deterministik dan stokastik murni. Model deterministik
murni dapat diperoleh dengan mengikutsertakan seluruh hubungan-hubungan teoritis dari suatu kejadian sedangkan model stokastik diperoleh dengan
menggunakan data percobaan untuk menghasilkan keluaran yang hanya dapat diduga dengan pengertian statistik, yaitu penggunaan data yang sama akan
menghasilkan keluaran yang berbeda mengikuti pola statistik tertentu Bey 1991 dalam
Askari dan Bey 2000 Beberapa metode pemodelan yang bisa digunakan untuk melakukan
peramalan curah hujan selain dengan metode Jaringan Saraf, yaitu metode Fourier, ARIMA Autoregressive Integrated Moving Average, dan Filter Kalman.
1
Tim Pilkada Golkar 2005 dalam http:pilkada.golkar.or.idindex.php
Masing-masing metode tersebut memilki kelebihan dan kekurangan yang berbeda. Dalam metode Fourier hanya memperhatikan faktor waktu, sehingga model yang
dihasilkan akan memiliki pola dan fluktuasi yang sama untuk setiap periode. Metode ini masih cenderung lemah jika digunakan untuk melakukan peramalan,
dengan prediksi yang dihasilkan memiliki error yang tidak saling bebas satu sama lain autokorelasi. Suatu data CH bisa saja memilki pola yang sama untuk setiap
periodenya, tetapi fluktuasinya pasti berbeda pada setiap periodenya. Metode ARIMA, merupakan pengembangan lebih lanjut dari model
Autoregressive Moving Average ARIMA yang berdasar pada konsep regresi
linier. Model ARIMA dapat digunakan untuk analisis data deret waktu dan peramalan data. Pada model ARIMA diperlukan penetapan karakteristik data
deret berkala seperti: stasioner, musiman dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan akhirnya akan menolong untuk mendapatkan
gambaran yang jelas mengenai model-model dasar yang akan ditangani. Metode ARIMA dapat dikatakan lebih baik dari metode Fourier kerana ARIMA
sebagaimana model yang menganalisis keterkaitan waktu, hasil peramalan dari metode ini akan memiliki pola dasar yang sama setiap periodenya dengan
fluktuasi yang cenderung sama, dimana fluktuasi yang dihasilkan tersebut terikat dengan pola dasarnya Pusat Data dan Informasi Pertanian 2004-2005 dalam
Departemen Pertanian 2008 Filter Kalman adalah salah satu metode statistik yang ditemukan pada
tahun 1960. Teknik Filter Kalman merupakan pengembangan dari metode autoregresi. Salah satu karakteristik yang mendasar dari Filter Kalman adalah
proses recursif untuk mencapai estimasi optimal. Filter Kalman juga menggabungkan antara model deterministik dengan model stokastik yang
digunakan untuk tujuan peramalan segera. Selain itu, Filter Kalman dapat diaplikasikan untuk masalah estimasi dalam sistem dinamik Dimana kondisi ini
tercermin dalam kejadian hujan Young 1999 dalam Estiningtyas Amien 2006.
Beberapa keuntungan Filter Kalman, yaitu: 1 melengkapi kecepatan pengukuran dari posisi prediksi yang diperlukan sebagai weapon kill perhitungan
probabilitas, perhitungan dampak prediksi, 2 penanganan optimum dan akurasi pengukuran, waktu yang tidak sama antara pengukuran, 3 penggunaan optimum
dari informasi sebelumnya apabila tersedia, 4 mengijinkan sasaran dinamik secara langsung untuk optimasi parameter filter, dan 5 Tambahan dari variabel
kecepatan random dimana Filter Kalman selalu stabil Brookmer 1998 dalam Fitrian 2005 dalam Eksawati 2008. Peramalan hujan menggunakan metode Filter
Kalman pernah dilakukan oleh Estiningtyas dan Amien pada tahun 2006. Peramalan curah hujan diaplikasikan lebih lanjut untuk menyusun skenario massa
tanam dengan menggunakan input data suhu permukaan laut.
2.4 Model prediksi curah hujan berdasarkan Analisis Jaringan Syaraf
