Penelitian tentang pengenalan karakter tulisan tangan kursif sudah banyak dilakukan dengan berbagai metode, tetapi implementasi untuk pengenalan karakter Jawi jarang ditemui. Tesis ini mengusulkan sebuah metode ekstraksi fitur baru untuk pengenalan karakter Jawi yang dinamai Rotation, Scaling and Shifting Invariant-Relative Context (RSSI-RC). RSSI-RC merupakan hasil modifikasi yang dikembangkan dari fitur Relative Context (RC). RC mengenali karakter dengan menghilangkan tanda baca titik dan mengelompokkan data ke dalam grup berdasarkan kesamaan bentuk dasar sehingga hasil pengenalan bukan aksara asli melainkan nama grup yang dibentuk sebelumnya. Berbeda dengan RC, setelah dimodifikasi RSSI-RC mampu mengenali karakter asli lengkap dengan atribut titiknya. Pengklasifikasian dilakukan dengan menggunakan metode Support Vector Machine (SVM). Pengujian metode RSSI-RC dilakukan dengan menggunakan citra karakter Jawi independen, citra karakter Jawi yang dirotasi dengan derajat tertentu dan juga dilakukan perbandingan performansi dengan RC untuk karakter hasil pengelompokan. RSSI-RC memberikan hasil pengenalan rata-rata 98,10 % untuk 3 set (105 aksara) citra aksara Jawi independen. Untuk pengujian 1 set aksara hasil pengelompokan (17 grup) pada keadaan normal tanpa rotasi RSSI-RC memberikan peningkatan performansi pengenalan 14,81% jika dibandingkan dengan RC, sedangkan pada keadaan rotasi dengan derajat tertentu RSSI-RC memberikan hasil 100% pada setiap rotasinya.