Journal homepage: https://jtresda.ub.ac.id/
*Penulis korespendensi: windysonora@gmail.com
Prediksi Laju Infiltrasi Berdasarkan Porositas Tanah dan Komposisi Tanah
Windy Ellprimus Sonora1*, Donny Harisuseno1, Jadfan Sidqi Fidari3
1Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya Jalan MT. Haryono No. 167, Malang, 65145, INDONESIA
*Korespondensi Email : windysonora@gmail.com
Abstract: Determining infiltration rate by measurement in the field requires expensive cost, more time, and energy. Therefore, estimating the empirical model will be needed so it will become easier and efficient.
However, it is difficult to determine the empirical model because there are so many factors that affect the infiltration rate, and one of the other is the soil properties like soil porosity and soil texture. This study aims to predict the infiltration rate based on soil porosity and soil content in Lesti Watershed that the research is limited. In this study, the measurement of infiltration rate in the field was performed in the 12 sites using Double Ring Infiltrometer, and the soil sample was analyzed in the laboratory. The prediction model was performed using multiple linear regression on three alternate variables that were submitted. The prediction of infiltration rate provides the equation regression IRp=1.893+ 0.032(Porosity)-0.049(Silt) which is from the best alternate variable that is the soil porosity and silt content with the predicted value compared to the field measurement value which provides R2= 0.989, NSE= 0.724, RMSE= 0.495 and bland Altman plot (bias)= 0.209 that indicated the accuracy of the model prediction of infiltration rate can be said appropriate.
Keywords: Infiltration Rate, Prediction, Soil Content, Soil Porosity.
Abstrak: Penentuan laju infiltrasi di lapangan membutuhkan banyak waktu, biaya dan tenaga, sehingga diperlukan estimasi model empiris laju infiltrasi agar dalam penentuannya menjadi lebih mudah dan efisien.
Namun penetapan parameter model empris laju infiltrasi masih sulit ditemukan karena ada banyak faktor yang mempengaruhi laju infiltrasi dan salah satu yang paling berpengaruh adalah sifat fisik tanah diantaranya porositas tanah dan tekstur tanah. Studi ini bertujuan untuk memprediksi model laju infiltrasi berdasarkan porositas tanah dan komposisi tanah di DAS Lesti yang penelitiannya masih terbatas. Dalam studi ini, pengukuran laju infiltrasi dilaksanakan pada 12 titik lokasi studi menggunakan Double Ring Infiltrometer dan analisa sampel tanah dilakukan di Laboratorium.
292
Model prediksi laju infiltrasi dilakukan menggunakan analisa regresi linier berganda pada tiga alternatif variabel yang diajukan. Prediksi laju infiltrasi menghasilkan model persamaan regresi IRp=1.893+0.032(Porosity) - 0.049(Silt) yang berasal dari alternatif variabel terbaik yaitu berdasarkan porositas tanah dan komposisi lanau dengan perbandingan antara nilai laju infiltrasi prediksi dan pengukuran di lapangan sebesar R2= 0,989, NSE=
0,724, RMSE= 0,495, dan bland altman plot (bias)= 0,209 yang menunjukkan bahwa akurasi model prediksi laju infiltrasi berdasarkan porositas tanah dan komposisi tanah lanau dapat dikatakan cukup sesuai.
Kata kunci: Komposisi Tanah, Laju Infiltrasi, Porositas Tanah, Prediksi
1. Pendahuluan
Infiltrasi merupakan salah satu bagian proses dari siklus hidrologi yang berperan penting dalam mengoptimalkan ketersediaan air bagi pertumbuhan tanaman, meminimalisir limpasan permukaan dan erosi serta manajemen air bagi efisiensi irigasi dan drainasi [1]. Pengetahuan tentang infiltrasi sering dikaitkan dengan dampaknya terhadap upaya meminimalisir limpasan permukaan [2] dan kaitannya dengan perkiraan waktu tiba banjir di lahan [3]. Dalam perencanaan tata ruang wilayah perkotaan, informasi mengenai perilaku laju infiltrasi lahan merupakan salah satu variabel yang dipertimbangkan berkaitan dengan keseimbangan air di lahan [4]. Pengelolaan air yang efisien membutuhkan kontrol infiltrasi yang lebih besar di dalam tanah [5].
