Dalam penginderaan jauh terdapat beberapa metode yang dikembangkan untuk mendapatkan informasi mengenai penutup lahan, salah satunya yaitu klasifikasi maximum likelihood, yang merupakan metode klasifikasi yang dianggap paling mapan secara statistik untuk memetakan informasi penutup lahan dari citra penginderaan jauh. Klasifikasi ini memiliki asumsi bahwa data penginderaan jauh masukan yang digunakan harus terdistribusi normal. Untuk mengantisipasi adanya data penginderaan jauh yang tidak terdistribusi normal, pendekatan yang digunakan adalah dengan menggunakan klasifikasi yang didasarkan pada logika statistik non-parametrik seperti Klasifikasi Support Vector Machine. Perbedaan pendekatan inilah yang selanjutnya menjadi tujuan dari penelitian ini, yaitu mengetahui tingkat akurasi antara Klasifikasi Maximum Likelihood dan Klasifikasi Support Vector Machine.Hasil perhitungan menggunakan Confusion Matrix dan Analisis Koefisien Kappa menunjukkan bahwa Klasifikasi Support Vector Machine (SVM) dengan Kernel Linear memiliki nilai akurasi paling tinggi dengan nilai akurasi keseluruhan sebesar 65,88% dan nilai Indeks Koefisien Kappa sebesar 0,6046.