Pada umumnya kemajuan teknologi untuk mendeteksi wajah bukanlah hal yang baru lagi. Pengenalan wajah merupakan bagian dari pattern recognition. Salah satu bentuk penerapan pengenalan wajah ini yaitu membedakan wajah antar satu orang dengan yang lain.Pada penelitian ini akan dibuat sistem pengenalan wajah menggunakan ekstraksi fitur Diagonal Principal Component Analysis (DiaPCA) untuk menentukan karakteristik dari wajah. Setelah itu dilakukan pengukuran kemiripan antara data pelatihan (training) dan data uji coba (testing) menggunakan metode klasifikasi Euclidean Distance. Melalui proses citra wajah ini dapat diketahui identitas dari seseorang. Alasan menggunakan ekstraksi fitur DiaPCA pada tugas akhir ini karena DiaPCA mengubah citra wajah asli menjadi citra wajah diagonal dengan memadukan informasi dari baris dan kolom pada citra asli untuk menemukan beberapa blok yang berguna atau struktur informasi yang diakui oleh citra asli, misalnya struktur daerah mata, hidung dan lain-lain. Dari ujicoba aplikasi menggunakan klasifikasi Euclidean Distance diperoleh akurasi pengenalan terbaik pada basis data ORL, YALE dan BERN masing-masing 94,16%, 92%, dan 94,06%. Ketiganya berada pada skenario Terurut D. Kata kunci : Diagonal Principal Component Analysis (DiaPCA), pengenalan wajah, Euclidean Distance.

In general, advances in technology to detect faces is not new anymore. Face recognition is part of the pattern recognition. One form of this is the application of face recognition differentiate between a person's face to another. In this research will be made using a face recognition system feature extraction Diagonal Principal Component Analysis (DiaPCA) to determine the characteristics of the face. After that is done measuring the similarity between the training data (training) and test data (testing) using Euclidean Distance method of classification. Through this process the face image of a person's identity is known. The reason to use feature extraction DiaPCA in this thesis because DiaPCA alter the original facial image into diagonal face images by combining information from the rows and columns in the original image to find some useful blocks or structural information recognized by Of testing applications using Euclidean Distance classification obtained the best recognition accuracy on the ORL database, YALE and BERN, respectively 94,16%, 92%, and 94.06%. All three are in scenario Ascending D. Keywords : Diagonal Principal Component Analysis (DiaPCA), face recognition, Euclidean Distance.