Deteksi perubahan adalah salah satu bagian penting dalam pemrosesan citra, yg bertujuan untuk mengidentifikasi perubahan suatu objek (wilayah) yang sama pada periode waktu tertentu. Slah satu metode pendekatan yang digunakan untuk deteksi perubahan adalah post classification change detection differencing, yang berarti informasi perubahan diperoleh dengan membandingkan hasil klasifikasi antara dua citra temporal. Dua metode klasifikasi tak terselia, teridiri dari k-means k-d tree (pusat cluster awal ditentukan dengan algoritma k-d tree) dan segmentasi split-merge (nilai ambang otomatik ditentukan berdasarkan gabungan algoritma sistem skor dan grey level histogram) digunakan sebagai kajian. Ujicoba masing-2 metode klasifikasi dilakukan pada blok citra 3-D yang dibentuk dari dua citra temporal dan masing-2 temporal terdiri dari tiga band yang dipilih melalui evaluasi optimum index factor pada tiga variasi ukuran citra yang diujicoba, menunjukkan kombinasi tiga band 457 (256x256),145 (512x512 (1) dan 345 (512x512(2)), yang paling optimal ditinjau dari kelengkapan informasi. Ditinjau dari waktu eksekusi, kualitas hasil klasifikasi (diukur berdasarkan sum of square error), persentase jumlah pixel terklasifikasi, penilaian secara visual serta konsistensi pertambahan persentase perubahan hasil deteksi perubahan seiring dengan bertambahnya jumlah cluster atau region, menunjukkan bahwa metode segementasi split-merger dengan nilai ambang otomatik relatif lebih baik dibandingkan dengan metode k-means k-d tree. Dengan demikian, metode segmentasi split-merge dengan nilai ambang otomatik, dapat diusulkan untuk metode deteksiperubahan tak terselia