Informasi tutupan lahan merupakan salah satu variabel dasar dalam menentukan fenomena-fenomena pada permukaan bumi maupun sebagai variabel pengukur pembangunan suatu wilayah. Tutupan lahan dengan citra hiperspektral dapat memberikan informasi permukaan bumi secara akurat. Sampel berlabel terbatas dan ketidakseimbangan data merupakan hal yang umum pada klasifikasi citra hiperspektral tutupan lahan. Namun data yang tersedia secara publik sangat terbatas menyulitkan untuk mengevaluasi kinerja algoritma yang ada. Berbagai metode dikembangkan dengan beberapa dataset publik menggunakan sesedikit mungkin sampel pelatihan untuk menghasilkan metode yang robust terhadap keterbatasan sampel dan ketidakseimbangan data, namun penelitian-penelitian tersebut memiliki parameter rumit dan hasil akurasi belum optimal. Dalam penelitian ini dilakukan beberapa kombinasi dari metode Multiple Spectral Resolution (MSR), 3D Spectral Dilated Convolution (SDC) dan Hybrid Convolutional Neural Network (HybridSN), untuk meningkatkan akurasi pada klasifikasi citra hiperspektral dengan sampel pelatihan sangat kecil serta parameter dan komputasi yang lebih sederhana. Metode ini diuji pada dua dataset publik Indian Pines (IP) dan Salinas (SA) dengan masing-masing data latih sebesar 5% dan 1% atau hanya 500 sampel pelatihan dan memperoleh akurasi yang tinggi pada klasifikasi citra hiperspektral pada tutupan lahan. Hasil terbaik diperoleh dengan kombinasi metode SDC dan HybridSN yang dioptimasi dengan Adam dengan Overal Accuracy (OA) 96,58% %, Average Accuracy (AA) 87,83% dan kappa 96,09% pada dataset IP, dan.Average Accuracy (AA) 99,08% dan kappa 99,00% pada dataset SA.