Gender Recognition merupakan sistem untuk mengidentifikasi jenis kelamin seseorang berdasarkan citra wajah, karena di dalam citra wajah terdapat fitur yang merepresentasikan karakteristik seseorang. Gender Recognition dapat digunakan dalam berbagai macam applikasi, seperti interaksi manusia dan komputer, sistem kamera, dan sistem temu kembali citra. Pengklasifikasian jenis kelamin diperoleh dari tiga tahap antara lain preprocessing, ekstraksi fitur, dan pengklasifikasian citra. Tahap pertama, yaitu Preprocessing yang bertujuan untuk menghilangkan variasi pencahayaan pada citra dengan menggunakan metode Local Binary Pattern (LBP). Tahap kedua, ekstraksi fitur menggunakan metode Principal Component Analysis (PCA) sehingga menghasilkan susunan matrik proyeksi dan matrik bobot yang akan digunakan pada tahap klasifikasi. Tahap ketiga, pengklasifikasian citra menggunakan pengukuran kemiripan Euclidean Distance, dengan cara membandingkan matrik bobot citra training dengan matrik bobot testing yang diperoleh dari proses perkalian citra testing dengan matrik proyeksi. Dari hasil uji coba sistem, kombinasi metode Principal Component Analysis (PCA) dan Local Binary Pattern (LBP) dengan menggunakan pengukuran kemiripan Euclidean Distance tingkat akurasi rata-rata mencapai 80%. Klasifikasi jenis kelamin yang salah dikarenakan oleh miripnya bentuk rambut, bentuk kepala serta ekspresi antara citra perempuan dan citra pria.

Gender Recognition is a system to identify gender of person based on facial image, since in the facial image, there is features which representing human characteristic. Gender Recognition can be used in various applications, such as human computer interaction, camera system, and image retrieval systems. Gender classification has three stages i.e. preprocessing, feature extraction, and image classification. The first stage is preprocessing to eliminate variations in lighting from an image using Local Binary Pattren (LBP) method. The second stage is feature extraction using Principal Component Analysis (PCA) to generate the projection matrix and weight matrix composition that will be used in the classification stage. The third stage is image classification using Euclidean Distance similarity measurement, by comparing the weight matrix between weight matrix testing obtained from the multiplication of testing image and projection matrix. The experiment result shows that, the combination method of Principal Component Analysis (PCA) and Local Binary Pattern (LBP) using Euclidean Distance as similarity measurement could achieve average rate accuracy 80%. Gender miss classification caused by the similarity of hair shape, head shape and expression of the women image and man image.