Permasalahan machine learning dan pattern recognition bukanlah hal yang baru. Hal ini dapat dilihat dari aplikasi yang digunakan masyarakat sekarang ini. Seiring dengan perkembangan teknologi komunikasi, semakin berkembang pula teknik dan algoritma yang digunakan untuk menyelesaikan permasalahan machine learning dan pattern recognition. Permasalahan yang paling umum adalah pengenalan obyek. Dalam hal ini adalah wajah. Pengenalan wajah ini di adopsi dari kemampuan manusia membedakan wajah antar satu orang dengan yang lain. Pada penelitian ini akan dibuat sistem pengenalan wajah. Pada proses awal akan dilakukan ekstraksi fitur menggunakan Kernel Principal Component Analysis (KPCA) untuk menentukan karakteristik dari wajah. Kemudian dilanjutkan dengan proses klasifikasi menggunakan Mahalanobis Distance. Hasil yang dicapai pada penelitian ini sesuai uji coba yang telah dilakukan pada basis data ORL adalah : 96,23%, pada basis data YALE adalah: 95,46%, dan pada basis data BERN adalah: 95,15%. Ketiganya berada pada acak 5 dengan masing-masing kombinasi data pelatihan pose ke 3,5,7,8,10 pada ORL, 3,5,7,8,10 pada YALE, dan 3,5,7,9,10 pada BERN. Sehingga dapat disimpulkan bahwa metode ekstraksi fitur KPCA yang dikombinasikan dengan metode klasifikasi Mahalanobis Distance cukup baik digunakan sebagai pengenalan wajah.

Problems of machine learning and pattern recognition has been a long time. It can be seen from the applications that are used today. Along with the development of communication technology, is also growing techniques and algorithms used to solve the problems of machine learning and pattern recognition. The most common problems is the introduction of an object. In this case the face. Face recognition is on the adoption of the human ability to distinguish between a person's face with the other. This research will be made face recognition system. At the beginning of the process of feature extraction will be performed using Kernel Principal Component Analysis (KPCA) to determine the characteristics of the face. Then proceed with the process of classification using Mahalanobis Distance. The results achieved in this study correspond trials that have been conducted on ORL database are: 96.23%, on YALE database are: 95.46%, and the database BERN is: 95.15%. All three are on a random 5 with each combination of pose training data into 3,5,7,8,10 on ORL, YALE 3,5,7,8,10 on, and 3,5,7,9,10 in BERN . It can be concluded that the KPCA feature extraction methods are combined with Mahalanobis Distance classification method used is quite good as face recognition.