Implementasi Deteksi Real-Time Aktivitas Manusia Berbasis Skeleton dengan Model EfficientNet-Lite

RAYNALD SAGE KRISNAWAN, . (2026) Implementasi Deteksi Real-Time Aktivitas Manusia Berbasis Skeleton dengan Model EfficientNet-Lite. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

[thumbnail of 123210092_Cover - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Cover - RAYNALD SAGE KRISNAWAN.pdf

Download (188kB)
[thumbnail of 123210092_Abstrak - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Abstrak - RAYNALD SAGE KRISNAWAN.pdf

Download (212kB)
[thumbnail of 123210092_Halaman Pengesahan - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Halaman Pengesahan - RAYNALD SAGE KRISNAWAN.pdf

Download (1MB)
[thumbnail of 123210092_Daftar Isi - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Daftar Isi - RAYNALD SAGE KRISNAWAN.pdf

Download (363kB)
[thumbnail of 123210092_Daftar Pustaka - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Daftar Pustaka - RAYNALD SAGE KRISNAWAN.pdf

Download (196kB)
[thumbnail of 123210092_Fulltext - RAYNALD SAGE KRISNAWAN.pdf] Text
123210092_Fulltext - RAYNALD SAGE KRISNAWAN.pdf
Restricted to Repository staff only

Download (28MB)
Official URL: https://www.upnyk.ac.id/

Abstract

Deteksi aktivitas manusia adalah sebuah sistem yang dapat secara otomatis mengidentifikasi aktivitas dan telah banyak dikembangkan di berbagai bidang seperti kesehatan, keamanan dan industri. Terdapat dua pendekatan utama dalam memperoleh data aktivitas manusia, yaitu vision-based dan sensor-based yang masing-masing memiliki kelebihan dan kekurangan. Salah satu pendekatan yang dapat digunakan untuk mengatasi keterbatasan atau kelemahan tersebut adalah skeleton-based HAR (Human Activity Recognition) yang memanfaatkan koordinat titik sendi tubuh sebagai representasi aktivitas manusia. Namun, implementasi deteksi aktivitas manusia secara real-time masih menghadapi tantangan akibat kebutuhan komputasi yang tinggi. Oleh karena itu, penelitian ini bertujuan untuk mengimplementasikan model yang dapat melakukan deteksi aktivitas manusia berbasis data skeleton menggunakan EfficientNet-Lite guna menghasilkan model yang akurat dan efisien untuk skenario real-time.
Penelitian dilakukan menggunakan dataset NTU RGB+D dengan empat kelas aktivitas, yaitu berjalan, berdiri, duduk, dan terjatuh. Data skeleton akan direpresentasikan dalam bentuk heatmap dan disusun dengan melakukan stacking pada frame agar data mudah diproses oleh CNN sekaligus mempertahankan informasi temporal yang ada. Model EfficientNet-Lite juga dimodifikasi pada bagian input layer, MBConv block, dan classification layer untuk menyesuaikan karakteristik atau bentuk dari data serta mengurangi beban komputasi, dan meminimalkan risiko overfitting. Evaluasi dilakukan menggunakan akurasi, presisi, recall, jumlah parameter, FLOPs (Floating Point Operations), dan inference time serta FPS (Frame Per Second).
Hasil pengujian menunjukkan bahwa model dapat memperoleh akurasi sebesar 97% dengan nilai FLOPs sebesar 21.26 MFLOPs dan kecepatan inferensi sebesar 4.02 ms. Selain itu, pada skenario real-time menggunakan pose estimator MediaPipe diperoleh hasil rata-rata proses deteksi sebesar 26.8 FPS. Hasil tersebut menunjukkan bahwa EfficientNet-Lite dengan representasi skeleton heatmap memiliki potensi untuk menghasilkan model HAR yang efisien dan sesuai untuk implementasi real-time.

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: Deep Learning, Klasifikasi, Deteksi Aktivitas Manusia, EfficientNet-Lite, Real-Time
Subjek: Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: UPA Perpustakaan
Date Deposited: 13 Nov 2026 02:51
Last Modified: 13 Nov 2026 02:51
URI: http://eprints.upnyk.ac.id/id/eprint/50431

Actions (login required)

View Item View Item