Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya JTRESDA

Journal homepage: https://jtresda.ub.ac.id/

*Penulis korespendensi: yusra.sbachtiar@gmail.com

Prediksi Laju Infiltrasi Berdasarkan Sifat

Porositas Tanah, Distribusi Butiran Pasir, dan

Lanau

Yusra Syarifah Bachtiar

1*

, Donny Harisuseno

1

, Jadfan Sidqi

Fidari

1

1_{Jurusan Teknik Pengairan, Fakultan Teknik, Universitas Brawijaya}

Jl. MT. Haryono No. 167, Malang, 65145, Indonesia *Korespondensi Email: yusra.sbachtiar@gmail.com

Abstract: Infiltration rate's characteristic dynamically changes following

the novel condition in the study area. With current fast-paced development, the updated soil infiltration rate information must be constantly made. The characteristic of infiltration rate is strongly influenced by the physical properties of the soil, such as soil porosity and the distribution of granules. This study will formulate a prediction model of infiltration rate using multiple regression analysts based on its relationship to soil porosity, along with sand and silt content of the soil. The prediction model will be gone through a series of classical assumption analyses to prove that the model meets BLUE criteria. Then, validation analysis will be conducted to explain relationship on each variable and to show the error rate of the prediction model. Based on the result of analysis and tests done, it can be concluded that the prediction model meets the BLUE criteria refers to the results of classical assumption analysis. On the other hand, the prediction model is also rated as having a low predictive error rate with calculation results of NSE=0.84, RMSE=1.13, r=0,792 and R2 _{values of 63 %, 76 %,}

63 % for soil porosity, sand and silt content of soil.

Keywords: classical assumption analysis, granules distribution, infiltration

rate, regression analysis, soil porosity

Abstrak: Laju infiltrasi suatu wilayah memiliki karakteristik dinamis

menyesuaikan keadaan terbaru wilayah terkait. Dengan tingginya tingkat pengembangan wilayah zaman ini, maka pembaruan akan laju infiltrasi secara berkala harus dilakukan. Karakteristik laju infiltrasi suatu wilayah sangat dipengaruhi oleh sifat fisik tanah, salah satunya ialah sifat porositas tanah dan distribusi butiran. Studi ini akan merumuskan sebuah model prediksi laju infiltrasi berdasarkan hubungannya dengan sifat porositas tanah, distribusi butiran pasir, dan lanau. Perumusan model prediksi akan memanfaatkan analisis regresi berganda dan analisis asumsi klasik untuk membuktikan bahwa persamaan yang terbentuk layak untuk digunakan atau memenuhi BLUE criteria. Kemudian, dilakukan analisis validasi untuk menggambarkan tingkat error model prediksi yang dimiliki.

157 Berdasarkan pengolahan data yang telah dilakukan, dapat disimpulkan bahwa persamaan yang terbentuk memenuhi BLUE criteria mengacu pada hasil analisis asumsi klasik. Di sisi lain, model prediksi juga dinilai memiliki tingkat kesalahan prediksi yang rendah dengan hasil perhitungan nilai NSE=0,0,84, RMSE=1,13, r=0,792 dan R2 _{masing - masing 63 %, 76}

%, 63 % untuk porositas tanah, distribusi butiran pasir, dan lanau.

Kata kunci: analisis asumsi klasik, analisis regresi, distribusi butiran, laju

infiltrasi, sifat porositas tanah

1. Pendahuluan

Infiltrasi sebagai salah satu unsur dalam siklus hidrologi, mengambil peran besar terhadap ketersediaan air di muka bumi. Memiliki makna sebagai proses masuknya air kedalam lapisan tanah yang dibantu oleh gaya gravitasi. Proses ini akan membantu meningkatkan kandungan kadar air serta kelembapan tanah, mengisi kembali lapisan akuifer dan berdampak pula pada keberadaan aliran sungai saat musim kemarau [1]. Pengetahuan mengenai infiltrasi seringkali juga dihubungkan dengan pengaruhnya dalam pengurangan limpasan permukaan [2] dan kaitannya dengan perkiraan waktu konsentrasi banjir di lahan [3]. Kemampuan infiltrasi dalam suatu wilayah dipengaruhi oleh beberapa faktor diantaranya kondisi sifat fisik tanah seperti jenis tanah, struktur tanah, porositas, kadar air, konduktivitas hidrolik, kondisi permukaan tanah hingga jenis tutupan lahan serta vegetasi yang dimiliki [4].