Tingkat laju infiltrasi dapat dipengaruhi oleh berbagai macam faktor, namun salah satu yang paling berpengaruh adalah sifat fisik tanah diantaranya porositas tanah dan tekstur tanah [6]. Peningkatan laju infiltrasi terbukti dipengaruhi oleh porositas tanah [7]. Pada penelitiannya, [8] menunjukkan bahwa porositas tanah memiliki pengaruh yang tinggi terhadap laju infiltrasi pada setiap penggunaan lahan. Departemen USDA [9], memaparkan bahwa salah satu faktor pengaruh yang erat kaitannya dengan laju infiltrasi adalah tekstur tanah (komposisi tanah pasir, lempung dan lanau). Tekstur tanah mempengaruhi seluruh proses laju infiltrasi [10]. [5] mengemukakan bahwa adanya pengaruh komposisi tanah lempung dan lanau terhadap laju infiltrasi pada lahan pertanian.
Meskipun cukup banyak penelitian yang telah dilakukan terkait hubungan antara laju infiltrasi tanah dan karakteristik tanah, namun dalam memprediksi laju infiltrasi berdasarkan distribusi ukuran butir tanah masih sangat terbatas [5]. Dan sejauh ini penelitian terkait hubungan antara laju infiltrasi dengan porositas tanah dan komposisi tanah masih sangat terbatas.
Pengukuran laju infiltrasi dilapangan membutuhkan banyak waktu, biaya dan tenaga.
Sehingga diperlukan estimasi terkait permodelan laju infiltrasi agar penentuannya menjadi lebih mudah dan efisien. Namun, dalam mengestimasi laju infiltrasi, memilih metode yang tepat untuk menetapkan parameter model empiris infiltrasi masih sulit ditemukan karena ada banyaknya faktor pengaruh laju infiltrasi. Oleh karenaiitu, penelitian ini dilakukan dengan tujuan untuk memprediksi laju infiltrasi berdasarkan porositas tanah dan komposisi tanah di DAS Lesti, yang sejauh ini penelitiannya belum pernah dilakukan.
293 2. Bahan dan Metode
2.1 Bahan 2.1.1 Lokasi Studi
Penelitian ini berlokasi di DAS Lesti, Kabupaten Malang, Jawa Timur, yang terletak diantara 70 40’-70 55’ LS dan 1120 10’-1120 25’ BT dengan penggunaan lahan di DAS Lesti berupa pemukiman, vegetasi, pertanian dan lahan terbuka.
Tabel 1 menyajikan 12 titik lokasi studi yang digunakan pada penelitian ini. Titik lokasi studi tersebar di hulu, tengah hingga hilir di DAS Lesti. Adapun sebaran titik lokasi studi dapat dilihat pada Gambar 1. Gambar 1 menunjukkan titik lokasi di DAS Lesti yang tersebar yaitu 3 titik berada di hulu, 6 titik berada di tengah dan 3 berada di hilir.
Tabel 1: Titik Koordinat Titik
Lokasi Studi
Koordinat
Lokasi Keterangan
Longitude Latitude
1 112° 44' 47.625" E 8° 12' 28.962" S Kec. Dampit Tengah DAS Lesti 2 112° 47' 19.526" E 8° 09' 55.523" S Kec. Wajak Tengah DAS Lesti 3 112° 46' 42.385" E 8° 12' 15.935" S Kec. Dampit Tengah DAS Lesti 4 112° 46' 13.208" E 8° 11' 04.846" S Kec. Dampit Tengah DAS Lesti 5 112° 46' 40.099" E 8° 10' 42.502" S Kec. Dampit Tengah DAS Lesti 6 112° 48' 45.825" E 8° 04' 15.936" S Kec. Poncokusumo Hulu DAS Lesti 7 112° 48' 34.194" E 8° 04' 22.446" S Kec. Poncokusumo Hulu DAS Lesti 8 112° 49' 11.280" E 8° 05' 15.689" S Kec. Poncokusumo Hulu DAS Lesti 9 112° 46' 28.124" E 8° 16' 40.329" S Kec. Dampit Hilir DAS Lesti 10 112° 47' 27.525" E 8° 16' 55.640" S Kec. Dampit Hilir DAS Lesti 11 112° 47' 40.116" E 8° 16' 58.130" S Kec. Dampit Hilir DAS Lesti 12 112° 47' 46.157" E 8° 11' 28.255" S Kec. Dampit Tengah DAS Lesti
Gambar 1: Peta Lokasi Studi
294
2.1.2 Data Penelitian
Data yang digunakan dalam studi ini merupakan data primer dan data sekunder. Data sekunder berupa peta titik lokasi studi dan data primer yang diperlukan adalah sebagai berikut :
1. Data nilai laju infiltrasi pengukuran di lapangan sebagai variabel dependent
2. Data sifat fisik tanah yaitu diantaranya nilai porositas tanah (Porosity), komposisi tanah pasir (Sand) , lanau (Silt) dan lempung (Clay) sebagai variabel independent.
