Detail Cantuman

Matematika memiliki peran penting sebagai alat bantu dan pembimbing pola pikir. Dalam perkembangan teknologi yang terus berlanjut, pengenalan karakter matematika melalui tulisan tangan menjadi relevan. Penelitian ini menggunakan dataset CHROME dengan total 18.290 data, yang terbagi menjadi data training sebanyak 12.726, data validasi sebanyak 3.639, dan data tes sebanyak 1.925. Metode transfer learning resnet50 digunakan untuk melatih dataset ini selama 30 epoch. Eksperimen mencakup 12 variasi skenario dengan hyperparameter berbeda, termasuk optimizer, batch size, dan learning rate. Hasil penelitian menunjukkan bahwa model terbaik adalah Resnet-50 model 5 dengan optimizer Adam, batch size 256, dan learning rate 0.0001. Model ini mencapai akurasi sebesar 90%, presisi 90%, recall 87%, dan f1-score 88%, serta akurasi untuk pengenalan rumus dengan rentang 80%-100%. Penelitian ini memberikan kontribusi penting dalam pengenalan karakter matematika tulisan tangan dengan kinerja yang sangat baik, berpotensi meningkatkan aplikasi pengenalan karakter dalam konteks matematika secara keseluruhan.