Kernel Principal Component Analysis (KPCA) adalah suatu metode untuk mereduksi dimensi matriks menjadi lebih rendah tanpa menghilangkan informasi yang termuat dalam data. KPCA adalah generalisasi dari Principal Component Analysis (PCA) yang hanya bisa menyelesaikan masalah linier. KPCA digunakan untuk menyederhanakan jaringan Radial Basis Function (RBF). RBF adalah salah satu metode jaringan saraf tiruan dalam komputasi. Metode RBF diketahui memiliki tingkat keakuratan yang tinggi dalam melakukan klasifikasi. Namun, tingkat akurasi dan kecepatan RBF akan rendah jika ruang input berdimensi tinggi. KPCA sebagai ekstraksi fitur nonlinier dilakukan sebagai langkah preprocessing untuk algoritma klasifikasi data sebagai input di RBF sehingga mengurangi kebutuhan memori dari model dan membuat jaringan RBF lebih cepat dan efisien. Tujuan penelitian ini adalah untuk menentukan tingkat akurasi dari proses klasifikasi data menggunakan metode KPCA-RBF. Penelitian ini menggunakan data iris yang diperoleh dari website UCI Machine Learning yang terdiri dari 4 variabel. Setiap variabel terdiri dari 150 pengamatan yang memiliki 3 klasifikasi. Data iris dibagi secara acak untuk proses training dan testing yang selanjutnyadilakukan perhitungan reduksi variabel menggunakan KPCA. Selanjutnya dilakukan proses RBF dengan KPCA sebagai input yang akan diklasifikasikan untuk melihat tingkat akurasinya. Kemudian dari proses KPCA-RBF didapatkan rata-rata dari 10 kali percobaaan 76.67%  akurasi data training dan 81% data testing.

Kata Kunci: Kernel Principal Component Analysis (KPCA), Radial Basis Function (RBF), Klasifikasi data.