ABSTRAK Principal Component Analysis (PCA) digunakan untuk mendapatkan ciri suatu data sekaligus memperkecil dimensi data tersebut. Berbeda dengan PCA, Linier Discriminant Analysis (LDA) berusaha untuk menemukan faktor pembeda antara kelas-kelas objek yang diamati pada saat LDA memperkecil dimensi data. Dua jenis format data masukan untuk PCA dan LDA, yaitu berupa vektor (disebut 1D) dan matrik (disebut 2D). Transformasi data masukan ke ruang ciri secara non-linier menggunakan fungsi kernel dapat meningkatkan pengenalan. Dalam penelitian ini PCA dan LDA diterapkan pada data wajah 3D yaitu data wajah dengan sudut pandang horisontal antara −90 s/d 90. Hasil percobaan menunjukkan bahwa, 1DPCA dan 1DLDA mampu mengenali data uji diatas 90% pada sudut 20-30 derajat, 2DPCA dan 2DLDA sampai sudut 50-60 derajat, sedangkan KLDA pada sudut 65-75 derajat jika digunakan data training dengan sudut 0 − 15. Untuk menambah tingkat pengenalan data 3D sebarang, dalam penelitian ini dikembangkan metode untuk menentukan variasi sudut pandang data latih. Ada 2 metode yang dikembangkan. Dalam tiap metode, terdapat beberapa pola. Tingkat pengenalan diatas 90% diperoleh mulai pola ke 4 untuk metode 1 dengan 14% data latih, dan mulai pola ke 4 untuk metode 2 dengan 16% data latih. Pola yang didapatkan dari kedua metode tersebut diujikan dengan menggunakan data yang berkualitas rendah. Hasil pengujian menunjukkan bahwa terjadi penurunan tingkat pengenalan, yaitu untuk noise tipe gaussian 6%, salt and pepper 30%, motion effect 2%, dan shifting 31% dari tingkat pengenalan data uji normal sebesar 97% untuk metode 1, dan noise tipe gaussian 1%, salt and pepper 12%, motion effect 5%, dan shifting 35% dari tingkat pengenalan data uji normal sebesar 95% untuk metode 2. xiii + 71 hal; 32 gbr; 16 tbl Bibliografi:15(1974-2004)