Pendekatan samar (fuzzy) telah dibuktikan dapat menyelesaikan proses -proses yang berhubungan dengan ketidak-pastian dan ketidak jelasan(Uncertainties). Ketidak pastian ini juga terdapat pada data citra dimana batas antara bagian obyek tidak jelas dan dapat berbeda antara interprestasi satu pakar dengan pakar lainnya. Explicit Fuzzy (EF) merupakan salah satu metode klasifikasi berdasarkan pendekatan samar. Gaussian Maximum Likelihood (GML) merupakan salah satu metode klasifikasi berdasarkan statistik yang banyak dipergunakan karena menghasilkan akurasi yang relatif cukup baik (diatas 90%). Penelitian tesisi ini bertujuan untuk meneliti kinerja klasifikasi berdasarkan dua metode diatas, yaitu EF dan GML pada tiga studi kasus daerah penelitian. Studi ini akan diterapkan pada citra multispektral. Parameter ketelitian hasil klasifikasi yng digunakan sebagai kriteria pembanding adalah average producer's accuracy :(AP), overall accuraccy(OA), average user's accuracy (AU) dan maksimum selisih AP, OA,AU sebagai indikator kemampuan generalisasi (Amaks.). Untuk mengetahui apakah hasil klasifikasi signifikan secara statistik, dipergunakan chisquare. Pada studi kasus yang digunakan tesis ini memperlihatkan bahwa pendekatan EF mempunyai AP dan OA yang sebanding dengan AP dan OA pada pendekatan GML (keduanya mempunyai nilai rata-rata ketelitian klasifikasi diatas 95%). Secara keseluruhan GML mempunyai ketelitian klasifikasi lebih baik dari EF dengan perbedaan sekitar 1 %. Dilain pihak, EF mempunyai tingkat generalisasi y;ang sedikit lebih baik dibandingkan dengan GML. Dari segi waktu komputasi, EF sangat tergantung pada jumlah band yang dipergunakan, dimana ketika jumlah band mencapai 6 band waktu komputasi sudah mencapai 3 x waktu proses 2 band. GML mempunyai waktu komputasi yang lebih konstan terhadap perubahan jumlah band yang diperlukan.