Pendekatan analisis tekstur menggunakan Gray Level Cooccurrence Matrix (GLCM) dan Semivariogram telah banyak digunakan pada banyak penelitian dan memberikan hasil yang memuaskan. Belakangan ini model wavelet, baik wavelet standar maupun wavelet stasioner juga digunakan pada penelitian klasifikasi ciri tekstur. Penelitian ini ditujukan untuk membandingkan hasil klasifikasi citra SAR menggunakan metode GLCM, semivariogram dan metode Wavelet secara kuantitatif, melihat kelebihan dan kekurangan masing-masing metode, serta melihat bagaimana hasilnya jika semua ciri tekstur digabungkan (pendekatan multi model). Penelitian dilakukan terhadap dua buah citra SAR berukuran 512x512 piksel dengan 256 derajat keabuan, masing-masing citra daerah Muara Sekampung dan citra daerah Kalimantan Timur. Metode klasifikasi yang digunakan meliputi Minimum Mahalanobis Distance, Minimum Euclidean Distance dan Gaussian Maximum Likelihood. Terhadap ciri tekstur juga dilakukan pemilihan ciri menggunakan metode Principal Component Transform dan Sequential Floating Forward Selection. Ciri tekstur yang digunakan meliputi GLCM dan Semivariogram untuk jendela ketetanggan 5x5, 7x7 dan 9x9, serta wavelet stasioner dengan menggunakan 5 basis, yaitu basis Haar, Daubechies 2, Biorthogonal 3.1, Biorthogonal 2.2 dan Symlet 4. Hasil yang diperoleh dari penelitian ini diantaranya adalah bahwa klasifikasi citra berdasarkan ciri tekstur GLCM dan Semivariogram memberikan hasil yang tidak kalah (comparable) dengan hasil yang diperoleh menggunakan wavelet stasioner. Penggunan wavelet stasioner sendiri bergantung pada jenis basis yang digunakan. Basis Biorthogonal 2.2 cenderung memberikan hasil klasifikasi yang lebih baik dibandingkan basis-basis lainnya. Untuk wavelet stasioner, hasil ujicoba menunjukkan bahwa wavelet stasioner tanpa variansi cenderung memberikan hasil yang lebih baik dari pada dengan variansi, walaupun hal ini tidak terjadi pada semua kasus. Untuk ciri tekstur GLCM dan Semivariogram, ukuran jendela ketetanggaan 9x9 memberikan hasil yang lebih baik daripada ukuran jendela 5x5 dan 7x7 Penggunaan ciri tekstur GLCM, Semivariogram dan wavelet stasioner secara bersamaan (multimodel) cenderung memberikan hasil yang lebih baik dibandingkan jika ketiga kelompok ciri tekstur tersebut digunakan secara terpisah (single model). Seleksi ciri menggunakan SFFS memberikan hasil yang lebih baik daripada PCT, sesuai dengan penelitian-penelitian sebelumnya ([PUD94], [MUL00]). Ciri tekstur yang terpilih dalam kombinasi 5 ciri terbaik SFFS tidak didominasi oleh suatu kelompok ciri tekstur tertentu, namun ketiga jenis ciri tekstur memiliki kontribusi yang seimbang. Kelebihan yang diberikan oleh ciri tekstur GLCM dan Semivariogram adalah jumlah ciri yang dihasilkan tidak terlalu banyak, namun dapat memberikan hasil klasifikasi yang cenderung sama dengan hasil klasifikasi menggunakan wavelet stasioner.