Pengenalan wajah adalah salah satu bidang di dalam pengenalan pola yang sering digunakan di dalam sistem identifikasi otomatis. Secara khusus, penelitian ini membahas mengenai pengenalan citra wajah manusia dengan menggunakan Discrete Cosine Transform dan Hidden Markov Model. Proses pengenalan citra wajah dimulai dengan segmentasi citra, lalu dilanjutkan dengan ekstraksi fitur menggunakan DCT. Dengan transformasi ini, citra akan direpresentasikan dalam 3 × 3, 5 × 5, dan 10 × 10 piksel koefisien DCT. Kemudian, koefisien tersebut digunakan sebagai data pelatihan HMM hingga struktur terlatih untuk mengenali citra wajah. Untuk citra wajah yang belum ternormalisasi, sistem menyediakan teknik normalisasi citra dengan algoritma histogram equalization. Sejumlah percobaan dilakukan untuk mengevaluasi performa sistem. Hasil menunjukkan bahwa metoda di atas berhasil mengenali citra wajah dengan akurasi 96.88%. Sistem gagal mengenali 1 citra dari 32 citra uji akibat konfigurasi data pelatihan. Namun, setelah dilakukan re-konfigurasi data pelatihan, sistem menghasilkan akurasi pengenalan 100%. Dengan demikian, konfigurasi data pelatihan sangat penting bagi keberhasilan pengenalan, sedangkan jumlah koefisien DCT yang digunakan hanya mempengaruhi presisi probabilitas HMM. Untuk citra wajah yang belum ternormalisasi, sistem mampu melakukan normalisasi citra wajah input dan menunjukkan keberhasilan pengenalan sebesar 100%. Di samping itu, penerapan nilai ambang probabilitas juga telah diterapkan di dalam sistem untuk mengatasi pengenalan subyek asing.