Penelitian ini mengembangkan sistem pendeteksi tekanan darah non-invasif menggunakan analisis wajah berbasis remote photoplethysmography (rPPG) dan deep learning. Sistem dirancang untuk mengestimasi tekanan darah sistolik dan diastolik melalui video wajah tanpa kontak fisik, sehingga mendukung pemantauan kesehatan jarak jauh. Proses utama meliputi deteksi wajah, ekstraksi sinyal rPPG, perhitungan fitur statistik dan spektral, serta prediksi tekanan darah menggunakan dua model: Linear Regression sebagai baseline dan Multi-Layer Perceptron (MLP) sebagai model utama. Dataset terdiri dari sekitar 109 video dengan variasi pencahayaan dan gerakan. Hasil pengujian menunjukkan bahwa Linear Regression mencapai MAE sebesar 9 mmHg (sistolik) dan 5 mmHg (diastolik), sedangkan MLP memperoleh MAE 26 mmHg dan 15 mmHg. Setelah dilakukan kalibrasi koreksi error, prediksi MLP menunjukkan kedekatan lebih baik terhadap hasil tensimeter. Proses pelatihan menunjukkan stabilitas tanpa overfitting. Sistem ini mampu berjalan secara real-time melalui antarmuka Streamlit dengan waktu pemrosesan 15–20 detik per video, sehingga layak sebagai proof of concept untuk teknologi pemantauan tekanan darah berbasis wajah.