MODEL TUGAS GABUNGAN PENGENALAN AKTIVITAS DAN LOKALISASI DALAM RUANGAN DENGAN ARSITEKTUR BERBASIS DENSENET

Abstract

Channel State Information sudah banyak dieksplor dalam riset pengindraan manusia di antaranya pengenalan aktivitas, pengenalan gestur, lokalisasi, dan kesehatan. Penelitian ini merupakan penelitian lanjutan dari salah satu penelitian sebelumnya yang melakukan pengembangan model berbasis ResNet dengan masukan CSI untuk melakukan 2 tugas sekaligus, pengenalan aktivitas dan lokalisasi dalam ruangan. Penelitian ini mengusulkan pengembangan model tugas gabungan pengenalan aktivitas dan lokalisasi dalam ruangan yang serupa dengan arsitektur berbasis DenseNet. Data yang digunakan dalam penelitian ini merupakan data yang sama dari penelitian sebelumnya. Performa pada penelitian ini diukur dengan akurasi dan nilai rataan makro f1. Dengan digantinya arsitektur feature extractor ResNet dari model penelitian sebelumnya menjadi DenseNet, penelitian ini berhasil memberi peningkatan performa pada nilai rataan makro f1 model sebesar 1.56% - 2.63% dengan jumlah parameter 27.87% lebih sedikit dibanding model dengan ResNet sebagai feature extractor-nya.