Dua kelompok data dari 12 titik lokasi studi dibagi menjadi 9 titik lokasi studi yang digunakan dalam analisa prediksi laju infiltrasi dan 3 titik lokasi studi digunakan dalam analisa perbandingan dari persamaan regresi yang dihasilkan.
2.2 Metode
2.2.1 Pengukuran Laju Infiltrasi Lapangan
Laju infiltrasi di lapangan diukur menggunakan alat Double Ring Iinfiltrometer yang terdiri dari dua buah ring silinder berbahan baja atau logam yang berdiameter 300 mm untuk ring dalam dan ring luar berkisar diantara 450 - 600 mm dengan kedua ring memiliki tinggi 500 mm [11]. Tata cara pengukuran laju infiltrasi dilakukan berdasarkan penurunan tinggi muka air pada ring dalam [12]. Nilai laju infiltrasi yang diperoleh adalah nilai laju infiltrasi konstan. Adapun persamaan yang digunakan adalah sebagai berikut :
𝑓 =∆ℎ
∆𝑡 Pers. 1
Dimana:
f : Laju infiltrasi (mm/menit)
∆ℎ : Perubahan tinggi muka air (mm)
∆𝑡 : Interval waktu (menit) 2.2.2 Analisa Sifat Fisik Tanah
Sampel tanah yang diambil di lapangan terdiri dari dua jenis yaitu pengambilan sampel tanah biasa (Disturbed Soil Sampling) untuk analisa komposisi tanah dan sampel tanah utuh (Undisturbed Soil Sampling) untuk analisa porositas tanah [13]. Analisa sifat fisik tanah terdiri dari analisa porositas tanah dan analisa komposisi tanah yang terdiri dari analisa saringan dan analisa hidrometer [14] akan dilakukan di Laboratorium Tanah dan Airtanah Teknik Pengairan Universitas Brawijaya Malang. Uji berat jenis diperlukan untuk keperluan perhitungan analisa porositas tanah dan analisa hidrometer.
2.2.3 Analisa Korelasi Pearson
Analisa korelasi pearson merupakan korelasi sederhana yang digunakan untukiimengetahui hubungan antar dua variabel baik bebas (independent) maupun terikat (dependent) [10]. Analisa korelasi pearson dilakukan untuk menentukan alternatif variabel terbaik yang akan diajukan dalam analisa prediksi laju infiltrasi. Alternatif variabel yang terpilih memiliki korelasi antar variabel dependent dengan independent yang kuat namun korelasi antar variabel independent yang rendah [16]. Adapun koefisien korelasi pearson dapat dihitung berdasarkan persamaan sebagai berikut:
295
𝑅 = 𝑛 ∑ 𝑋𝑌
𝑛𝑖=1 − ∑𝑛𝑖=1𝑋×∑𝑛𝑖=1𝑌
√[𝑛(∑𝑛𝑖=1𝑋2)−(∑𝑛𝑖=1𝑋)2][𝑛(∑𝑛𝑖=1𝑌2)−(∑𝑛𝑖=1𝑌)2]
Pers. 2
Dimana:
R : Koefisien Korelasi Pearson n : Jumlah Data
X : Variabel X Y : Variabel Y
Tabel 2: Interpretasi Korelasi Pearson
Koefisien Korelasi Pearson Tingkat Hubungan
0,00 - 0,199 Sangat Rendah
0,20 - 0,399 Rendah
0,40 - 0,599 Sedang
0,60 - 0,799 Kuat
0,80 - 1,000 Sangat Kuat
2.2.4 Analisa Regresi Linier Berganda
Analisa regresi linier berganda merupakan metode analisa statistika yang digunakan untuk mengestimasi model persamaan yang didalamnya terdapat variabel dependent dan independent yang berhubungan secara linear [6]. Dalam memprediksi laju infiltrasi, variabel dependent merupakan laju infiltrasi lapangan (Y), sementara porositas tanah dan komposisi tanah merupakan variabel independent (X). Model prediksi terbaik diperoleh dari nilai koefisien determinasi tertinggi hasil regresi dari seluruh alternatif variabel yang diajukan. Dengan bantuan program SPSS v.26, prediksi laju infiltrasi lapangan yang akan dihasilkan merupakan persamaan model prediksi sebagai berikut :
Y = b0 + b1 . X1 + b2 . X2 + …. + bP . XP Pers. 3 Dimana:
Y : Variabel dependent b0,b1,..,bp : Koefisien Regresi X1,X2,..,Xp : Variabel independent 2.2.5 Uji Asumsi Klasik
Uji asumsi klasik ditujukan sebagai syarat dalam melakukan analisa regresi linear berganda karena model regresi dapat dikatakan baik adalah model yang dapat memenuhi beberapa asumsi klasik yang terdiri dari tidak adanya multikolinearitas dan heteroskedastisitas serta data berdistribusi normal didalam model . Uji multikolinearitas dilakukan menggunakan metode nilai VIF (Variance Inflation Factor), uji normalitas menggunakan metode Shapiro-Wilk dan uji heteroskedastisitas menggunakan metode uji Glejser [16]. Uji asumsi klasik dilakukan menggunakan bantuan program SPSS v.26 [17].
