Untuk melakukan pengenalan dengan sistem jaringan araf tiruan cylindrical Hidden Multi-Layer Perception Back Propagation (CHMLP-BP) diperlukan 2(dua) macam infomrasi, yaitu citra dan sudut pandang dari obyek yang akan dikenali. Jadi, untuk bisa menggunakan sistem CHMLP-BP untuk mengenali obyek, seseorang harus mengetahui diambil pada sudut pandang berapa obyek tersebut diambil. Untuk memudahkan pengunaan sistem ini, dikembangkan metode pencarian sudut dengan metode Nearest Feature Line. Metode ini melibatkan pasangan berarah antar vektor sudut pandang terhadap obyek dengan vektor posisi node pada lapis tersembunyi yang diabstraksikan ke dalam dalam konstanta yang akan berperan dalam proses pelatihan maupun pengenalan. Untuk mengoptimalkan kinerja sistem CHMLP-BP, digunakan algoritma genetika. Penerapan algoritma genetika ini berguna untuk membuang node-node pemroses yang tidak diperlukan [SULI99]. Dalam penelitian ini digunakan 2 jenis metode reduksi yang menggunakan transformasi Karhunen-Loeve yaitu metode Eigen Parsial (Partial Eigen), dan Eigen semua (Full Eigen). Pada metode Eigen Parsial proses transformasi Karhunen-Loeve pada kelompok data citra yang memiliki 2 sudut horisontal yang berdekatan dan data citra yang memiliki sudut diantara 2 sudut tersebut akan menggunakan transformasi Karhunen-Loeve yang telah dihasilkan oleh proses sebelumnya. Untuk metode Eigen semua, data citra tidak dikelompokkan, sehingga seluruh data citra yang digunakan akan mengalami reduksi citra menggunakan transformasi Karhunen-Loeve secara bersama-sama. Hasil penelitian menunjukkan bahwa penggunaan metode Nearest Feature Line untuk menentukan sudut pandang obyek dapat mempertahankan pengenalan obyek yang informasi sudutnya diperoleh dengan cara manual. Optimasi dengan algoritma genetika juga berhasil mengurangi jumlah node pemroses tanpa menurunkan kinerja jaringan tanpa optimasi. Hasil penelitian juga menunjukkan bahwa hasil reduksi data dengan metode eigen parsial umumnya lebih baik dibandingkan reduksi data dengan eigen semua.