Sistem jaringan saraf tiruan Cylindrical Hidden Multi-Layer perception Back Propagation (CHMLP-BP) telah dikembangkan dalam bidang pengenalan objek 3 dimensi. Jaringan CHMLP-BP ini melakukan pengenalan objek 3 dimensi melalui data citra 2 dimensi yang diambil dari berbagai sudut pandang pengamatan terhadap objek. JST CHMLP-BP menggunakan metode pembelajran supervised yang mempunyai pola target tertentu yang menjadi acuan keberhasilan pembelajaran serta menggunakan metode pelatihan Back Propagation (Propagasi Balik). Modifikasi sistem CHMLP-BP telah dilakukan untuk meningkatkan kinerjanya dengan beberapa formula pembelajran dan struktur jaringan. Penambahan node pemoroses pada sub lapis tersembunyi secara acak serta momodifikasi arsitektur lapis tersembunyi dari bentuk silinder tunggal menjadi bentuk konsentris sehinga disebut sebagai CHMLP-BP Konsentris. Walaupun kinerja sistem CHMLP-BP meningkat, pertambahan node pada lapis tersembunyi secara acak belum membuktikan bahwa struktur jaringan telah optimal. Salah satu metode pencarian bentuk struktur jaringan optimal dan dapat menemukan solusi global terbaik adalah Algoritma Genetika. Penerapan Algoritma Genetika berguna untuk mereduksi ukuran jaringan dengan membuang node-node pemroses yang tidak deperlukan [SUL199]. Penelitian yang telah dilakukan sebelumnya diterapkan pada objek 3 dimensi sederhana. Pada penelitian ini sistem jaringan CHMLP-BP Konsentris yang dioptimasi dengan Algoritma Genetika diterapkan untuk pengenalan objek wajah 3 dimensi. Data citra wajah yang diperoleh dari pengamatan berbagai sudut pandang terhadap objek wajah 3 dimensi ini perlu melalui tahap pre-processing untuk mereduksi ukuran dimensi data. Dimensi data citra yang besar dapat menurunkan kinerja pengenalan objek dan wajah 3 dimensi dengan JST CHMLP_BP . Untuk diperlukan pemrosesan awal (preprocessing) pada data citra tersebut untuk mengurangi dimensi data citra yang digunakan. Reduksi dimensi citra dilakukan dengan mengektrak ciri yang dimiliki oleh 2 citra dimensi tersebut melalui transformasi Karhunen-loeve atau principal component analysis (PCA). Dalam penelitian ini digunakan 2 jenis metode reduksi yang menggunakan transformasi Karhunen-loeve yaitu metode Eigen Parsial (Parsial 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 ditelah dihasilkan oleh proses sebelumnya. Untuk metode Eigen semua, data citra tidak dikelompokan, sehingga seluruh data citra yang digunakan akan mengalami reduksi dimensi citra menggunakan tranformasi Karhunen-Loeve secara bersama-sama. Hasil pengenalan objek 3 dimensi dengan menggunakan data citra 2 dimensi dengan metode Eigen Parsial mempunyai tingkat pengenalan yang memuaskan yaitu mencapai 90.62%. Untuk wajah 3 dimensi dengan metode eigen parsial mencapai 80%. Hasil pengenalan wajah 3 dimensi dengan menggunakan Algoritma Genetika Crossover dengan metode Eigen Parsial mencapai 80,66%.