Analisis pengenalan cacat pengelasan sangat penting dilakukan karena berkaitan erat dengan keselamatan kerja, pencemaran lingkungan dan kerugian ekonomis. Dengan menggunakan metode konvensional, analisis cacat pengelasan telah menimbulkan masalah subyektivitas, inkonsistensi, waktu analisis dan penumpukan dokumentasi. Karena itu perlu dilakukan digitalisasi sistem pengenalan cacat pengelasan untuk mengeliminasi permasalahan yang ditimbulkan dengan metode konvensional. Telah dibangun sistem pengenalan cacat pengelasan dengan menggunakan dua metode ekstraksi ciri yaitu Gray Level Co-occurrence Matrix (GLCM) dan Multi Resolution-Analysis (MRA). Serta digunakan pula Jaringan Neural Buatan (JNB) sebagai pengklasifikasi ciri. JNB yang digunakan adalah Back-Propagation dan Probabilistic Neural Network. Input sistem pengenalan merupakancitra pengelasan sebanyak 432 berukuran 360 x 180 piksel dengan 256 derajat keabuan. Citra tersebut (International Institute of Welding). Pengelompokan citra dilakukan terhadap 8 kelas cacat, yaitu: normal, distributed porosity, incomplete penetration, burn through, cluster porosity, excessive cap, excessive penetration, incomplete fussion. Pemilihan ciri dengan metode Principal Component Analysis dilakukan pada set ciri awal untuk mereduksi dimensi. Telah dilakukan pengujian terhadap sistem pengenalan dan diperoleh hasil yang sangat baik. Tingkat penenalan terbaik mencapai 99,54% dengan ekstraksi ciri GLCM dan pengklasifikasi PNN. Padakedua ekstraksi ciri PNN mempunyai tingkat pengenalan lebih baik dibandingkan BP. Penambahan wavelet sebagai ekstraksi ciri dapat direspon dengan baik oleh pengklasifikasi BP, ditandai dengan adanya peningkatkan pengenalan dibandingkan tanpa wavelet. Semakin tinggi derajat keabuan tingkat pengenalan semakin baik dan waktu komputasi ekstraksi ciri juga semakin lama, karena itu diusul kan menggunakan derajat keabuan 32.