Perpustakaan Digital ITB

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.