Perpustakaan Digital ITB

Kebutuhan terhadap teknologi interaksi manusia-komputer nirsentuh yang kebal terhadap fluktuasi pencahayaan dan tangguh dalam menjaga privasi pengguna semakin meningkat, di mana radar millimeter-wave (mmWave) hadir sebagai solusi penginderaan yang potensial. Meskipun demikian, pemrosesan sinyal radar menuntut penggunaan arsitektur deep learning yang efisien agar sistem dapat beroperasi secara real-time dengan batas latensi persepsi di bawah 100 milidetik. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi pipeline end-to-end sistem pengenalan gestur tangan berbasis radar mmWave untuk navigasi antarmuka sistem operasi pada komputer. Hasil eksperimen membuktikan bahwa arsitektur MCT-Former merupakan model paling optimal dengan distribusi akurasi yang konsisten, serta berhasil mencapai akurasi validasi sebesar 93,93% pada skenario pengujian robust terhadap data dengan unseen subjek dan ruangan. Evaluasi pipeline inferensi end-to-end mencatatkan latensi eksekusi rata-rata sekitar 25,21 ms, secara signifikan melampaui batas target responsivitas sistem.