Sekarang ini, citra remote sensing dapat digunakan untuk banyak hal, salah satunya adalah klasifikasi tutupan lahan. Mengklasifikasi tutupan lahan pada suatu area dapat menghasilkan banyak informasi yang berguna, seperti perkembangan infrastruktur atau keragaman bangunan di suatu kota. Belakangan ini banyak metode yang digunakan untuk mengklasifikasikan tutupan lahan yang memakai citra remote sensing. Salah satu metode terbaru yang menjanjikan adalah Support Vector Machines (SVMs). SVMs sendiri didasarkan pada sebuah statistical learning theory, dimana pada dasarnya SVMs adalah sebuah binary classifier. Dalam penelitian ini, SVMs dalam bentuk liniernya digunakan untuk mencari tahu apakah overall accuracy dari metode ini lebih baik bila dibandingkan dengan metode klasifikasi lainnya, yaitu Maximum Likelihood Classification (MLC), ketika dipakai untuk mengklasifikasi beberapa area di Kabupaten Bandung menggunakan data Landsat TM-5. Hasil menunjukkan bahwa SVMs umumnya memiliki hasil yang lebih baik, terutama di area yang cukup homogen dimana hanya ada 2-3 kelas di area tersebut. Meskipun ada beberapa hambatan ketika mengklasifikasi area yang cukup padat atau area dengan lebih dari 3 kelas di dalamnya. Secara keseluruhan, hasil menunjukkan bahwa SVMs lebih baik dari MLC, terutama pada area yang cukup homogen. Namun MLC sedikit lebih baik pada area yang cukup heterogen, meskipun SVMs sendiri tidak terlalu jauh tertinggal dalam hal ini. Solusi dari permasalahan ini bisa diatasi dengan memakai fungsi kernel di penelitian selanjutnya untuk mendapatkan hasil yang lebih baik.