Perbandingan reduksi dimensi Principal Component Analysis (PCA) dan Spectral Clustering yang mana kedua metode menggunakan nilai eigen dalam menentukan jumlah komponen yang akan direduksi. Data yang digunakan ialah ekspresi gen microarray dengan total 7129 data dan 34 fitur. Didapat pada kedua metode didapat hasil dimensi yang direduksi pada PCA yaitu 2 PC dan pada Spectral yaitu k=2 kemudian hasil reduksi dimensi tersebut dilakukan clustering menggunakan algoritma K-means. Hasil evaluasi pengelompokan menggunakan silhouette coefficient dan davies bouldin index (DBI) diperoleh nilai pada metode PCA Kmeans cluster optimal terdapat pada k=2 dengan nilai silhouette coefficient tertinggi 0,9480 dan DBI terendah 0,4065, sedangkan pada Spectral Clustering K-means cluster optimal terdapat pada pada k = 2 dengan nilai silhouette coefficient tertinggi 0,9311 dan DBI terendah 0,5536. Hasil penelitian menunjukkan PCA K-means memperoleh nilai evaluasi lebih tinggi dibandingkan Spectral Clustering K-means.