PENGENALAN TULISAN TANGAN MENGGUNAKAN PCA DAN CONVOLUTION SEBAGAI EKSTRAKSI FITUR DALAM MODEL RBFNN UNTUK SISTEM GURU VIRTUAL DALAM EVALUASI PEMBELAJARAN MATEMATIKA = HANDWRITING RECOGNITION USING PCA AND CONVOLUTION AS FEATURE EXTRACTION IN RBFNN MODEL FOR VIRTUAL TEACHER SYSTEM IN EVALUATION OF MATHEMATICS LEARNING

Latar Belakang. Proses evaluasi pembelajaran matematika siswa sekolah dasar (SD) masih dilakukan secara manual sehingga membutuhkan waktu dan berpotensi menimbulkan kesalahan. Sistem Guru Virtual berbasis kecerdasan buatan dengan pengenalan tulisan tangan dapat menjadi solusi, namun tulisan tangan anak SD memiliki variasi bentuk dan noise yang tinggi sehingga diperlukan metode ekstraksi fitur yang efektif. Metode. Penelitian ini membandingkan dua metode ekstraksi fitur, yaitu Principal Component Analysis (PCA) dan Convolution, yang dikombinasikan dengan Radial Basis Function Neural Network (RBFNN). Dataset yang digunakan berupa citra tulisan tangan siswa SD kelas 1–3 di Indonesia yang mencakup digit dan operator matematika. Evaluasi dilakukan menggunakan akurasi, F1-score, dan confusion matrix. Hasil. Model PCA–RBFNN menghasilkan akurasi 84,77% dengan F1-score 0,8478, sedangkan model Conv–RBFNN mencapai akurasi 95,36% dengan F1-score 0,9533. Analisis Perbandingan. Convolution mampu mengekstraksi fitur lokal tulisan tangan secara lebih efektif dibandingkan PCA, sehingga menghasilkan representasi fitur yang lebih stabil dan meningkatkan kinerja klasifikasi RBFNN secara signifikan. Kesimpulan. Conv–RBFNN merupakan metode paling optimal untuk pengenalan tulisan tangan matematika siswa SD dan layak diimplementasikan sebagai bagian dari sistem evaluasi pada Guru Virtual.