Informasi terkait laju infiltrasi suatu wilayah penting untuk diketahui, baik untuk kebutuhan perencanaan ataupun pemetaan [5] yang berkaitan dengan perencanaan tata ruang di wilayah perkotaan [6]. Kapasitas dan laju infiltrasi dari suatu wilayah akan berbeda satu sama lain, hal ini dipengaruhi oleh banyaknya potensi kombinasi variabel faktor yang mempengaruhinya. Tingginya perubahan tata guna lahan yang mana akan berdampak pada sifat fisik tanah seperti jumlah ruang pori akan berimbas pada karakteristik laju infiltrasi pula [7]. Sehingga pembaruan akan informasi laju infiltrasi perlu terus dilakukan. Studi tentang hubungan antara laju infiltrasi dengan karakteristik tanah telah banyak dilakukan, namun masih sedikit yang menghubungkannya dengan distribusi partikel tanah bahkan dengan keterkaitan erat yang dimiliki oleh keduanya [8] [9].

Studi ini akan merumuskan sebuah perhitungan empiris prediksi laju infiltrasi dengan memanfaatkan hubungan erat yang dimiliki antara laju infiltrasi dengan sifat porositas tanah, distribusi butiran pasir, dan lanau. Perumusan model akan memanfaatkan analisis regresi berganda dan analisis asumsi klasik serta validasi sebagai sarana penguat hipotesa bahwa model prediksi yang terbentuk terbukti layak untuk digunakan. Pelaksanaan studi akan dilaksanakan di Sub-DAS lesti sebagai salah satu wilayah hulu terbesar di Indonesia serta dengan pertimbangan jarak yang tergolong mudah untuk dijangkau. Dengan model prediksi yang terbentuk, diharapkan perhitungan laju infiltrasi dapat dilaksanakan tanpa perlu pengukuran lapangan demi tercapainya efisiensi waktu, tenaga, hingga dana yang dikerahkan.

158

2. Bahan dan Metode

2.1 Bahan

2.1.1 Lokasi Studi

Sub-DAS Lesti berada ±25 km di selatan Kota Malang dan termasuk dalam bagian DAS Brantas serta memiliki luas mencapai ±635 km. Sub-DAS Lesti merupakan salah satu daerah hulu terbesar dan menjadi pertimbangan pertama penelitian dilakukan pada lokasi ini. Daerah hulu merupakan wilayah konservasi, yang setiap keputusan pengalihan tata guna lahan dan pengembangan wilayah harus dilakukan dengan pertimbangan yang matang mengingat dampak yang akan dirasakan di daerah hilir sangat berkaitan erat.

Sub-DAS Lesti memiliki ketinggian mencapai 235 m – 3.676 m diatas permukaan laut. Secara geografis berada pada koordinat antara 7º40ʹ-7º55ʹ Lintang Selatan dan 112º10ʹ-112º25ʹ Bujur Timur. Secara administratif wilayah Sub-DAS Lesti meliputi 12 kecamatan yaitu Poncokusumo, Wajak, Dampit, Tirtoyudo, Turen, Gondanglegi, Sumbermanjing, Bululawang, Pagelaran, Gedangan, Bantur, dan Pagak. Pengolahan data pada studi ini akan memanfaatkan 15 titik sampel yang diambil secara acak dengan pengukuran laju infiltrasi lapangan 1 – 2 kali untuk masing – masing titik dengan double ring infiltrometer. Sebaran titik sampel akan ditampilkan pada gambar 1.

