5.1 Simpulan
Dalam penelitian ini telah dikembangkan model prediksi curah hujan dengan teknik ANN yang memprediksi curah hujan bulanan empat bulan yang akan datang di 6 stasiun di Kabupaten Subang dan Karawang. Keenam stasiun tersebut adalah: Cigadung, Karawang, Rawamerta, Subang, Sindanglaya dan Ciseuti. Model-model terbaik dihasilkan setelah melewati iterasi sebanyak 814- 4.533 iterasi dengan nilai MSE berkisar dari 0,007-0,044 dan nilai koefisien determinasi berkisar dari 64-96 %. Adapun rata-rata MSE terhadap intensitas curah hujan maksimum yang dihasilkan berkisar pada nilai 0,4-3,5 mm/bulan.
Hasil prediksi curah hujan untuk tahun 2009 di kedua kabupaten tersebut menunjukkan curah hujan akan berfluktuasi dari Bawah Normal (BN), Normal (N) hingga Atas Normal (N). Nilai-nilai prediksi curah hujan yang berada pada kondisi Atas Normal umumnya masih berada pada nilai yang jauh lebih rendah dibandingkan nilai curah hujan maksimum yang pernah terjadi di bulan yang sama. Stasiun-stasiun di Karawang, yaitu Karawang dan Rawamerta memberikan prediksi musim kering yang cenderung basah dengan nilai prediksi hampir selalu di Atas Normal, sebaliknya dengan stasiun-stasiun di Subang yang umumnya memberikan prediksi curah hujan di Bawah Normal (BN) pada periode musim kering. Akan tetapi umumnya stasiun-stasiun di Subang menunjukkan peningkatan curah hujan yang dimulai lebih awal di bulan September 2009.
Model prediksi produksi padi yang dibangun dengan teknik jaringan syaraf tiruan (JST) ternyata mampu memprediksi produksi padi dengan akurasi yang baik, yang ditandai dengan nilai R2 untuk Subang dan Karawang masing-masing sebesar 64 % dan 58 %. Nilai MSE untuk Subang dan Karawang masing-masing adalah 661 ton dan 235 ton. Kedua model ini didapatkan setelah melalui 460 iterasi untuk Subang dan 126 iterasi untuk Karawang. Hasil prediksi produksi padi di Subang dan Karawang memperoleh hasil produksi padi tertinggi adalah pada periode bulan Februari dan Maret dengan nilai produksi di Subang dan Karawang masing-masing 299.294 ton dan 329.082 ton.
5.2 Saran
Adanya nilai curah hujan yang lebih tinggi dibandingkan nilai maksimum di bulan yang sama yang pernah terjadi sepanjang proses training set menunjukkan
adanya kemungkinan overfitting dari model tersebut. Meskipun dalam teknik
pengembangan model telah dilakukan beberapa upaya untuk mencegah terjadinya
overfitting, diantaranya dengan menghentikan iterasi lebih awal dan melakukan uji sensitivitas model pada berbagai training set model, namun masih terdapat kemungkinan terjadinya overfitting yang diindikasikan oleh nilai-nilai bobot yang tinggi. Sehingga dirasa sangat penting bagi penelitian yang akan datang untuk
mengkaji model prediksi curah hujan ini dengan menggunakan teknik weight
DAFTAR PUSTAKA
Apriyanti N. 2005. Optimasi jaringan syaraf tiruan dengan algoritma genetika untuk peramalan curah hujan [Skripsi]. Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Askari M dan Bey A. 2000, Analisis deret waktu (analisis data iklim dengan
metode Box-Jenkins) . Bahan Praktikum Metode Klimatologi pada
Program Pencangkokan Agroklimatologi. Jurusan Geofisika dan Meteorologi. FMIPA. IPB. Bogor.
Boer R. 2006. Modeling iklim, pengantar bahan kuliah metode klimatologi. Program Studi Agroklimatologi. Sekolah Pascasarjan Institut Pertanian Bogor.
Badan Pengendalian Lingkungan Hidup Daerah (BPLHD) Jawa Barat. 2002a. Letak geografis dan administratif pesisir Jawa Barat Bagian Utara. http://www.bplhdjabar.go.id/kategori/laut/atlas-utara/Bab-III.pdf.
___________________________________________________________. 2002b. Kabupaten Subang. http://www.bplhdjabar.go.id/soe/deskripsi% 20wilayah/ 13.Kabupaten%20Subang.pdf.
Badan Pusat Statistik Jawa Barat. 2007. Kabupaten Subang dalam Angka. http://jabar.bps.go.id/update2007/.
Badan Pusat Statistik. 2008. Agricultural sector – rice production. http:// www.bps.go.id/sector/agri/pangan/table3.shtml
Departemen Pertanian. 2008. Pusat Basis Data Pertanian Departeman Pertanian Republik Indonesia. http://www.deptan.go.id/tampil.php?page=inf_ basisdata
Estiningtyas W dan Amien LI. 2007. Pengembangan model prediksi hujan dengan metode Filter Kalman untuk menyusun skenario tanam. http://bbsdlp.litbang.deptan.go.id/index.php?option=com_content&task=vie w&id=45&Itemid=122 [20 Februari 2007]
Habra A. 2005. Neural networks, an introduction. http://www.tek271.com/ articles/neuralNet/IntoToNeuralNets.html [5 Oktober 2005]
Halide H. dan Ridd P. 2000. Modeling Inter-Annual Variation of Local Rainfall Data Using a Fuzzy Logic Technique. International Forum on Climate Prediction, Agriculture and Development. IRI 26-28 April 2000. James Cook Univ. Australia.
