PENGENALAN AKTIVITAS MANUSIA MENGGUNAKAN PERANGKAT WEARABLE DAN DEEP LEARNING TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh JAMES PARLUHUTAN HUTABARAT NIM: 23223022 (Program Studi Magister Teknik Elektro) INSTITUT TEKNOLOGI BANDUNG September 2024 Koleksi digital milik UPT Perpustakaan ITB untuk keperluan pendidikan dan penelitian i ABSTRAK PENGENALAN AKTIVITAS MANUSIA MENGGUNAKAN PERANGKAT WEARABLE DAN DEEP LEARNING Oleh James Parluhutan Hutabarat NIM: 23223022 (Program Studi Magister Teknik Elektro) Human Activity Recognition (HAR) berbasis data sensor gerak seperti sensor akselerometer, giroskop, dan magnetometer dari perangkat wearable memberikan manfaat yang signifikan di sektor kesehatan, terutama pada pengawasan pasien di lingkungan indoor. Penelitian ini bertujuan mengembangkan algoritma optimal untuk pengenalan aktivitas manusia berbasis data sensor gerak seperti perangkat Emotibit. Model deep learning yang digunakan diantaranya: Multi-Layer Feedforward Neural Network (MFNN), Convolutional Neural Network (CNN), dan Long-Short Term Memory (LSTM). Ketiga model dikonfigurasi dengan menggunakan framework Optuna untuk optimasi hyperparameter. Hasil konfigurasi memberikan akurasi masing-masing model berturut-turut 94.62% untuk MFNN, 92.90% untuk CNN, dan 97.52% untuk LSTM. Jumlah kanal input sensor berbanding lurus dengan akurasi model, di mana peningkatan jumlah kanal menghasilkan prediksi yang lebih akurat. Selain itu, penelitian ini mengimplementasikan model deep learning pada perangkat edge, dengan solusi optimasi memanfaatkan proses quantization bobot model. Optimasi dilakukan pada model LSTM dengan akurasi tertinggi. Hasil penelitian menunjukkan bahwa ukuran model direduksi hingga 90.98% dari ukuran awal. Reduksi ukuran ini memberi peluang untuk model dapat diimplementasikan pada perangkat edge Raspberry Pi 4B dengan sumber daya terbatas. Setelah implementasi, akurasi model mencapai 94.61% dengan waktu inferensi sekitar 96 milidetik. Terakhir, dilakukan pengukuran waktu dimulai dari pengiriman data sampai prediksi aktivitas tampil di antarmuka pengguna dan diperoleh durasi 114 milidetik. Kata kunci: pengenalan aktivitas manusia, sensor gerak, HAR, MFNN, CNN, LSTM, kuantisasi, optimisasi, perangkat edge Koleksi digital milik UPT Perpustakaan ITB untuk keperluan pendidikan dan penelitian ii ABSTRACT HUMAN ACTIVITY RECOGNITION USING WEARABLE DEVICES AND DEEP LEARNING By James Parluhutan Hutabarat NIM: 23223022 (Master’s Program in Electrical Engineering) Human Activity Recognition (HAR) based on motion sensors, data such as accelerometer, gyroscope, and magnetometer sensors from wearable devices, gives benefits in the healthcare sector, particularly in patient monitoring in indoor environments. This research aims to develop an optimal algorithm for human activity recognition based on motion sensors, such as Emotibit. The deep learning model was conducted, including Multi-Layer Feedforward Neural Network (MFNN), Convolutional Neural Network (CNN), and Long-Short Term Memory (LSTM). These models were configured using the Optuna framework for hyperparameter optimization. The configuration results in an accuracy of 94.62% for MFNN, 92.90% for CNN, and 97.52% for LSTM. The number of sensor input channels leads to more accurate predictions. Additionally, this research implements deep learning models on edge devices, with optimization solutions utilizing the model weight quantization process. The optimization was applied to the LSTM model with the highest accuracy.