Perbandingan Citra Google Satelite dan ESRI World Imagery Dalam Sebaran Tambang di Kabupaten Lahat
DOI:
https://doi.org/10.55606/isaintek.v9i1.403Keywords:
Pertambangan, citra google satellite, citra ESRI World Imagery, interpretasi citraAbstract
Kegiatan pertambangan memiliki resiko merubah fungsi lahan. Penelitian ini bertujuan melakukan perbandingan terhadap penggunaan citra Google Satellite Imagery dan ESRI World Imagery dalam interpretasi sebaran lahan tambang. Interpretasi menggunakan pendekatan spasial yang diolah menggunakan ArcGIS 10.8. Hasil menunjukkan bahwa terdapat perbedaan luasan tambang yang teridentifikasi berdasarkan sumber citra satelit yang digunakan. Google Satellite Imagery mampu mendeteksi luasan pertambangan yang lebih besar, yaitu 12.022,02 Ha, dibandingkan ESRI World Imagery yang menghasilkan 11.485,41 Ha, sedangkan data acuan dari KLHK tahun 2023 mencatat luas tambang sebesar 10.798,46 Ha. Perbedaan ini dipengaruhi oleh resolusi spasial, kejelasan tekstur permukaan, serta pembaruan data pada masing-masing citra. Persentase perubahan luas lahan pertambangan yang dihitung dari perbandingan Google Satellite Imagery dengan data KLHK mencapai 11,33%, sementara perbandingan dengan ESRI World Imagery hanya sebesar 6,37%. Hasil ini menunjukan Google Satellite Imagery lebih sensitif dalam mengidentifikasi ekspansi tambang, meskipun berpotensi menghasilkan overestimation, sedangkan ESRI World Imagery cenderung lebih konservatif dalam estimasi luas. Untuk memastikan konsistensi dan akurasi pemantauan perubahan lahan tambang, diperlukan pemilihan sumber citra yang tepat, penggunaan metode interpretasi yang konsisten, serta validasi silang dengan data resmi maupun observasi lapangan.
References
Firdaus, F. A. J., Ramdani, F., & Arwani, I. (2022). Pemanfaatan Sistem Informasi Geografis berbasis WebGIS terhadap Pemetaan Fasilitas Kota Pasuruan menggunakan Framework CodeIgniter. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(1), 343–350. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10504
Hurskainen, P., Adhikari, H., Siljander, M., Pellikka, P. K. E., & Hemp, A. (2019). Remote Sensing of Environment Auxiliary datasets improve accuracy of object-based land use / land cover classi fi cation in heterogeneous savanna landscapes. Remote Sensing of Environment, 233(November 2018), 111354. https://doi.org/10.1016/j.rse.2019.111354
Li, H., Wang, P., Werner, T. T., Chen, B., & Chen, W. Q. (2025). Machine learning-enhanced monitoring of global copper mining areas. Scientific Data , 12(1), 1–14. https://doi.org/10.1038/s41597-025-05296-y
Mabrur, A. Y., Alifah Noraini, & Irvania Sukma Kumala. (2023). Pembuatan WebGIS Sebagai Visualisasi Informasi Potensi Desa. Jurnal ENMAP, 4(1), 1–6. https://doi.org/10.23887/enmap.v4i1.59521
Maus, V., Giljum, S., Gutschlhofer, J., da Silva, D. M., Probst, M., Gass, S. L. B., Luckeneder, S., Lieber, M., & McCallum, I. (2020). A global-scale data set of mining areas. Scientific Data, 7(1), 1–13. https://doi.org/10.1038/s41597-020-00624-w
Nwilo, P. C., Okolie, C. J., Onyegbula, J. C., Arungwa, I. D., Ayoade, O. Q., Daramola, O. E., Orji, M. J., Maduako, I. D., & Uyo, I. I. (2022). Positional accuracy assessment of historical Google Earth imagery in Lagos State, Nigeria. Applied Geomatics, 14(3), 545–568. https://doi.org/10.1007/s12518-022-00449-9
Potere, D. (2008). Horizontal Positional Accuracy of Google Earth’s High-Resolution Imagery Archive. Sensor, 8, 7973–7981. https://doi.org/10.3390/s8127973
Prasetyo, M. H., Baderan, D. W. K., & Hamidun, M. S. (2025). Dampak Kerusakan Lingkungan Akibat Eksploitasi Sumber Daya Mineral dari Kegiatan Pertambangan. Jurnal Ilmu Pertanian Dan Teknologi Dalam Ilmu Tanaman, 2(2), 01–11.
Rizki, S. D., Idrus, M., Kuswadi, D., Bandar, K., Natar, K., Way, K., Selatan, L., & Way, S. (2024). Identification of Potential Flood Areas at Lampung State Polytechnic Campus using a Geospatial Approach. Jurnal Teknika Sains, 09(2). https://doi.org/https://doi.org/10.24967/teksis.v9i2.3540
Saktiyoso, T., Dian Ekawati, F., & Supratno, S. (2024). Penerapan Aplikasi Arcgis Dalam Pembuatan Peta Lokasi Desa Ridomanah. An-Nizam, 3(1), 164–171. https://doi.org/10.33558/an-nizam.v3i1.9669
Sukmawati, K., & Rahmah, A. (2022). Pengembangan Geographic Information System (GIS) guna Pengelolaan Komoditas Tanaman Cabai. Jurnal Informatika Terpadu, 8(2), 78–84. https://doi.org/10.54914/jit.v8i2.458
Talukdar, S., Singha, P., Mahato, S., & Pal, S. (2020). Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations — A Review. Remote Sensing, 12(1135). https://doi.org/https://doi.org/10.3390/rs12071135
Tang, L., & Werner, T. T. (2023). Global mining footprint mapped from high-resolution satellite imagery. Communications Earth and Environment, 4(1), 1–12. https://doi.org/10.1038/s43247-023-00805-6
Venter, Z. S., Barton, D. N., Chakraborty, T., Simensen, T., & Singh, G. (2022). Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sensing, 14(16). https://doi.org/10.3390/rs14164101
