ABSTRAKSI: Data umumnya memiliki jumlah fitur yang sangat besar, fitur pada data dapat juga disebut sebagai atribut atau dimensi. Penggunaan fitur data yang besar dapat mengakibatkan pemrosesan learning yang kurang efektif, bahkan dapat menghasilkan kualitas klaster yang kurang baik. Oleh sebab itu, dilakukan proses seleksi fitur untuk mengurangi jumlah fitur dari data. Pada Tugas Akhir ini dilakukan seleksi fitur pada data yang akan dilakukan proses klasterisasi sebagai learningnya. Proses seleksi fitur dapat mempertahankan atau bahkan meningkatkan kualitas klaster yang dihasilkan. Metode seleksi fitur dibagi menjadi dua, yaitu: metode wrapper dan metode filter. Metode wrapper melakukan seleksi fitur dengan menggunakan kinerja dari algoritma learning, sedangkan metode filter melakukan proses seleksi fitur terlebih dahulu kemudian melakukan algoritma learningnya. Proses seleksi fitur ini dilakukan dengan menggunakan metode wrapper. Metode wrapper dibagi menjadi tiga proses, yaitu proses pencarian, proses klasterisasi dan proses evaluasi fitur. Pada Tugas akhir ini menggunakan strategi pencarian sequential forward search yang bersifat greedy. Proses klasterisasi menggunakan algoritma EM dan klaster yang dihasilkan dievaluasi dengan menggunakan nilai evaluasi klaster log likelihood.Kata Kunci : feature selection, klasterisasi, log likelihood, sequential forward search,ABSTRACT: Generally, data have big amounts of features, feature can also be named as attribute or dimension. Using big amounts of features can affect the learning process becomes less efective, even produce worst cluster quality. Therefore, feature selection is considered to decrease the data features. In this Final Task, the feature selection is done in clustering. The feature selection process can maintain or even increase the cluster quality. There are two Feature Selection methods: wrapper method and filter method. Wrapper method selects feature with the assistance of learning algorithm, whereas, filter method selects feature first and then does the learning algorithm. Feature selection is done with wrapper method. There are three processes in Wrapper method: searching process, clustering process, and feature evaluation process. This Final Task uses sequential forward search strategy which is greedy. The clustering process uses EM algorithm and the cluster produced is evaluated with log likelihood cluster evaluation method.Keyword: feature selection, clustering, log likelihood, sequential forward search,