Manusia memiliki kemampuan untuk mengenali wajah secara dinamis, cepat dan mudah. Hal ini disebabkan oleh kinerja visual manusia yang sangat kuat terhadap berbagai faktor seperti perubahan ekspresi wajah, postur atau ukuran kepala, pencahayaan, latar belakang, penuaan wajah, atau oklusi sebagian wajah. Namun berbeda bila hal tersebut dilakukan pada sebuah sistem komputer untuk mengenali wajah manusia yang membutuhkan waktu pemrosesan pembelajaran yang relatif lama, kompleks, serta sistem pengenalan wajah yang sudah ada hanya dapat menerima input file secara offline dan hasilnya tidak berbanding lurus dengan tingkat akurasi pengenalan. Oleh karena itu, diperlukan metode yang dapat diterapkan pada perangkat lunak yang berjalan secara waktu nyata untuk mengenali wajah berupa Radial Basis Function (RBF). Metode pembelajaran ini didukung dengan metode hybrid Principal Component Analysis (PCA) dan Linear Discriminant Analysis (LDA) agar mendapatkan kualitas fitur yang baik sebagai masukan jaringan saraf RBF. Pemrosesan pembelajaran dilakukan dengan 6 (enam) sampel wajah dengan berbagai ekspresi, dan kemudian dilakukan pengujian objek ditempat sama dan ditempat berbeda. Hasilnya didapat bahwa arsitektur jaringan saraf RBF yang dikombinasikan dengan metode PCA dan LDA telah mampu mengenali wajah secara waktu nyata dan menghasilkan ekstraksi fitur yang merepresentasikan obyek untuk pengenalan wajah, kecepatan pembelajaran jaringan saraf RBF memiliki performa lebih baik dengan waktu 10 menit dengan tingkat akurasi 86% pada tempat latih dan tempat uji yang sama sedangkan pada tempat latih dan tempat uji yang berbeda didapat akurasi sebesar 80%.