2.2.6 Analisa Perbandingan
Analisa perbandingan dilakukan untuk melihat akurasi nilai hasil model prediksi dengan nilai pengukuran di lapangan. Tingkat akurasi yang tinggi menunjukkan kelayakan model prediksi. Adapun analisa perbandingan yang dilakukan sebagai berikut :
296
A. Koefisien Determinasi
Koefisien Determinasi ditujukan untuk melihat tingkat akurasi nilai model prediksi terhadap nilai pengamatan. Nilai koefisien determinasi berada pada rentang 0 hingga 1.
Semakin mendekati 1 maka akurasi nilai model prediksi mendekati sempurna.
𝑅2= (𝑛 ∑ 𝑋𝑌
𝑛𝑖=1 – ∑𝑛𝑖=1𝑋 ×∑𝑛𝑖=1𝑌 )²
[𝑛 ∑𝑛𝑖=1𝑋2−(∑𝑛𝑖=1𝑋)2][𝑛 ∑𝑛𝑖=1𝑌2−(∑𝑛𝑖=1𝑌)2] Pers. 4 Dimana:
R2 : Koefisien Determinasi N : Jumlah Data
X : Nilai dari Pengamatan Y : Nilai Prediksi
B. Bland Altmant Plot
Bland Altmant Plot ditujukan untuk menganalisis perbedaan antara nilai pengamatan dengan nilai prediksi melalui plot nilai perbedaan rerata (bias) kedua pengukuran dalam batas kesesuaian interval kepercayaan 95% [18]. Batas kesesuaian interval kepercayaan dapat dihitung sebagai berikut:
𝐸 = 𝑑 ∓ 1,96 𝑆𝑑 Pers. 5
Dimana:
E : Batas Kesesuaian 95%
𝑑̅ : Perbedaan Rerata Sd : Standar Deviasi
C. Root Mean Square Error (RMSE)
RMSE ditujukan untuk mengetahui akurasi nilai hasil prediksi melalui pengukuran tingkat kesalahan nilai laju infiltrasi prediksi [1].
𝑅𝑀𝑆𝐸 = √∑ni=1(X-Y)2
n Pers. 6
Dimana:
RMSE : Nilai Root Mean Square Error n : Jumlah Data
X : Nilai Pengamatan
D. Nash-Sutcliffe Efficency (NSE)
Uji Nash-Sutcliffe Efficency merupakan metode statistika yang digunakan untuk mengevaluasi model dengan data pengamatan berdasarkan kriteria seperti di Tabel 3 [19].
𝑁𝑆𝐸 =1 −∑ (X-Y)
2 nt=1
∑nt=1(X-𝑋̅)2 Pers. 7
Dimana:
NSE : Nilai Nash-Sutcliffe Efficency
297 X : Nilai Pengamatan
Y : Nilai Prediksi
X̅ : Rerata Nilai Pengamatan.