Handoko. 2004. Model simulasi tanaman. Disampaikan dalam Pelatihan Dosen Perguruan Tinggi Se-Indonesia Bidang Pemodelan dan Simulasi Pertanian, 9-21 Agustus 2004. Departemen Geofisika dan Meteorologi. Institut Pertanian Bogor. 4 halaman.
Julianery BE. 2003. Kabupaten Subang, agrisbisnis jadi pilihan. http://www.tokohindonesia.com/pejabat/pemda/jabar/kabsubang/index.shtm l [29 Januari 2003]
Koesmaryono Y, Las I, Runtunuwu E, June T dan Pramudia A. 2007. Analisis dan prediksi curah hujan untuk pendugaan produksi padi dalam rangka antisipasi kerawanan kekeringan. Institut Pertanian Bogor [Laporan Akhir Penelitian KKP3T]. Kerjasama antara IPB dengan Sekretariat Badan Penelitian dan Pengembangan Pertanian. Departemen Pertanian.
Krogh A dan Hertz JA. 1995. A simple weight decay can improve generalitazion. Morgan Kauffman Publishers. San Mateo California. p. 950 – 57.
Kuligowski RJ dan Barros AP. 1998. Localized precipitation forecast from a numerical weather prediction model using Artificial Neural Network. http://ams.allenpress.com/archive/1520-0434/13/4/pdf/i1520-0434-13-4- 1194.pdf [17 April dan 20 Juli 1998].
Lee S, Cho S, and Wong PM. 1998. Rainfall Prediction Using Artificial Neural Networks. J. of Geographic Information and Decision Analysis, vol.2, no.2, pp.233-242.
Levine DI dan Yang D. 2006. A note on the impact of local rainfall on rice output in Indonesian districts. http://www-personal.umich.edu/~deanyang/ papers/levineyang_ricerain.pdf
Pramudia A. 2002. Analisis sensitivitas tingkat kerawanan produksi padi di Pantai Utara Jawa Barat terhadap kekeringan dan El Nino [Tesis]. Program Pascasarjana. Institut Pertanian Bogor.
___________. 2008. Pewilayahan hujan dan model prediksi curah hujan untuk mendukung analisis ketersediaan dan kerentanan pangan di sentra produksi padi [Disertasi]. Sekolah Pascasarjana. Institut Pertanian Bogor.
Puspitaningrum D. 2006. Pengantar jaringan syaraf tiruan. Penerbit Andi. Yogyakarta.
Salman. 2006. Pemodelan jaringan syaraf tiruan recurrent yang teroptimasi secara
heuristic untuk pendugaan curah hujan berdasarkan peubah ENSO [Tesis]. Sekolah Pascasarjana. Institut Pertanian Bogor.
Suhartono, Subanar dan Guritno S. 2006. A Comparative Study of Forecasting Models for Trend and Seasonal Time Series: Does complex model always yield better forecast than simple models?. http:// www.its.ac.id/ personal/files/pub/1048-suhartono-statistics-Paper%201.%20Suhartono %20dkk.%20UGM.doc
Sutisna N. 2008. Produksi padi Subang tembus 1 juta ton. Tempo Interaktif. http://www.tempointeraktif.com/hg/nusa/2008/11/07/brk,20081107-
144622,id.html. [7 November 2008]
Baren O. 2008. Ketika sawah kian menyusut. Inilah.com. http://www.inilah.com/ berita/ekonomi/2008/04/21/24101/ketika-sawah-kian-menyusut/. [22 April 2008].
Yamamoto Y, Furuya J, Suzuki K dan Ochi S. 2002. Estimation of rainfall distribution and its relation to rice production in Laos. http://www.gisdevelopment.net/application/agriculture/production/ma06_69 b.htm
Lampiran 1. Peta sebaran stasiun dan pewilayahan hujan di Kabupaten Subang dan Karawang (Pramudia 2008)
Lampiran 2. Peta Pewilayahan hujan pada tahun El Nino, Normal dan La Nina (Pramudia, 2008)
Lampiran 3. Koefisien wij dan vjk yang dihasilkan melalui proses training set pembentukan model prediksi curah hujan menggunakan teknik analisis jaringan syaraf di beberapa stasiun di Kabupaten Karawang
Lampiran 4. Koefisien wij dan vjk yang dihasilkan melalui proses training set pembentukan model prediksi curah hujan menggunakan teknik analisis jaringan syaraf di beberapa stasiun di Kabupaten Subang
Lampiran 5. Koefisien wij dan vjk yang dihasilkan melalui proses training set pembentukan model prediksi produksi padi menggunakan teknik analisis jaringan syaraf di Kabupaten Subang dan Karawang.