Pengenalan wajah merupakan teknologi yang krusial dalam sistem keamanan dan autentikasi digital, namun kinerjanya sering kali menurun drastis hingga 30% pada kondisi pencahayaan rendah karena munculnya noise dan distorsi warna. Penelitian ini bertujuan untuk meningkatkan kinerja sistem pengenalan wajah pada kondisi cahaya rendah dengan mengintegrasikan model RetinexFormer dan FaceNet. Metodologi yang digunakan melibatkan pengumpulan dataset berupa 1.000 citra wajah dari 10 subjek yang diambil pada intensitas cahaya 10 hingga 17 lux. Proses penelitian membandingkan dua skenario, yaitu penggunaan citra asli tanpa perbaikan dan citra yang telah ditingkatkan kualitasnya menggunakan RetinexFormer, yang kemudian diproses melalui tahap marking wajah dengan Haar Cascade, cropping, serta resize sebelum diekstraksi menjadi embedding 128 dimensi oleh FaceNet. Temuan penelitian menunjukkan bahwa tanpa peningkatan kualitas citra, model hanya mencapai akurasi sebesar 45,5 persen dan F1-score sebesar 62,5 persen. Namun, setelah menerapkan RetinexFormer, performa system mengalami penigkatan akurasi sebesar 98 persen dan F1-score sebesar 98,97 persen. Hasil peneltian ini membuktikan penerapan metode RetinexFormer sebagai prapemrosesan citra secara efektif mampu mengatasi hambatan pencahayaan rendah, meminimalisir kesalahan identifikasi, dan mengoptimalkan ekstraksi fitur pada model FaceNet, sehingga sangat layak diimplementasikan pada sistem absensi atau keamanan digital di lingkungan dengan pencahayaan minim.