Dimensionality adalah salah satu tantangan dalam data mining, tantangan ini meliputi jumlah atribut yang begitu besar sehingga sering disebut dengan curse of dimensionality. Semakin besar jumlah atribut maka semakin memakan waktu dan memerlukan upaya komputasi yang berlebihan sehingga data sulit untuk ditangani. Hal yang diperlukan untuk mengatasi tantangan ini adalah dengan cara mereduksi dimensi dari data tersebut.
Teknik reduksi yang dibahas pada tugas akhir ini adalah dengan menggunakan algoritma K-Means dengan cara pengelompokan data pada setiap cluster. Algoritma ini digunakan untuk mereduksi record yang kemudian dilanjutkan oleh GA sebagai feature selection untuk memilih atribut-atribut yang paling optimal berdasarkan nilai fitness tertinggi. Pencarian nilai fitness dilakukan dengan menggunakan metode klasifikasi yaitu SVM.
Hasil dari pengujian sistem menghasilkan data yang direduksi oleh K-Means memiliki akurasi yang lebih rendah untuk dataset tertentu dibandingkan tanpa menggunakan K-Means. Atribut optimal yang dihasilkan GA bervariasi berdasarkan parameter yang digunakan. Data yang digunakan adalah data penyakit berdimensi tinggi berupa ekspresi gen yaitu colon tumor dan leukemia. Akurasi rata-rata terbaik yang didapat pada data colon tumor adalah 92.86% dengan jumlah atribut terpilih yaitu 983 atribut, sedangkan untuk data leukemia selalu menghasilkan atribut yang berkualitas dengan rata-rata akurasi 100%.
Kata kunci : dimensionality, data mining, K-Means, GA, SVM