Dokumen Asli PENGENALAN AKTIVITAS MANUSIA BERBASIS RADAR DAN DEEP LEARNING SERTA IMPLEMENTASINYA PADA PERANGKAT EDGE TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh LISTI RESTU TRIANI NIM: 23221302 (Program Studi Magister Teknik Elektro) INSTITUT TEKNOLOGI BANDUNG Desember 2023 Dokumen Asli i ABSTRAK PENGENALAN AKTIVITAS MANUSIA BERBASIS RADAR DAN DEEP LEARNING SERTA IMPLEMENTASINYA PADA PERANGKAT EDGE Oleh Listi Restu Triani NIM: 23221302 (Program Studi Magister Teknik Elektro) Pengenalan Aktivitas Manusia (HAR) berbasis radar mengeksplorasi aplikasi yang luas, termasuk kesehatan, keamanan, dan otomatisasi rumah pintar. Hal ini karena sifat non- invasif dan ketangguhannya terhadap kondisi lingkungan. Fokus penelitian adalah membandingkan metode tradisional machine learning (K-Nearest Neighbor dan Support Vector Machine) dengan pendekatan deep learning menggunakan Convolutional Neural Network (CNN) dan transfer learning. Tujuan utama adalah mengembangkan algoritma pengenalan aktivitas manusia berbasis radar. Pendekatan yang diusulkan menggunakan CNN, khususnya arsitektur VGG- 19 dengan transfer learning. Pendekatan ini memungkinkan integrasi ekstraksi fitur dan klasifikasi dari data radar dalam satu fase pembelajaran, yang meningkatkan efisiensi pembelajaran. Selain itu, penelitian ini juga memperhatikan keterbatasan sumber daya dalam implementasi model deep learning untuk pengenalan aktivitas manusia pada perangkat edge. Solusi yang ditawarkan adalah optimisasi model deep learning, memanfaatkan transfer learning, pruning, dan quantization. Hasil evaluasi pada dataset HAR publik menunjukkan bahwa model yang diusulkan mencapai pengurangan ukuran model yang signifikan (5.30–6.99 kali lebih kecil) sambil tetap mempertahankan tingkat akurasi yang kompetitif (92.57–94.28% ). Reduksi kompleksitas komputasi dan persyaratan penyimpanan memastikan kelayakan implementasi model pada perangkat edge dengan sumber daya terbatas. Model yang telah dioptimasi juga telah diimplementasikan pada perangkat edge Raspberry Pi 4 Model B. Akurasi model mencapai 94,86% dengan inference time sekitar 2 detik. Selain itu, penggunaan USB Accelerator Google Coral juga dilakukan, memberikan peningkatan dalam inference time. Kata kunci: pengenalan aktivitas manusia berbasis radar, HAR, CNN, transfer learning, optimisasi Dokumen Asli ii ABSTRACT RADAR-BAS ED HUMAN ACTIVITY RECOGNITION USING DEEP LEARNING AND ITS IMPLEMENTATION ON EDGE DEVICES By Listi Restu Triani NIM: 23221302 (Master’s Program in Electrical Engineering) Radar-based Human Activity Recognition explores a wide range of applications, including healthcare, security, and smart home automation. This is due to its non- invasive nature and resilience to environmental conditions. The research compares traditional machine learning methods (K-Nearest Neighbor and Support Vector Machine) with deep learning approaches using Convolutional Neural Network (CNN) and transfer learning. The main goal is to develop an algorithm for radar- based human activity recognition. The proposed approach utilizes CNN, specifically the VGG-19 architecture with transfer learning. This approach allows the integration of feature extraction and classification from radar data in a single learning phase, enhancing learning efficiency. Additionally, the study considers the resource limitations in implementing deep learning models for Human Activity Recognition on edge devices.