Gambar 1: Peta lokasi studi 2.1.2 Data yang Dibutuhkan

Pelaksanaan studi ini akan memanfaatkan data sekunder, antara lain ialah: a. Data laju infiltrasi lapangan

159 b. Data hasil uji grain size

c. Data hasil uji specific gravity

d. Data hasil uji hidrometer e. Data hasil uji porositas 2.2 Metode

Pelaksanaan studi akan diawali dengan pelaksanaan survei lapangan, yang mana pada tahap ini akan dilakukan pengukuran laju infiltrasi menggunakan double ring infiltrometer dan pengambilan sampel tanah untuk analisis karakteristik tanah [10]. Data laju infiltrasi lapangan akan didapatkan dari hasil rerata 1-2 kali pengukuran laju infiltrasi yang telah dilakukan di tiap titik. Sedangkan untuk informasi sifat porositas tanah, distribusi butiran pasir, dan lanau didapatkan dari hasil analisis karakteristik tanah di Laboratorium Air Tanah, Fakultas Teknik, Universitas Brawijaya. Bila keseluruhan data yang dibutuhkan telah diketahui, maka antar variabel akan melalui analisis korelasi untuk mengetahui kekuatan hubungan masing – masing variabel bebas-terikat dan bebas-bebas.

Bila hasil perhitungan koefisien korelasi dinilai cukup kuat, maka akan dilakukan perumusan model prediksi memanfaatkan metode regresi linier berganda. Model prediksi yang terbentuk akan melalui analisis asumsi klasik untuk membuktikan bahwa model prediksi memenuhi BLUE (Best Linier Unbiased Estimator) criteria. Analisis asumsi klasik meliputi tiga uji yaitu: uji multikolinearitas, uji normalitas, uji heterokedastisitas. Masing – masing uji memiliki tujuan untuk membuktikan bahwa rangkaian data penyusun regresi bebas dari masalah multikolienaritas, berdistribusi normal, dan bersifat homokedastik. Ketiga kriteria tersebut harus terpenuhi dan akan dilakukan langkah perbaikan data (transformasi data, pengurangan, atau penambahan data) bila terbukti sebaliknya.

Langkah terakhir ialah pelaksanaan uji T dan uji F sebagai langkah pengukuran kekuatan variabel bebas mempengaruhi variabel terikat, dan analisis validasi sebagai penggambaran tingkat kesalahan prediksi (error) yang dimiliki model prediksi. Pelaksanaan analisis validasi akan memanfaatkan 10 sampel berbeda dari penyusun regresi serta dilakukan dengan perhitungan nilai NSE (Nash-Sutcliffe Efficiency), RMSE (Root

Mean Squared Error), r (koefisien korelasi) dan R2 _{(koefisien determinasi).}

2.3 Persamaan

Pada pelaksanaan studi ini, sebagian analisis dan uji akan dilakukan dengan memanfaatkan aplikasi SPSS versi 26. Untuk perhitungan uji dan analisis tanpa SPSS dilakukan dengan persamaan – persamaan berikut:

2.3.1 Perhitungan Laju Infiltrasi Lapangan

Pelaksanaan pengukuran laju infiltrasi lapangan akan dilakukan dengan double ring infiltrometer. Pembacaan penurunan air (∆H) akan dilakukan berdasarkan interval waktu (t) tertentu sesuai dengan SNI 7752:2012 [11]. Perhitungan laju infiltrasi hasil bacaan dapat dilakukan dengan persamaan 1.

𝑓𝑡 =

∆𝐻

160 Dengan:

ft = Laju Infiltrasi (mm/menit)

∆𝐻 = Tinggi penurunan air dalam selang waktu tertentu (mm)

t = Waktu yang dibutuhkan air pada ∆𝐻 untuk masuk ke tanah (menit) 2.3.2 Analisis Karakteristik Tanah

Analisis karakteristik tanah dilakukan memanfaatkan sampel tanah yang telah diambil pada proses survei lapangan. Sampel tanah 1 kg akan digunakan untuk uji grain size, uji

specific gravity, dan uji hidrometer untuk mendapatkan distribusi butiran pasir dan lanau.

