Ekspresi wajah merupakan suatu hal yang penting dalam proses komunikasi antar manusia. Pada pengenalan ekspresi wajah manusia, terdapat dua hal yang harus dilakukan, yaitu pengekstraksian ciri dari suatu citra inputan dan pengklasifikasian citra tersebut ke dalam kelas ekspresi tertentu. Cara yang tepat untuk mendapatkan kombinasi ekstrasi fitur dan klasifikasi citra merupakan hal yang penting dalam pengenalan ekspresi wajah. Oleh karena itu, Principal Component Analysis (PCA) digunakan sebagai teknik ekstraksi fitur untuk pengenalan ekspresi wajah manusia. PCA memilih fitur yang bisa merepresentasikan ekspresi pada citra wajah manusia secara tepat . Untuk klasifikasi, dipilih metode jaringan syaraf tiruan Learning Vector Quantization (LVQ), dan algoritma diuji pada database JAFFE (Japanese Female Facial Expressions). Dari penelitian ini menunjukkan tingkat performa (akurasi) rata-rata yang dihasilkan dari penggunaan PCA (Principal Component Analysis) untuk ekstraksi fitur dan Jaringan Syaraf Tiruan LVQ (Learning Vector Quantization) dalam pengenalan ekspresi wajah adalah sebesar 48%, dengan akurasi tertinggi yang dicapai adalah 60% untuk penggunaan 20 fitur PCA.

Facial expressions are an important thing in the process of communication between people. In the introduction of human facial expressions, there are two things that must be done, namely the extraction of the characteristic of an input image and the classifications of the image into a particular expression class. The right way to get a combination of feature extractions and imagery classifications is important in the recognition of facial expressions. Therefore, Principal Component Analysis (PCA) is used as a feature extraction technique for the introduction of human facial expressions. PCA chooses a feature that can accurately represent the expression of human face image. For classification, selected method of neural network Learning Vector Quantization (LVQ), and algorithm tested in JAFFE (Japanese Female Facial Expressions) database. From this study showed the average level of performance (accuracy) resulting from the use of PCA (Principal Component Analysis) for feature extraction and LVQ artificial nerve network (Learning Vector Quantization) in the introduction of facial expressions Is 48%, with the highest accuracy achieved is 60% for the use of 20 PCA features.