Tabel 3: Kriteria Nilai NSE
Nilai NSE Interpertasi
NSE > 0,75 Baik
0,36 < NSE < 0,75 Memenuhi
NSE < 0,36 Tidak Memenuhi
3. Hasil dan Pembahasan
3.1 Nilai Laju Infiltrasi Pengukuran di Lapangan (IRo)
Berdasarkan hasil pengukuran di lapangan pada 12 titik lokasi studi di DAS Lesti, nilai laju infiltrasi yang diperoleh merupakan laju infiltrasi konstan yang nilainya bervariasi yaitu berkisar diantara 0,100 mm/menit hingga 3,000 mm/menit dengan rata-rata 1,883 mm/menit yang diklasifikasikan sedang-cepat. Nilai laju infiltrasi lapangan yang diperoleh pada 9 titik digunakan sebagai variabel dependent dalam analisa prediksi dan 3 titik digunakan dalam analisa perbandingan. Nilai laju infiltrasi lapangan pada 12 titik lokasi studi dapat dilihat pada Tabel 3.
3.2 Sifat Fisik Tanah
Berdasarkan hasil analisa sampel tanah di laboratorium, diperoleh nilai sifat fisik tanah pada 12 titik lokasi studi. Tabel 4 menunjukkan nilai porositas tanah yang diperoleh pada lokasi studi berkisar diantara 33,69% hingga 75,671% dan Komposisi tanah yang diperoleh pada lokasi studi cenderung berpasir dengan komposisi tanah pasir (Sand%) yang berkisar diantara 24,514% hingga 77,703%, komposisi tanah lempung (Clay%) berkisar antara 3,632% hingga 13,515% dan komposisi tanah lanau (Silt%) berkisar antara 18,665%
hingga 61,936%. Sifat fisik tanah yang diperoleh pada 9 titik lokasi studi akan digunakan sebagai variabel independent dalam model prediksi sedangkan 3 titik lokasi studi lainnya digunakan dalam analisa perbandingan.
Tabel 4: Nilai Laju Infiltrasi Lapangan dan Sifat Fisik Tanah No
Titik Lokasi
Studi
IRo Porosity Sand Silt Clay
(mm/menit) (%) (%) (%) (%)
Data Model Prediksi
1 2 3,000 69,280 77,703 18,665 3,632
2 4 1,000 33,889 59,821 32,138 8,041
3 5 2,000 41,717 65,975 29,062 4,963
4 6 3,000 75,671 60,814 31,575 7,611
5 7 2,000 33,691 66,203 26,715 7,082
6 8 2,000 46,148 68,981 25,504 5,515
7 9 0,100 39,199 24,514 61,936 13,551
8 10 2,000 65,787 54,434 37,850 7,716
9 11 2,500 63,812 65,975 28,397 5,628
Data Analisa Perbandingan
1 1 1,000 49,703 45,958 46,824 7,219
2 3 1,000 42,972 44,740 45,085 10,175
3 12 3,000 63,499 55,172 35,601 9,227
298
Keterangan :
IRo : Laju Infiltrasi Pengukuran di Lapangan (mm/menit) Porosity : Porositas Tanah (%)
Sand : Komposisi Tanah Pasir (%) Silt : Komposisi Tanah Lanau (%) Clay : Komposisi Tanah Lempung (%)
3.3 Analisa Korelasi Pearson
Hasil analisa korelasi pearson dapat disajikan pada Tabel 5. Berdasarkan Tabel 5, koefisien korelasi antar variabel dependent dengan independent tergolong kuat. Pada hubungan antar variabel independent, korelasi antar komposisi tanah dan porositas tanah rendah, sedangkan korelasi antar komposisi tanah sangat kuat. Sehingga komposisi tanah tidak dapat digunakan secara bersama-sama dalam model prediksi. Dengan demikian, alternatif variabel yang diajukan dalam analisa prediksi laju infiltrasi adalah sebagai berikut:
1. Alterntif 1 : IRo, Porosity & Sand 2. Alternatif 2 : IRo, Porosity & Silt 3. Alternatif 3 : IRo, Porosity & Clay
Selanjutnya, model prediksi terbaik akan dipilih dari ketiga alternatif variabel pada analisa regresi linier berganda berdasarkan koefisien determinasi tertinggi.
Tabel 5: Analisa Korelasi Pearson
IRo Porosity% Sand% Silt% Clay%
IRo 1,000
Porosity% 0,736 1,000
Sand% 0,806 0,279 1,000
Silt% -0,800 -0,264 -0,998 1,000
Clay% -0,805 -0,335 -0,969 0,953 1,000
3.4 Prediksi Laju Infiltrasi
Prediksi laju infiltrasi menggunakan 9 data titik lokasi studi melalui analisa regresi linier berganda pada ketiga alternatif variabel yang telah diajukan. 9 data titik lokasi studi yang digunakan dapat dilihat pada Tabel 4. Hasil prediksi laju infiltrasi melalui analisa regresi pada ketiga alternatif variabel dapat dilihat pada Tabel 6.
