Clustering merupakan proses penting yang banyak digunakan dalam berbagai bidang. Support vector clustering (SVC) merupakan suatu metode clustering yang dikembangkan berdasarkan konsep support vector. Dalam metode SVC, salah satu parameter yang menentukan kebrhasilan proses clustering adalah parameter Gaussian Kernel width (q). Penentuan parameter q ini merupakan hal penting dalam SVC. Salah satu metode yang dapat digunakan u ntuk menentukan parameter q adalah metode secant. Namun metode secant ini mempunyai waktu komputasi yang tinggi, sehingga tidak efisien. Pada penelitian ini diusulkan suatu metode baru untuk menentukan parameter q berdassarkankonsep pengurangan sudut. Dalam metode SVC data dipetakan dari ruang data ke ruang fitur berdimensi tinggi, dalam ruang fitur ini akan dicari suatu bola minimum yang melingkupi keseluruhan data. Nilai q berpengaruh terhadap ukuran bola minimum ini. Konsep pengurangan sudut yang dimaksudkan dalam tesisi ini adalah penurunan sudut pada grafik antara jari-jari bola dengan nilai q. Metode pengurangan sudut ini merupakan modifikasi dari metode secant. Metode pengurangan sudut diujicobakan dengan menggunakan beberapa set data, antara lain data iris dan beberapa data lainnya dari UCI Machine Learning Reporsitory. Hasil percobaan menunjukkan bahwa secara umum metode pengurangan sudut lebih efisien dari segi waktu komputasi. Hasil percobaan juga menunjukkan bahwa metode SVC dapat melakukan proses custering dengan akurat. Dengan demikian maka metode SVC sangat tepat untuk digunakan dalam berbagai bidang, antara lain dalam bidang biomedik, pengolahan citra dan pengenalan pola