Teknologi biometrik yang biasa digunakan adalah face recognition yang menganalisa wajah manusia sehingga menghasilkan suatu informasi salah satunya adalah jenis kelamin. Komputer perlu diberikan pembelajaran untukmembedakan jenis kelamin berdasarkan komponen wajah. Pembelajaran mengenai deteksi jenis kelamin memiliki beberapa kesulitan karena kompleksitas dari kondisi wajah, seperti posisi gambar, pencahayaan dan ekspresi.Beberapa penelitian, menyimpulkan bahwa fitur geometri merupakan fitur yang cocok untuk mengatasi kompleksitas tersebut. Pada penelitian ini, fitur yang digunakan adalah jarak antara kedua mata, lebar nasal root, lebar hidung, tinggi bibir atas dan tinggi bibir bawah. Pengukuran nilai-nilai pada fitur tersebut dapat dilakukan dengan bantuan landmark point seperti dlib regression tree. Setelah itu nilai-nilai yang didapatkan digunakan untuk perhitungan klasifikasi menggunakan metode Support Vector Machine dengan kernel Gaussian RBF dan normalisasi Sigmoid. Menggunakan dataset sejumlah 60 data jenis A dan B untuk training dan 20 untuk testing, hasil akurasi yang didapatkan adalah 70%, precision 80%, dan recall 67%. Sedangkan dengan dataset sejumlah 30 data jenis A untuk training, hasil akurasi yang didapatkan adalah 40%, precision 30%, dan recall 37.5%. Sedangankan dengan dataset sejumlah 30 data jenis B untuk training, hasil akurasi yang didapatkan adalah 65%, precision 70%, dan recall 64%.