Seperti yang ditunjukkan pada Tabel 6, diperoleh model prediksi dari alternatif variabel terbaik berasal dari alternatif variabel 2, yaitu prediksi laju infiltrasi berdasarkan porositas tanah dan komposisi tanah lanau, yang memiliki nilai koefisien determinasi tertinggi yaitu sebesar R2 = 0,935, yang berarti porositas tanah dan komposisi tanah lanau memberikan 93,50% pengaruh terhadap laju infiltrasi pengukuran di lapangan. Nilai uji t dan F menunjukkan nilai yang signifikan, yang berarti variabel porositas tanah dan komposisi tanah secara signifikan berpengaruh terhadap laju infiltrasi secara parsial maupun simultan pada tingkat kepercayaan 95%. Adapun persamaan regresi yang dihasilkan pada alternatif variabel terbaik sebagai berikut:
299 IRp = 1,893 + 0,032(Porosity) - 0,049(Silt) Pers.6 Dimana:
IRp : Laju Infiltrasi Prediksi (mm/menit) Porosity : Porositas Tanah (%)
Silt : Komposisi Tanah Lanau (%)
Dari persamaan regresi yang dihasilkan pada Pers. 6, diperoleh nilai laju infiltrasi prediksi pada 12 titik lokasi studi ditunjukkan pada Tabel 7. Berdasarkan Tabel 7, laju infiltrasi prediksi pada 12 titik lokasi studi memiliki nilai yang berkisar diantara 0,093 mm/menit hingga 3,177 mm/menit dengan rata-rata 1,831 mm/menit.
Tabel 6: Hasil Analisa Regresi Linier Berganda Tiga Alternatif Variabel
Alternatif Variabel
1 2 3
Variabel
IRo (Y) Porosity (X1)
Sand (X2)
IRo (Y) Porosity (X1)
Silt (X3)
IRo (Y) Porosity (X1)
Clay (X4) Model
Persamaan
IRp = -2,107 + 0,031(Porosity) +
0,040(Sand)
IRp=
1,893+0,032(Porosity) - 0,049(Silt)
IRp= 1,865+
0,030(Porosity) - 0,205(Clay)
R 0,966 0,967 0,945
R2 0,933 0,935 0,893
F hitung 41,801 43,459 24,975
F tabel α=0,05 5,143 5,143 5,143
Interpertasi Signifikan Signifikan Signifikan
t hitung Porosity:5,035 Sand: 5,925
Porosity:5,246 Silt: -6,052
Porosity:3,703 Clay: -4,435
t tabel α=0,05 2,447 2,447 2,447
Interpertasi Signifikan Signifikan Signifikan
Tabel 7: Nilai Laju Infiltrasi Prediksi
No Titik Lokasi Studi Porosity Silt IRp
(%) (%) (mm/menit)
[1] [2] [3] [4]
1 2 69,280 18,665 3,177
2 4 33,889 32,138 1,390
3 5 41,717 29,062 1,790
4 6 75,671 31,575 2,746
5 7 33,691 26,715 1,650
6 8 46,148 25,504 2,106
7 9 39,199 61,936 0,093
8 10 65,787 37,850 2,123
9 11 63,812 28,397 2,525
10 1 49,703 46,824 1,170
11 3 42,972 45,085 1,042
12 12 63,499 35,601 2,161
300
3.5 Uji Asumsi Klasik
Berdasarkan hasil uji asumsi klasik pada ketiga alternatif variabel, diperoleh hasil uji multikolinearitas, uji normalitas serta heteroskedastisitas yang disajikanspada Tabel 8.
Pada Tabel 8, hasil uji asumsi klasik yang diperoleh menunjukkan alternatif variabel 1 dan 2 memenuhi seluruh persyaratan uji asumsi klasik sedangkan alternatif variabel 1 tidak memenuhi karena data tidak berdistribusi normal. Sehingga dapat disimpulkan hanya alternatif variabel 1 dan 2 yang dapat dipertimbangkan dalam memilih alternatif variabel terbaik dalam memprediksi laju infiltrasi.
