Perpustakaan Digital ITB

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.