Citra hiperspektral merupakan citra yang memiliki saluran spektrum yang kontinyu dengan lebar saluran setiap spektrum sangat kecil yaitu sekitar 10 nm.Dengan demikian citra hiperspektral biasanya berukuran besar. Besarnya data citra hiperspektral dapat mengakibatkan terjadinya fenomena kutukan dimensi (curse of dimensionality) dalam proses klasifikasi citra hiperspektral, dimana peningkatan jumlah dimensi belum tentu meningkatkan akurasi klasifikasi. Untuk mengatasi hal ini, maka perlu dilakukan proses reduksi dimensi data pada citra hiperspektral. Dalam penelitian ini, dilakukan pendekatan projection pursuit (PP) untuk mereduksi dimensi data citra hiperspektral. PP adalah suatu pemetaan linear yang mencari proyeksi berdimensi rendah dari suatu ruang data berdimensi tinggi melalui suatu projection index (PI). PI adalah ukuran yang digunakan untuk menyelidiki proyeksi dari suatu objek yang diminati. Kunci sukses dalam PP adalah ketepatan dalam pemilihan PI. Dalam penelitian ini digunakan skewness dan kurtosis sebagai PI. Sedangkan untuk optimisasi dari PI, digunakan algoritma genetika yang merupakan algoritma pencarian yang berbasis pada mekanisme seleksi alam dan genetika alamiah, dimana pengacakan pada algoritma genetika bukan merupakan proses yang sederhana, oleh karena itu sebagai pembanding dari metode PP ini akan digunakan metode Probabilistic Principal Component Analysis (PPCA). Dalam metode PPCA ini akan menerapkan algoritma expectation maximization (EM) untuk mereduksi dimensi datanya. Hasil percobaan menunjukkan bahwa metode PP dan metode PPCA ini merupakan alat yang efektif untuk mereduksi dimensi data citra hiperspektral.