Tabel 8: Uji Asumsi Klasik Tiga Alternatif Variabel
Alternatif Variabel
1 2 3
Variabel Porosity Sand Porosity Silt Porosity Clay Multikolinearitas
VIF 1,084 1,084 1,075 1,075 1,126 1,126 Ket. Tidak Terjadi
Multikolinearitas
Tidak Terjadi Multikolinearitas
Tidak Terjadi Multikolinearitas Normalitas
Shapiro-
Wilk 0,821 0,828 0,002
Ket. Berdistribusi Normal
Berdistribusi Normal
Tidak Berdistribusi Normal
Heteroskedastisitas
Uji
Glejser 0,459 0,335 0,230 0,127 0,959 0,990 Ket. Tidak Ada
Heteroskedastisitas
Tidak Ada Heteroskedastisitas
Tidak Ada Heteroskedastisitas 3.6 Analisa Perbandingan
Analisa perbandingan nilai laju infiltrasi pengukuran di lapangan dengan nilai laju infiltrasi prediksi menggunakan 3 data titik lokasi studi yang nilainya diperoleh dari hasil persamaan regresi. Hasil analisa perbandingan disajikan pada Tabel 9.
Pada Tabel 9, hasil analisa perbandingan yang diperoleh adalah nilai RMSE sebesar 0,495, NSE sebesar 0,724 yang berarti model prediksi tergolong memenuhi, R2 sebesar 0,989 yang berarti bahwa akurasi model prediksi sangat baik, seperti yang telah disajikan pada Gambar 2 yang menunjukkan plot nilai prediksi dan pengukuran di lapangan mendekati garis diagonal. Kemudian pada uji Bland Altmant Plot diperoleh nilai perbedaan rerata yang rendah sebesar 0,209 dan perbedaan antara nilai prediksi dan pengukuran di lapangan berada pada batas interval kepercayaan 95% yang ditunjukkan pada Gambar 3, yang diindikasikan tidak terdapat perbedaan yang bermakna antara nilai laju infiltrasi pengukuran di lapangan dengan nilai laju infiltrasi prediksi.
Tabel 9: Analisa Perbandingan
Metode Nilai Interpertasi
R² 0,989 Sangat Baik
NSE 0,724 Memenuhi
RMSE 0,495 Tingkat Kesalahan Model
Prediksi Rendah Bland Altman Plot
Upper LOA 1,286 Tidak Terdapat Perbedaan yang bermakna antara Nilai IRo &
IRp
Lower LOA -0,868
Bias 0,209
301 Gambar 2: Plot IRo vs IRp
Gambar 3: Bland Altmant Plot
4. Kesimpulan
Berdasarkan hasil analisa pada studi ini, prediksi laju infiltrasi pada 12 titik lokasi studi yang tersebar di DAS Lesti menghasilkan model persamaan regresi laju infiltrasi yang didasarkan pada alternatif variabel terbaik dari seluruh alternatif variabel yang diajukan.
Berdasarkan analisa regresi linier berganda diperoleh alternatif variabel terbaik berasal dari alternatif 2 yaitu prediksi laju infiltrasi berdasarkan porositas tanah dan komposisi tanah lanau yang memiliki R2 tertinggi sebesar 0,935 dengan persamaan yang diperoleh yaitu IRp
= 1,893 + 0,032(Porosity) - 0,049(Silt) sehingga didapatkan nilai laju infiltrasi prediksi berkisar diantara 0,093 mm/menit hingga 3,177 mm/menit dengan rerata sebesar 1,831 mm/menit.
-2.500 -1.500 -0.500 0.500 1.500 2.500
0.000 0.500 1.000 1.500 2.000 2.500 3.000
Bias
Rerata IRo&IRp
0,209 1,286
-0,868
0.000 1.000 2.000 3.000 4.000 5.000
0.000 1.000 2.000 3.000 4.000 5.000
IRo vs IRp
IRp (mm/menit) IRo (mm/menit)
R2=0,989
302
Perbandingan nilai laju infiltrasi prediksi dengan nilai laju infiltrasi pengukuran di lapangan yang nilainya berkisar diantara 0,100 – 3,00 mm/menit dengan rerata 1,883 mm/menit menghasilkan nilai R2,NSE,RMSE dan perbedaan rerata uji Bland Altman plot masing-masing sebesar 0,989, 0,724, 0,495, dan 0,209, yang berarti tidak adanya perbedaan yang bermakna antara nilai pengukuran di lapangan dengan nilai hasil prediksi. Maka dapat disimpulkan, akurasi model prediksi yang dibangun oleh porositas tanah dan komposisi tanah lanau dapat dikatakan cukup sesuai sehingga dapat menjadi metode yang mudah dan efisien dalam memprediksi laju infiltrasi.
