ABSTRAKSI: ABSTRAK Algoritma KDDA (Kernel Direct Discriminant Analysis) merupakan salah satu algoritma yang digunakan oleh para pakar pattern recognition untuk menangani masalah ekstraksi ciri wajah dengan proses mendapatkan ciri – ciri pembeda yang dapat membedakan suatu sampel wajah dari sampel wajah yang lain. Algoritma ini merupakan pengembangan dari algoritma DLDA (Direct Linear Discriminant Analysis) dan GDA (Generalized Discriminant Analysis) namun yang membedakannya terletak pada penggunaan fungsi kernel yang terbukti mampu mengatasi permasalahan nonlinier yang dihadapi algoritma linier ekstraksi ciri wajah lain seperti algoritma linier PCA (Principle Component Analysis) ataupun algoritma LDA (Linear Discriminant Analysis). Pada tugas akhir ini telah dilakukan analisis performansi dari algoritma KDDA dengan menspesifikasikan pemakaian fungsi kernel inverse multi quadric dalam melakukan pengujian dan membandingkan dengan fungsi kernel yang lain (kernel polynomial dan kernel Gaussian RBF) sehingga menghasilkan tingkat akurasi yang optimal dengan merepresentasikannya ke dalam persamaan regresi. Hasil pengujian menunjukkan bahwa fungsi kernel inverse multi quadric memiliki tingkat akurasi 30%-53% (2 sampel), 43%-63% (3 sampel), 50%-77% (4 sampel), 58%-95% (5 sampel), 54%-98% (6 sampel), 65%-100% (7 sampel). Variabel jumlah sampel berkorelasi kuat terhadap variabel akurasi sebesar 0,904 daripada variabel σ sebesar 0.028 dan variabel c sebesar -0.056. Koefisien jumlah sampel sebesar 9,893 dan koefisien σ sebesar 159,680 dapat mempengaruhi tingkat akurasi, sedangkan koefisien c sebesar - 0,611 dapat mengurangi tingkat akurasi pengenalan wajah pada metode KDDA.Kata Kunci : KDDA, Inverse Multi quadric, Polynomial, Gaussian RBFABSTRACT: ABSTRACT The Kernel Direct Discriminant Analysis (KDDA) algorithm is one of the algorithms used by pattern recognition experts to handle face feature extraction problems through the process of acquiring distinctive characteristics that is able to differenciate a certain face sample from the others. This algorithm was derived from Direct linear Discriminant Analysis (DLDA) and Generalized Discriminant Analysis (GDA), but what makes KDDA different is the utilization of kernel function which is proven to be able to solve non-linear problems found when using other face feature extraction linear algorithms such as Principle Component Analysis (PCA) and Linear Discriminant Analysis (LDA). For this final project, a performance analysis of KDDA algorithm is done by specifying the use of inverse multi quadric kernel function through tests and comparing it with other kernel functions (polynomial kernel and Gaussian RBF kernel) to acquire optimal accurations level by representing it to a regression equation. The tests results showed that inverse multi quadric kernel function has better accurations level 30%-53% (2 samples), 43%-63% (3 samples), 50%-77% (4 samples), 58%-95% (5 samples), 54%-98% (6 samples), 65%-100% (7 samples). Number of samples has strong correlation to accurations as much as 0,904, σ is equal to 0.028 and c is equal to -0.056. Number of samples coefficient equals 9,893 and σ equals 159,680 can influence accurations level, while coefficient c equals -0,611 can reduce accurations level face recognition at KDDA method.Keyword: KDDA, Inverse Multi quadric, Polynomial, Gaussian RBF