Perhitungan nilai Gs (berat jenis/specific gravity) dapat dilakukan dengan persamaan 2.

𝐺𝑠 =

𝑊𝑠 ×𝐺𝑡

𝑊𝑠−𝑊1+𝑊2

Pers. 2

Dengan :

Gs : Berat Jenis Tanah/Specific Gravity (gram/cm3)

Ws : Berat tanah kering (gram)

Gt : Kerapatan air relatif pada tiap suhu

W2 : Berat Piknometer + Air (gram)

W1 : Berat Piknometer + Air + Tanah (gram)

Uji porositas akan dilakukan dengan sampel tanah undisturbed yang diambil pada kedalaman 20-30 cm dari permukaan tanah. Perhitungan porositas dapat dilakukan dengan persamaan 3-4. Ø = (

1 −

𝜌𝑏 𝐺𝑠)

× 100

Pers.3 𝜌𝑏 = 𝐵𝑒𝑟𝑎𝑡 𝑡𝑎𝑛𝑎ℎ 𝑘𝑒𝑟𝑖𝑛𝑔 𝑉𝑜𝑙𝑢𝑚𝑒 𝑡𝑎𝑛𝑎ℎ Pers. 4 Dengan: Ø = Nilai porositas

ρb = Bulk density (gram/cm3₎

Gs = Specific gravity (gram/cm3₎

2.3.3 Analisis Korelasi

Koefisien korelasi merupakan penggambaran tingkat kekuatan hubungan/korelasi antara dua variabel [12]. Nilai negatif menunjukkan bahwa hubungan yang terjadi antar variabel berlawanan arah atau berkebalikan, sedangkan nilai positif yang dimiliki menunjukkan hubungan yang searah. Bila dua variabel memiliki nilai koefisien korelasi nol, maka dapat diasumsikan kedua variabel tersebut tidak memiliki hubungan satu sama lain [13]. Perhitungan koefisien korelasi (r) dapat dilakukan dengan persamaan 5, dengan X = variabel satu: Y = variabel dua. Kemudian hasil perhitungan koefisien korelasi (r) dapat diinterpretasikan berdasarkan tabel 1 [14] untuk menggambarkan hubungan antar dua variabel terkait.

𝑟 = 𝑛 𝛴𝑋𝑌 − 𝛴𝑋𝛴𝑌

161 Dengan:

r : Koefisien korelasi

n : Jumlah sampel

X : Variabel pertama yang diuji Y : Variabel kedua yang diuji

Tabel 1: Kriteria nilai koefisien korelasi

No Nilai r Interpretasi 1 0 – 0,19 Sangat Rendah 2 0,20 – 0,39 Rendah 3 0,40 – 0,59 Sedang 4 0,60 – 0,79 Kuat 5 0,80 – 1,00 Sangat Kuat 2.3.4 Uji Multikolinearitas

Multikolinearitas merupakan kondisi terjadinya korelasi yang kuat antar variabel bebas, yang mana hal tersebut tidak baik dimiliki oleh data penyusun persamaan regresi. Adanya multikolinearitas dinilai akan mempengaruhi hasil perhitungan persamaan regresi sehingga dinilai tidak ideal. Sebuah kelompok variabel dinilai memiliki multikolinearitas bila hasil perhitungan nilai VIF>10 atau nilai tolerance <0,1. Perhitungan nilai VIF dapat dilakukan dengan persamaan 6 dan perhitungan nilai tolerance dapat memanfaatkan persamaan 7.

