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.