Perkembangan dalam ukuran dan koleksi data menjadi masalah tersendiri dalam tahap preprocessing dalam data mining. Oleh karena itu pengurangan ukuran atau reduksi data sangat penting untuk dilakukan. Teknik reduksi data dengan menggunakan feature selection berbasis filter terbukti lebih efisien dalam hal komputasi. Algoritma Fast Correlation Based Filter menerapkan prinsip Symmetrical Uncertainty sebagai ukuran korelasi untuk menentukan keterhubungan feature ke dalam konsep class. Algoritma ini secara efektif dapat menyeleksi feature yang relevan ke class dan membuang feature yang tidak relevan dan redundant feature. Akurasi data yang dihasilkan melalui pemilihan feature ini tidak berkurang secara drastis bahkan dalam beberapa data akurasinya meningkat dibandingkan dengan data asli sebelum direduksi. Algoritma ini dapat meningkatkan performansi pada proses klasifikasi, yaitu dengan running time yang lebih kecil untuk membangun model klasifikasi. Metode ini dapat digunakan untuk mengurangi ukuran data secara efektif dan mendukung proses-proses data mining selanjutnya menjadi lebih efisien. preprocessing, feature selection, Fast Correlation Based Filter, akurasi data