𝑉𝐼𝐹 = 1

𝑇𝑂𝐿 Pers. 6

𝑇𝑂𝐿 = 1 − 𝑅2 _{Pers. 7}

Dengan:

VIF = Variance Inflation Factor

TOL = Tolerance

R2 _{= Koefisien Determinasi}

2.3.5 Analisis Validasi

Analisis validasi merupakan upaya penggambaran efektivitas persamaan model. Pelaksanaan analisis validasi umumnya dilakukan dengan sampel berbeda dari penyusun persamaan regresi. Pada pelaksanaan analisis validasi studi ini akan memanfaatkan empat metode yaitu perhitungan nilai NSE (Nash-Sutcliffe Efficiency), RMSE (Root Mean

Squared Error), r (koefisien korelasi) dan R2 _{(koefisien determinasi). Variabel Pi serta Qi}

pada perhitungan nilai NSE dan RMSE masing – masing memiliki arti nilai observasi dan nilai prediksi. Untuk hasil perhitungan nilai NSE dan R2_{, keduanya memiliki interpretasi}

nilai tertentu yang dijelaskan pada tabel 2 [15] dan tabel 3 [16]. Sedangkan untuk nilai RMSE sebuah persamaan regresi akan dinilai baik bila hasil perhitungannya mendekati 0. Pelaksanaan perhitungan untuk nilai NSE dapat memanfaatkan persamaan 8, untuk RMSE memanfaatkan persamaan 9, dan koefisien determinasi memanfaatkan persamaan 10.

𝑁𝑆𝐸 = 1 −∑𝑛𝑖=1(𝑃𝑖−𝑄𝑖)2

∑𝑛 (𝑃𝑖−𝑃𝑖̅̅̅)2

𝑖=1

162 𝑅𝑀𝑆𝐸 = √∑𝑛𝑖=1(𝑃𝑖−𝑄𝑖)2 𝑛 Pers. 9 𝑅2 _{= (} 𝑛 𝛴𝑋𝑌 − 𝛴𝑋𝛴𝑌 √(𝑛𝛴𝑋2_{−(𝛴𝑋)}2_{)× (𝑛𝛴𝑌}2_{−(𝛴𝑌)}2₎ ) 2 Pers. 10 Dengan: Pi = Nilai observasi Qi = Nilai prediksi n = Jumlah sampel

X = Variabel pertama yang diuji Y = Variabel kedua yang diuji

Tabel 2: Interpretasi nilai NSE

No Nilai Interpretasi

1 NSE > 0,75 Baik

2 0,36 < NSE < 0,75 Memenuhi

3 NSE < 0,36 Tidak Memenuhi

Tabel 3: Interpretasi koefisien determinasi (R2₎

No Nilai R2 _{(%) Interpretasi} 1 0 – 19,9 Sangat Lemah 2 20 – 39,9 Lemah 3 40 – 59,9 Sedang 4 60 – 79,9 Kuat 5 80 – 100 Sangat Kuat

3. Hasil dan Pembahasan

Berdasarkan hasil analisis karakteristik tanah dan perhitungan laju infiltrasi lapangan, didapatkan rangkaian data seperti tertera di tabel 4. Sampel yang tertera pada tabel 4 merupakan rangkaian data hasil eliminasi dari total sampel hasil pelaksanaan survei lapangan. Pelaksanaan eliminasi dilakukan dengan memanfaatkan metode trial and error dengan tetap memperhatikan nilai koefisien korelasi yang terbentuk dari rangkaian data terpilih. Pelaksanaan eliminasi ini ditujukan untuk menghindari rentang data yang terlampau besar atau luas yang mana dinilai buruk untuk data penyusun persamaan regresi. Selanjutnya berdasarkan rangkaian data tersebut, kemudian akan dilakukan analisis korelasi, analisis regresi linier, dan analisis asumsi klasik.

3.1 Analisis Korelasi

Hasil analisis korelasi dari rangkaian data memiliki korelasi yang tinggi untuk masing – masing variabel bebas dan terikat seperti ditampilkan pada tabel 5. Untuk korelasi antar variabel bebas porositas dan pasir serta porositas dan lanau diketahui memiliki nilai r yang tergolong rendah yaitu dibawah 0,5. Namun korelasi yang sangat tinggi dimiliki oleh variabel bebas pasir dan lanau dengan nilai r=-0,997.

