Algoritma Iterative Support Vector Machines (SVM), merupakan suatu algoritma yang dibentuk untuk menyelesaikan masalah Klasifikasi, Algoritma ini tidak terkait dengan penyelesaian masalah Quadratic Programming yang biasanya digunakan oleh ALgoritma SVM yang lain. Model Optimisasi Klasifikasi dari Iterative Support Vector Machines ini melibatkan Fungsi Referensi, baik didalam Fungsi Obyektif maupun di Kendala dari. Model Optimisasi tersebut Fungsi Referensi digunakan untuk mewakili ciri-ciri dari data yang digunakan. Keakuratan hasil Klasfikasi Iterative SVM untuk beberapa data Benchmarks UCI -Repository lebih tinggi dibandingkan dengan Software Sequentiel Minimization Optimizion (SVM-SMO). Penggunaan fungsi Kernel Radial Basis Function (RBF), Kernel Polinomiall, dan Kernel Linier untuk Data Aroma maupun Data Benchmarks UCI-Respository, tidak selalu meng hasilkan hasil yang memuaskan. Untuk itu dibentuk suatu fungsi Kernel baru yang dinamakan Fungsi Kernel Eksponensial Nonparametrik. Fungsi Kernel ini telah diuji cobakan pada Algoritma-algoritma Klasifikasi berbasis Kernel dan memberikan tingkat keakuratan lebih tinggi dibandingkan dengan Fungsi Kernel RBF, Kernel Polinomial dan Kernel Linier. Fungsi Kernel Eksponensial Nonparametrik tersebut digunakan juga sebagai pengganti fungsi jarak yang terdapat pada Algoritma Clustering seperti : K-Nearest Neighbor, LVQ, Fuzzy LVQ, Fuzzy C-Means dan Fuzzy Robust Clustering, yang umumnya menggunakan Norm Euclidian sebagai fungsi jarak. Berdasarkan hasil percobaan, penggunaan fungsi kernel Eksponensial Nonparametrik memberikan keakuratan lebih tinggi dibandingkan dengan Fungsi Kernel RBF, Kernel Polinomial dan Kernel Linier dalam menyelesaikan masalah untuk Clustering Data Multikelas. Pada disertasi ini, jug dibentuk Algoritma Fuzzy Kernel Robust Clustering. Perbedaan Algoritma ini dengan Algoritma Fuzzy Robust Clustering, yang telah ada sebelumnya adalah: Menggunakan Fungsi Kernel sebagai fungsi jarak, Menerapkan derajat fuzzines tidak tetap pada tiap iterasi, Proses updating membership dan prototype yang berbeda dengan Algoritma Fuzzy Robust Clustering klasik tersebut. Hasil percobaan Algoritma Fuzzy Kernel Robust Clustering pada data Aroma menunjukkan keakuratan lebih tinggi dibandingkan dengan Algoritma Fuzzy Robust Clustering.