Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p.

156-168
© Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya

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

Prediksi Laju Infiltrasi Berdasarkan Sifat

Porositas Tanah, Distribusi Butiran Pasir, dan
Lanau
Yusra Syarifah Bachtiar1*, Donny Harisuseno1, Jadfan Sidqi
Fidari1
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.

*Penulis korespendensi: yusra.sbachtiar@gmail.com

 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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.

157
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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

158
 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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.
∆𝐻
𝑓𝑡 = Pers. 1
𝑡

159
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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.
𝑊𝑠 ×𝐺𝑡
𝐺𝑠 = 𝑊𝑠−𝑊 +𝑊 Pers. 2
1 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.
𝜌𝑏
Ø = (1 − ) × 100 Pers.3
𝐺𝑠
𝐵𝑒𝑟𝑎𝑡 𝑡𝑎𝑛𝑎ℎ 𝑘𝑒𝑟𝑖𝑛𝑔
𝜌𝑏 = Pers. 4
𝑉𝑜𝑙𝑢𝑚𝑒 𝑡𝑎𝑛𝑎ℎ

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.
𝑛 𝛴𝑋𝑌 − 𝛴𝑋𝛴𝑌
𝑟 = Pers. 5
√(𝑛𝛴𝑋 2 −(𝛴𝑋)2 )× (𝑛𝛴𝑌 2 −(𝛴𝑌)2 )

160
 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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.
1
𝑉𝐼𝐹 = Pers. 6
𝑇𝑂𝐿

𝑇𝑂𝐿 = 1 − 𝑅 2 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.
∑𝑛 (𝑃𝑖−𝑄𝑖)2
𝑁𝑆𝐸 = 1 − ∑𝑖=1
𝑛 ̅̅̅ 2
Pers. 8
𝑖=1(𝑃𝑖−𝑃𝑖)

161
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

∑𝑛
𝑖=1(𝑃𝑖−𝑄𝑖)
2
𝑅𝑀𝑆𝐸 = √ Pers. 9
𝑛
2
𝑛 𝛴𝑋𝑌 − 𝛴𝑋𝛴𝑌
𝑅2 = ( ) Pers. 10
√(𝑛𝛴𝑋 2 −(𝛴𝑋)2 )× (𝑛𝛴𝑌 2 −(𝛴𝑌)2 )

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.

162
 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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
Pasir Lanau Porositas Laju Infiltrasi Lapangan
No. Sampel
% % % 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
Pasir 0,447 Sedang
Porositas
-0,460 Sedang
Lanau
Pasir -0,997 Sangat Kuat
Porositas 0,691 Kuat
Laju Infiltrasi Lapangan 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 (%)
X3 = (Ln) Porositas tanah (%)

163
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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

Pasir 0,611 0,373 0,627 1,594 Tidak ada multikolinearitas
Porositas
-0,397 0,157 0,843 1,187 Tidak ada multikolinearitas
Lanau
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

Gambar 2: Histogram nilai residual untuk uji normalitas

164
 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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

2
Regression Standardized

1.5
Predicted Value

0.5

-0.5

-1

-1.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Regression Studentized Residual

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

165
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

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 R2 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.

5
Laju Infiltrasi Model

4
(mm/menit)

3
2
1 R² = 0.76

0
0 1 2 3 4 5
% Pasir

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

5
Laju Infiltrasi Model

4
(mm/menit)

3
2
R² = 0.63
1
0
0 2 4 6
% Lanau

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

5
Laju Infiltrasi Model

4
R² = 0.63
(mm/menit)

3
2
1
0
3.6 3.8 4.0 4.2 4.4 4.6
% Porositas
Gambar 6: Grafik hubungan laju infiltrasi model dengan sifat porositas tanah

166
 Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

4.0

3.5

Laju Infiltrasi Model

3.0

(mm/menit)
R² = 0.62
2.5
r = 0,79
2.0

1.5

1.0
0.0 1.0 2.0 3.0 4.0 5.0
Laju Infiltrasi Lapangan (mm/menit)

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

167
Bachtiar, Y.S. et al., Jurnal Teknologi dan Rekayasa Sumber Daya Air Vol. 2 No. 1 (2022) p. 156-168

[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,
2010, p. 184

168