Daftar Pustaka
[1] G. T. Patle, T. T. Sikar, K. S. Rawat, and S. K. Singh, “Estimation of infiltration rate from soil properties using regression model for cultivated land,” Geol. Ecol.
Landscapes, vol. 3, no. 1, pp. 1–13, 2019, doi: 10.1080/24749508.2018.1481633.
[2] D. Harisuseno, M. Bisri, and T. S. Haji, “Inundation controlling practice in urban area: Case study in residential area of Malang, Indonesia,” J. Water L. Dev., vol.
46, no. 7–9, pp. 112–120, 2020, doi: 10.24425/jwld.2020.134203.
[3] D. Harisuseno, D. N. Khaeruddin, and R. Haribowo, “Time of concentration based infiltration under different soil density, water content, and slope during a steady rainfall,” J. Water L. Dev., vol. 41, no. 1, pp. 61–68, 2019, doi: 10.2478/jwld-2019- 0028.
[4] D. Harisuseno, M. Bisri, and A. Yudono, “Runoff Modelling for Simulating Inundation in Urban Area as a Result of,” vol. 2, no. 1, pp. 22–27, 2012.
[5] M. Rashidi, A. Ahmadbeyki, and A. Hajiaghaei, “Prediction of Soil Infiltration Rate Based on Some Physical Properties of Soil,” J. Agric. Environ. Sci, vol. 14, no. 12, pp. 1359–1367, 2014, doi: 10.5829/idosi.aejaes.2014.14.12.12461.
[6] P. K. Pandey and V. Pandey, “Estimation of infiltration rate from readily available soil properties (RASPs) in fallow cultivated land,” Sustain. Water Resour. Manag., vol. 5, no. 2, pp. 921–934, Jun. 2019, doi: 10.1007/s40899-018-0268-y.
[7] T. I. dan S. B. Yuwono, “Infiltrasi Pada Berbagai Tegakan Hutan di Arboretum Universitas Lampung,” J. Sylva Lestari, vol. 4, no. 3, pp. 21–34, 2016.
[8] G. E. Osuji, M. A. Okon, M. C. Chukwuma, and I. I. Nwarie, “Infiltration Characteristics of Soils under Selected Land Use Practices in Owerri, Southeastern Nigeria,” World J. Agric. Sci., vol. 6, no. 3, pp. 322–326, 2010.
[9] USDA_NRCS, “Inherent Factors Affecting Soil Infiltration,” no. May, pp. 1–6, 2014.
[10] M. Hemlin, “Measuring soil infiltration rates in cultivated land,” p. 123, 2015.
[11] D. Harisuseno and E. N. Cahya, “Determination of soil infiltration rate equation based on soil properties using multiple linear regression,” J. Water L. Dev., vol. 47, no. 1, pp. 77–88, 2020, doi: 10.24425/jwld.2020.135034.
[12] SNI 7752:2012, “Tata cara pengukuran laju infiltrasi di lapangan menggunakan infiltrometer cincin ganda dengan cincin dalam tertutup,” 2012.
303 [13] H. Suganda, A. Rachman, and Sutono, “Petunjuk Pengambilan Contoh Tanah,” in Sifat Fisik Tanah dan Metode Analisisnya, K. Undang, A. Fahmuddin, A.
Adimihardja, and A. Dariah, Eds. Balai Besar Penelitian Tanah, 2006, pp. 3–24.
[14] SNI 3423:2008, “Cara uji analisis ukuran butir tanah,” 2008.
[15] Sugiyono, Statistik Untuk Penelitian, 11th ed. Bandung: CV Alfabeta, 2007.
[16] D. N. Gujarati, Basic Econometric, 4th ed. McGraw-Hill, Inc., 2003.
[17] IBM SPSS, “IBM SPSS statistics base 26,” p. 174, 2017.
[18] D. Giavarina, “Understanding Bland Altman analysis,” Biochem. Medica, vol. 25, no. 2, pp. 141–151, 2015, doi: 10.11613/BM.2015.015.
[19] D. N. Moriasi, J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T.
L. Veith, “Model Evaluation Guidelines For Systematic Quantification Of Accuracy In Watetshed Simulation,” Am. Soc. Agric. Biol. Eng., vol. 50, no. 3, pp.
885–900, 2007, doi: 10.1234/590.