163 Rangkaian data dengan nilai korelasi >0,6 untuk variabel bebas dan terikat dinilai baik sebagai data penyusun persamaan regresi, sehingga dapat dimanfaatkan lebih lanjut pada olah data selanjutnya. Namun dengan ditemukannya korelasi kuat antar variabel bebas pasir dan lanau maka upaya perbaikan data perlu dilakukan demi menghindari permasalahan multikolinearitas yang mana dinilai akan berdampak pada hasil perhitungan regresi. Perbaikan data dilakukan dengan transformasi kebentuk logaritma asli (Ln) untuk keseluruhan variabel bebas. Bila transformasi data telah dilakukan, maka olah data selanjutnya dapat dilakukan yaitu analisis regresi linier.

Tabel 4: Data penyusun model prediksi

No. Sampel Pasir Lanau Porositas Laju Infiltrasi Lapangan

% % % mm/menit 1 65,98 29,06 41,72 2,40 2 24,51 61,94 39,20 0,09 3 66,55 28,23 42,63 3,00 4 60,69 32,08 69,59 5,50 5 21,77 62,28 34,99 1,3 6 55,17 34,83 63,50 3 7 33,41 52,35 46,81 2 8 31,27 54,07 32,96 1,5 9 78,73 17,90 47,76 2,5 10 17,66 68,23 25,68 0,5 11 77,75 17,97 49,89 3,6 12 41,35 46,37 49,91 1 13 60,81 31,58 75,67 3 14 78,45 16,95 39,35 2,5 15 45,96 46,82 49,70 3,5

Tabel 5: Hasil analisis korelasi antar variabel

Variabel r Interpretasi

Porositas Pasir 0,447 Sedang

Lanau -0,460 Sedang

Pasir -0,997 Sangat Kuat

Laju Infiltrasi Lapangan

Porositas 0,691 Kuat

Pasir 0,668 Kuat

Lanau -0,661 Kuat

3.2 Analisis Regresi Linier

Analisis regresi dilakukan dengan memanfaatkan aplikasi SPSS versi 26 dengan metode “enter”, sehingga didapatkan hasil persamaan regresi sebagai berikut:

𝑌 = −13,734 + 1,884𝑥1+ 0,586𝑥2+ 1,776𝑥3 Pers. 11 Dengan:

Y = Laju Infiltrasi (mm/menit) X1 = (Ln) Distribusi butiran pasir (%)

X2 = (Ln) Distribusi butiran lanau (%)

164

Dengan memanfaatkan model prediksi yang telah terbentuk yaitu persamaan 11, maka perhitungan laju infiltrasi model dapat dilakukan. Data laju infiltrasi model ini diperlukan untuk olah data selanjutnya yaitu analisis asumsi klasik dan analisis validasi, dengan dipenuhinya komponen residual yang didapat dari selisih hasil laju infiltrasi lapangan dan model.

3.3 Analisis Asumsi Klasik

Pelaksanaan analisis asumsi klasik akan memanfaatkan aplikasi SPSS versi 26 untuk uji normalitas dan heterokedastisitas. Sedangkan untuk perhitungan uji multikolinearitas akan menggunakan persamaan 6. Hasil uji Multikolinearitas untuk nilai VIF untuk masing – masing variabel ialah >10 berdasarkan tabel 6. Hasil uji normalitas pada tabel 7 menunjukkan nilai signifikansi >0,05 untuk metode Shapiro-Wilk dan bentuk sebaran data histogram menyerupai lonceng (gambar 3). Untuk uji heterokedastisitas, diketahui hasil perhitungan nilai signifikansi masing – masing variabel >0,05 berdasarkan tabel 8 dan sebaran data pada grafik scatterplot (gambar 4) tidak membentuk pola tertentu.

Tabel 6: Hasil uji multikolinearitas

Variabel r R² TOL VIF Keterangan

Porositas Pasir 0,611 0,373 0,627 1,594 Tidak ada multikolinearitas

Lanau -0,397 0,157 0,843 1,187 Tidak ada multikolinearitas

Pasir -0,932 0,869 0,131 7,618 Tidak ada multikolinearitas

Tabel 7: Hasil uji normalitas

Test of Normality

Statistic df Sig.

