Generative Adversarial Network (GAN) adalah algoritma berbasis deep learning yang serbaguna dan semakin banyak digunakan di era modern, khususnya dalam bidang pengolahan citra. Salah satu fungsi utama GAN adalah melakukan rekonstruksi gambar wajah dengan memanfaatkan fitur data yang diekstrak dari sebuah dataset. Dalam proses ini, model generator GAN menghasilkan gambar sintetik berkualitas tinggi yang dirancang untuk menipu model discriminator. Dalam penelitian ini, algoritma GAN digunakan untuk rekonstruksi gambar wajah berdasarkan dataset Human Faces. Gambar hasil rekonstruksi ini kemudian dianalisis lebih lanjut menggunakan algoritma Convolutional Neural Network (CNN) untuk proses pengenalan wajah. Penelitian ini bertujuan untuk: (1) mengembangkan model rekonstruksi wajah berbasis GAN, (2) mengevaluasi kinerja algoritma GAN dalam menghasilkan gambar sintetik, dan (3) mengimplementasikan CNN untuk mengenali gambar wajah hasil rekonstruksi. Evaluasi terhadap hasil rekonstruksi GAN dilakukan dengan menggunakan metrik performa seperti Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), dan Mean Squared Error (MSE). Hasil evaluasi menunjukkan bahwa model GAN menghasilkan performa yang menjanjikan dengan rata-rata Generator Loss sebesar 0.392516, Discriminator Loss 1.389985, Generator L1 Loss 0.0005, dan Generator Total Loss 6.949564. Selain itu, hasil rekonstruksi dinilai memiliki kualitas tinggi dengan PSNR sebesar 28.611917, SSIM 0.952875, dan MSE 16.426186. Di sisi lain, algoritma CNN berhasil mengenali gambar wajah hasil rekonstruksi dengan tingkat akurasi yang baik. Dengan integrasi GAN untuk rekonstruksi dan CNN untuk pengenalan wajah, penelitian ini membuktikan potensi keduanya dalam pengolahan citra wajah, terutama pada aplikasi yang membutuhkan hasil berkualitas tinggi dan kemampuan identifikasi yang andal. Hasil ini dapat menjadi dasar untuk pengembangan teknologi rekonstruksi dan pengenalan wajah di masa depan.