Abstract:
Human activity recognition merupakan sebuah sistem yang bertujuan untuk klasifikasi
aktivitas manusia baik berdasarkan data sensor, gambar maupun video. Gambar
aktivitas manusia adalah sebuah gambar yang memuat gerakan dari satu atau lebih
anggota tubuh, baik dilakukan sendiri maupun berkelompok. Berbagai metode telah
digunakan dalam mengklasifikasi aktivitas manusia, beberapa tahun terakhir
Convolutional Neural Network menjadi popular dikarenakan kekuatan dan efektivitas
nya, namun model ini memiliki biaya komputasi yang tinggi sehingga sulit diterapkan
di perangkat-perangkat terbatas. MobilenetV3 merupakan model CNN yang
berukuran kecil dan telah banyak digunakan di berbagai perangkat terbatas. Pada
penelitian ini akan di klasifikasi 15 aktivitas manusia dengan menggunakan model
CNN arsitektur, MobileNetV3 small dan large dengan menerapkan transfer learning
ImageNet. Untuk masing-masing arsitektur akan menggunakan alpha 0.75 dan 1.0, di
mana alpha merupakan sebuah hyperparameter yang terdapat dalam arsitektur
MobileNetV3, berfungsi untuk mengatur jumlah parameter, dengan cara ini akan
diperoleh 4 buah arsitektur MobileNetV3. Setiap arsitektur dengan alpha nya masingmasing akan digunakan sebagai feature extraction sedangkan pengklasifikasian akan
menggunakan Multilayers perceptron. Selama proses penelitian dataset akan dibagi
menjadi dua yaitu tanpa augmentasi dan dengan augmentasi. Semua arsitektur yang
menggunakan alpha 1.0 memperoleh akurasi sedikit lebih baik. Sedangkan semua
arsitektur yang dilatih tanpa menggunakan augmentasi memperoleh akurasi yang
lebih baik. Dari semua arsitektur, MobileNetV3 Large dengan alpha 1.0 yang dilatih
tanpa augmentasi memperoleh akurasi, precision, recall dan f1-score terbaik dengan
0.65, 0.66, 0.65 dan 0.65. kelas seperti ‘running’ dan ‘cycling’ menjadi kelas yang
memiliki precision, recall dan f1-score yang tinggi di atas 0.80.