Standardized Residual _{0,978 15 0,954}

165 Tabel 8: Hasil uji heterokedastisitas

Coefficients Standardized Coefficients Beta t Sig. %Pasir -0,291 -0,258 0,801 %Lanau -0,562 -0,577 0,575 %Porositas 0,066 0,146 0,887

Dependent Variable: Abs_RES

Gambar 3: Grafik scatterplot untuk uji heterokedastisitas

Berdasarkan keseluruhan hasil analisis asumsi klasik, dapat ditarik kesimpulan bahwa rangkaian data penyusun regresi tidak memiliki permasalahan multikolinearitas, berdistribusi normal, dan bersifat homokedastik. Dengan dimilikinya kesimpulan tersebut, maka rangkaian data penyusun regresi memenuhi BLUE criteria dan dapat dikatakan layak untuk dimanfaatkan lebih lanjut.

3.4 Uji T dan Uji F

Berdasarkan hasil uji T dan F yang ditampilkan pada tabel 9, diketahui bahwa nilai signifikansi < 0,05 (α = 5%) atau nilai t hitung > t tabel (2,201) telah dipenuhi oleh variabel pasir, lanau serta sifat porositas. Sedangkan untuk kriteria uji F, nilai signifkansi < 0,05 (α = 5%) atau f hitung > f tabel (3,49) telah dimiliki oleh variabel bebas pada studi ini. Sehingga dapat disimpulkan bahwa variabel bebas secara signifikan mempengaruhi variabel terikat baik secara parsial maupun simultan.

Tabel 9: Hasil uji T dan F

Variabel t hitung Sig.

%Pasir 145,01 0 %Lanau 49,71 0 %Porositas 193,17 0 f hitung 147389,497 0 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 R eg re ss io n S ta n d ar d iz ed P re d ic te d V al u e

166

3.5 Analisis Validasi

Pengolahan analisis validasi akan memanfaatkan 10 sampel berbeda dari penyusun persamaan regresi. Hasil analisis validasi menunjukkan nilai NSE = 0,84, RMSE = 1,13, r = 0,792 dan nilai R2 _{tertera pada gambar 5 – 6 untuk R}2 _{laju infiltrasi model dengan}

distribusi pasir, lanau, serta porositas masing – masing 76 %, 63 %, dan 63 %. Berdasarkan hasil tersebut, maka dapat disimpulkan bahwa model prediksi yang terbentuk memiliki ketepatan prediksi yang baik atau memiliki tingkat error yang rendah.

Gambar 4: Grafik hubungan laju infiltrasi model dengan distribusi butiran pasir

Gambar 5: Grafik hubungan laju infiltrasi model dengan distribusi butiran lanau

Gambar 6: Grafik hubungan laju infiltrasi model dengan sifat porositas tanah R² = 0.76 0 1 2 3 4 5 0 1 2 3 4 5 L aj u I n fi lt ra si Mo d el (m m /m en it ) % Pasir R² = 0.63 0 1 2 3 4 5 0 2 4 6 L aj u I n fi lt ra si Mo d el (m m /m en it ) % Lanau R² = 0.63 0 1 2 3 4 5 3.6 3.8 4.0 4.2 4.4 4.6 L aj u I n fi lt ra si Mo d el (mm /me n it ) % Porositas

167 Gambar 7: Grafik Korelasi Laju Infiltrasi Lapangan dan Model

4. Kesimpulan

Studi ini didasarkan pada hipotesa bahwa sifat porositas tanah, distribusi butiran pasir, dan lanau merupakan faktor kuat yang mempengaruhi laju infiltrasi. Hipotesa awal tersebut telah terbukti dengan nilai koefisien korelasi antara laju infiltrasi lapangan dengan sifat porositas tanah, distribusi butiran pasir, dan lanau bernilai > 0,6. Kemudian terbentuk model prediksi berdasarkan hubungan laju infiltrasi lapangan dengan distribusi butiran pasir dan lanau serta sifat porositas tanah, yaitu Y= -13,734+1,884x1+0,586x2+1,776x3 (Y = Laju infiltrasi (mm/menit); x1 = (Ln) distribusi pasir; x2 = (Ln) distribusi lanau; x3 =

