Citra penginderaan jauh multispektral terdiri dari sejumlah citra yang diperoleh melalui panjang gelombang yang bervariasi. Masing-masing spektrum saling menunjang dalam proses klasifikasi kelas suatu objek. Algoritma clustering untuk klasifikasi citra multispektral ini, telah banyak dikembangkan, termasuk dengan cara mengoptimasi dan mengintegrasikan berbagai algoritma. Tesis ini mengusulkan sebuah algoritma, yakni algoritma clustering adaptif (CA) yang berusaha mengatasi sejumlah kelemahan yang terdapat pada algoritma sebelumnya dengan mengintegrasikan metode hierachical dan partitional clustering. Meode hierarchical ini terdiri dari split dan merge, dimana split berusaha membagi database menjadi sejumlah cluster sesuai karaktteristik citra. Proses split yang berdasarkan distribusi pixel dalam feature space ini menggunakan histogram dari komponen utama citra multispektral tersebut. Sedangkan proses merge berusaha menggabungkan secara ketat cluster yang telah dihasilkan, agar cluster yang memang sangat berdekatan saja, yang digabung. Hal ini mengantisipasi berperannya noise yang sangat mungkin mengakibatkan chain effect. Adapun partitional clustering berusaha mendeteksi prototype yang sebenarnya dari tiap culter, dengan memanfaatkan FCM(Fuzzy C-Mean). Sebab FCM sangat baik dalam mengatasi uncertainty yang mungkin terjadi akibat adannya noise atau outlier. Algoritma CA ini lebih unggul dalam hal kekompakan tiap cluster, heterogenitas antar cluter, dan ketepatan identifikasi kelas. Keunggulan lainya adalah lebih memudahkan penggunanya, sebab hanya membutuhkan dua parameter, yakni threslold merge dan toleransi (untuk konvergensi FCM). Di samping itu, algoritma ini tidak meminta pengguna untuk menentukan jumlah cluster ataupun inisialisasi lokasi pusat tiap cluster.