Dengan jumlah pengguna kartu kredit bank saat ini yang terus meningkat setiap tahunnya, hal ini menyebabkan masalah dimana keterlambatan pembayaran pengguna kartu kredit juga meningkat. Oleh karena itu diperlukan cara untuk memprediksi ketepatan pembayaran kartu kredit secara akurat agar dapat mengurangi resiko kredit bank. Akan tetapi dalam dunia pembelajaran mesin, dimensi yang tinggi dari kumpulan data menjadi masalah utama. Pada penelitian ini, akan membandingkan metode seleksi fitur Information Gain, Recursive Feature Elimination (RFE) dan ekstraksi fitur Principal Component Analysis (PCA) terhadap dataset Prediction of Credit Card Default. Subset fitur yang dihasilkan Information Gain, Recursive Feature Elimination (RFE) dan Principal Component Analysis (PCA) akan dilatih dan diuji dengan metode Support Vector Machine (SVM). Hasil pengujian menunjukan metode Information Gain menghasilkan nilai akurasi sebesar 69.69%, recall sebesar 94.70% dan precision sebesar 80.30%. Metode Recursive Feature Elimination (RFE) menghasilkan nilai akurasi sebesar 70.18%, recall sebesar 55.90% dan precision sebesar 80.70%. Metode Principal Component Analysis (PCA) menghasilkan nilai akurasi sebesar 55.82%, recall sebesar 46.50% dan precision sebesar 58.70%