(Ln) porositas tanah) yang diperoleh dari analisis regresi linier berganda. Model prediksi yang terbentuk telah memenuhi BLUE criteria berdasarkan hasil uji multikolinearitas, normalitas, dan heterokedastisitas, serta terbukti memiliki tingkat error yang rendah dengan hasil perhitungan nilai NSE = 0,84, RMSE = 1,13, r = 0,792 dan nilai R2 _{laju infiltrasi}

model dengan distribusi pasir, lanau, serta porositas masing – masing 76 %, 63 %, dan 63 %.

Daftar Pustaka

[1] W. Viessman Jr. and G.L. Lewis, Introduction to Hydrology. Pearson, 1996 [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., No. 46, 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., No. 41, pp. 61–68, 2019, doi: 10.2478/jwld-2019-0028.

[4] V.T. Chow, D.R. Maidment, and L.W. Mays, Applied Hydrology. United States of America: McGraw-Hill, Inc, 1999

[5] D. Harisuseno and M. Bisri, Limpasan permukaan secara keruangan (Spatial Runoff). Malang: UB Press, 2017

R² = 0.62 1.0 1.5 2.0 2.5 3.0 3.5 4.0 0.0 1.0 2.0 3.0 4.0 5.0 L aj u I n fi lt ras i Mo d el (m m /m en it )

Laju Infiltrasi Lapangan (mm/menit) r = 0,79

168

[6] D. Harisuseno, M. Bisri, and A. Yudono, “Runoff Modelling for Simulating Inundation in Urban Area as a Result of Spatial Development Change”, J. Appl. Environ. Biol. Sci., Vol 2, no. 1, pp. 22-27, 2012

[7] C. J. K. T. Tamod, R. Aryanto, and T.T. Purwiyono, “Analysis of The Infiltration Rate of Various Land Uses in Kaligending Village, Karangsambung, Jawa Tengah”, J. Min & Ener., vol. 3, no. 2, pp. 76 – 88, 2020

[8] A. Hajiaghaei, et al., “Prediction of Soil Infiltration Rate Based on Silt and Clay Content of Soil”, J. Agric. & Environ. Sci., vol. 14, no. 8, pp. 702-706, 2014, doi: 10.5829/idosi.aejaes

[9] D. N. Khaerudin, et al., “Infiltration Rate for Rainfall and Runoff Process with

Bulk Density Soil and Slope Variation in Laboratory Experiment”, J. Nat. Env. & Poll. Tech., vol. 16, no. 1, pp. 219-224, 2017

[10] D. Harisuseno, and E.N. Cahya. “Determination of soil infiltration rate equation based on soil properties using multiple linear regression”, J. Water and L. Dev., no. 47, pp. 77–88, 2020, doi: 10.24425/jwld.2020.135034

[11] Tata Cara Pengukuran Laju Infiltrasi Tanah Di Lapangan Menggunakan Infiltrometer Cincin Ganda, SNI 7752, 2012

[12] D.N. Gujarati and D.C. Porter, Basic Econometrics. New York: McGraw Hills, 2009

[13] Nuryadi, et al., Dasar – Dasar Statistik Penelitian. Yogyakarta: Gramasurya, 2017 [14] Sugiyono, Metode Penelitian. Bandung: Alfabeta, 2003, p. 216

[15] J.E. Nash and J.V. Sutcliffe, “River Flow Forecasting Through Conceptual Models Part I – Discussion of Principles”, J. Hydro., vol. 10, no. 3, pp. 282-290, 1997 [16] Sugiyono, Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: Alfabeta,