Penentuan key factore pd multispectral remote sensing image merupakan hal yang sangat penging dalam proses klasifikasi dan segmentasi.Penggunaan informasi spektral dlm proses identifikasi dan klasifikasi permukaan lahan yang bersifat heterogen tidak cukup efisien sehingga diperlukan suatu teknik khusus agar dapat diperoleh key feature yang tepat. Penerapan satu metode ekstraksi fitur cenderung menunjukkan hasil klasifikasi yang kurang akurat jika dibandingkan dengan menng ombinasikan beberapa metode secara bersamaan. Selain itu analisis tekstur cenderung menunjukkan hasil klasifikasi yang kurang memuaskan untuk permukaan lahan yang bersifat homogen. Penambahan fitur warna pada analisis tekstur diharapkan dapat meningkatkan efisiensi dan keberhasilan proses klasifikasi dan segmentasi di berbagai kondisi permukaan lahan, khususnya untuk permukaan lahan yang bersifat homogen. Pada penelitian ini dianalisa hasil klasifikasi dari segmentasi multispectral remote sensing image dengan menggunakan algoritma Expectation Maximization (EM), argumented vector, fusi data dan fusi informasi. Ekstraksi fitur pada multispectral remote sensing image dilakukan dengan menggunakan pendekatan metode statistika (Gray Level Co-accurrence Matrix (GLCM), teknik filtering (Gabor Filtra (GF) dan vitur warna (RGB). Pemilihan metode tersebut didasarkan pada hasi studi literatur terhadap sejumlah penelitian yang telah dilakukan oleh beberapa peneliti sebelumnya, khususnya untuk penggunaan satu buah metode ekstraksi fitur. Masing-masing fitur selanjutnya diklasifikasi dengan EM. Proses klasifikasi dilakukan pada indrafdual-feature based dan augmented facture based digunakan sebagai masukan pada skema fusi data dan fusi informasi untuk menghasilkan citra tematik. Kaidah keputusan yang digunakan dalam fusi data adalah Produce Decision Rule, Sum Decision Rule, Maximum Decision Rule, dan dan Majority Volue Rule. Untuk menghilangkan kemungkinan adanya none pada citra hasil klasifikasi maka diharapkan post-processing menggunakan fitur Morfologi. Evaluasi tingkat akurasi dari proses klasifikasi diukur dengan menggunakan Confussion Matrix. Berdasarkan hasil penelitian yang telah dilakukan fitur warna (RGB) memiliki tingkat akurasi pengklasifikasi yang lebih baik dibandingkan dengan hasil klasifikasi menggunakan fitur tekstur (GLCM dan GF). TIngkat akurasi dari hasil klasifikasi dengan menggunakan fitur ini adalah 81,46%. Hasil klasifikasi terbaik dari argumented vector dicapai saat diguanakan fitur RGB dan GLCM. Secara umum tingkat akurasi yang dihasilkan dari argumented vector ini masih kurang akurat jika dibandingkan dengan tingkat akursi dari masing2 metode ekstraksi fitur. Tingkat akurasi dari hasil klasifikasi argumented vector RGB dan GLCM adalah 63,71%. Teknik fusi, fusi data dan fusi informasi, menggunakan hasil klasifikasi individual feature based mampu meningkatkan akurasi dari proes klasifikasi. Tingkat akurasi dari hasil klasifikasi menggunakan teknik ini lebih baik jika dibandingkan dengan tingkat akurasi dari hasil klasifikasi masing-2 metode ekstraksi fitur ataupun aurgemented vector. Tingkat akurasi terbaik dari fusi data dicapai saat digunakan fitur RGB dan GLCM dengan Sam Decision Rule, yaitu 86,12%. Sedangkan tingkat akurasi fusi informasi menggunakan hasil klasifikasi individual-feature based adalah 85,85%.