<![CDATA[Abstrak Identifikasi seseorang berdasarkan biometrik telah berkembang dengan pesat dikalangan akademik dan industri. Metode pengenalan identitas seseorang yang banyak digunakan berdasarkan nomor identitas unik (kunci fisik, kartu identitas dan lainnya) atau berdasarkan ingatan terhadap sesuatu (sandi rahasia dan lainnya). Metode tersebut banyak memiliki kekurangan di antaranya kartu identitas dapat hilang dan sandi dapat lupa dari ingatan seseorang. Dalam penelitian ini dibuat program pengenalan citra telapak tangan dengan menggunakan metode Principal Components Analysis (PCA) dan jaringan saraf tiruan perambatan balik. Dengan tujuan mendapatkan hasil pengenalan yang cukup baik untuk mengenali citra telapak tangan, dan memberikan saran untuk pengembangan sistem pengenalan telapak tangan agar semakin baik lagi. Dalam penelitian ini digunakan 60 citra latih dari 30 responden dan 30 citra uji dari 30 responden dalam basisdata uji dan latih. berdasarkan hasil pengujian keseluruhan data dengan variasi jumlah komponen utama = 100, 50, 25 maupun 10 dengan pengenalan tertinggi sebesar 93,33% pada variasi jumlah komponen utama = 100, dan terendah sebesar 66,67% pada variasi jumlah komponen utama = 10. Sedangkan berdasarkan hasil pengujian keseluruhan data dengan variasi jumlah hidden layer = 1,2 maupun 3 dengan pengenalan tertinggi sebesar 93,33% pada variasi jumlah hidden layer = 1, dan terendah sebesar 70% pada variasi jumlah hidden layer = 3. Kata kunci : Pengenalan Telapak Tangan, Principal Components Analysis (PCA), Jaringan saraf tiruan perambatan balik  Abstract Biometric identification has grown rapidly among civitas academica and industrial community. Person identity recognition methods which are widely used nowadays usually based on unique identification numbers (physical keys, identity cards etc.) or individual memory (password etc.). However, these methods tend to have many shortcomings such as identity cards could be lost and forgotten passwords from one’s memory. Biometric identifiers are often categorized as physiological (iris recognition, face detection, palm print, and fingerprint) or behavioral characteristics (voice and typing rhythm). This research is developed by palm print image recognition using Principal Components Analysis (PCA) and backpropagation neural networks. The objectives of this research are to find out a good palm print recognition and to recommend the development of palm print recognition in order to be better than before. This research involved 60 training images of 30 respondents, 30 experiment images from 30 respondent which participated in training and experiment database. based on the test results the overall record with a variation of principal components = 100, 50, 25 and 10 with the highest recognition of 93,33% in the number of principal components of variation = 100, and the lowest of 66,67% in the number of principal components of variation = 10. And  based on the test results the overall record with a variation of the hidden layer = 1,2 and 3 with the highest result 93,33% in the number variation of hidden layer = 1, and the lowest of 70% in the number of hidden layer variation = 3. Key word : Palm print recognition, Principal Components Analysis (PCA), backpropagation neural networks]]>
