Pengenalan Aktivitas Manusia (Human Activity Recognition – HAR) adalah bidang teknologi yang memungkinkan sistem komputer untuk secara otomatis mengidentifikasi dan mengklasifikasikan gerakan dan aktivitas yang dilakukan oleh manusia, seperti berjalan, berlari, berdiri, duduk, atau bahkan aktivitas kerja yang lebih kompleks. Sistem ini sering kali memanfaatkan data dari sensor yang dikenakan di tubuh (wearable sensors), sensor lingkungan, atau data visual.
Penerapan HAR sangat luas di berbagai sektor di Indonesia, mulai dari pemantauan kesehatan pasien di rumah sakit, analisis performa atlet, hingga peningkatan keamanan dan efisiensi di lingkungan industri seperti pabrik dan lokasi konstruksi. Namun, implementasi HAR di dunia nyata seringkali terbentur satu tantangan besar: variabilitas antar pengguna.
Tantangan Utama: Variabilitas Antar Pengguna
Setiap individu memiliki cara bergerak yang unik, postur tubuh yang berbeda, bahkan cara mengenakan sensor yang bisa bervariasi. Perbedaan-perbedaan ini menciptakan “celah” dalam data (data distribution shift). Akibatnya, model AI yang dilatih menggunakan data dari satu kelompok pengguna mungkin tidak bekerja secara akurat ketika diterapkan pada pengguna baru yang datanya belum pernah dilihat sebelumnya.
Variabilitas ini menjadi hambatan serius dalam adopsi teknologi HAR secara massal. Bayangkan sistem pemantauan keselamatan pekerja di pabrik yang harus dikalibrasi ulang setiap kali ada karyawan baru, atau aplikasi kesehatan yang tidak akurat karena perbedaan fisik pengguna. Di sinilah pentingnya mengembangkan model AI yang mampu melakukan domain generalization – yaitu, kemampuan untuk bekerja dengan baik pada data dari domain (pengguna) yang belum pernah dilihat saat pelatihan.
Pendekatan Inovatif: GNN-ADG dan Pengetahuan Anatomi
Sebuah penelitian terbaru mengusulkan metode inovatif bernama GNN-ADG (Graph Neural Network with Adversarial Domain Generalization) untuk mengatasi masalah variabilitas antar pengguna ini. Pendekatan ini menggabungkan kekuatan Graph Neural Network (GNN) dengan pembelajaran adversarial (adversarial learning) dan, yang terpenting, memanfaatkan pengetahuan tentang korelasi anatomi tubuh manusia.
Alih-alih hanya melihat data sensor secara linier, GNN-ADG memodelkan hubungan spasial antar sensor yang terpasang pada berbagai bagian tubuh sebagai sebuah graf (graph). Dalam graf ini, setiap “node” merepresentasikan sensor pada bagian tubuh tertentu, dan “edge” atau hubungan antar node menggambarkan bagaimana bagian-bagian tubuh tersebut saling berhubungan atau bergerak bersama berdasarkan struktur anatomi.
Membangun Model yang Cerdas dan Adaptif
GNN-ADG secara cerdas mengekstrak tiga jenis unit anatomi untuk membangun graf ini:
- Interconnected Anatomical Units: Menghubungkan sensor pada bagian tubuh yang bersebelahan secara fisik, menangkap ketergantungan spasial langsung (misalnya, bahu dan lengan atas).
- Analogous Anatomical Units: Mengelompokkan sensor pada bagian tubuh yang simetris atau memiliki fungsi serupa (misalnya, lengan kiri dan lengan kanan), penting untuk mengenali pola gerakan bilateral.
- Lateral Anatomical Units: Menghubungkan sensor berdasarkan posisinya di sisi kiri, kanan, atau tengah tubuh, membantu menangkap koordinasi spesifik di satu sisi tubuh.
Ketiga perspektif anatomi ini diintegrasikan ke dalam satu struktur graf terpadu dengan strategi pelatihan siklik (cyclic training strategy). Selama proses pelatihan, model secara bergantian fokus pada berbagai jenis hubungan antar sensor ini. Pendekatan penggabungan informasi (information fusion) yang dinamis ini memungkinkan model untuk terus menyempurnakan pemahamannya tentang bagaimana sensor-sensor tersebut berkorelasi di berbagai skenario gerakan dan, yang terpenting, di berbagai pengguna. Ini menghasilkan representasi gerakan manusia yang lebih holistik dan tidak bias terhadap pengguna tertentu.
Memastikan Generalisasi dengan Adversarial Learning
Selain memanfaatkan struktur anatomi melalui GNN, GNN-ADG juga mengintegrasikan teknik adversarial learning menggunakan Gradient Reversal Layer (GRL). Teknik ini bekerja dengan cara melatih model untuk mengenali aktivitas (tugas utama) sambil secara bersamaan melatihnya agar tidak bisa mengidentifikasi dari pengguna mana data tersebut berasal.
Dengan kata lain, model dipaksa untuk mengabaikan fitur-fitur yang unik untuk setiap pengguna (seperti gaya berjalan spesifik atau penempatan sensor yang sedikit bergeser) dan hanya fokus pada fitur-fitur gerakan yang bersifat universal atau “user-invariant”. Proses ini secara efektif “membersihkan” data dari variasi yang tidak relevan, memastikan bahwa model dapat melakukan generalization dengan baik saat menghadapi data dari pengguna baru yang belum pernah dilihat sebelumnya.
Dampak dan Aplikasi di Industri Indonesia
Kemampuan untuk melakukan pengenalan aktivitas manusia secara akurat dan generalizable di berbagai pengguna memiliki dampak signifikan bagi industri di Indonesia:
- Keselamatan dan Kepatuhan di Industri Berat: Di sektor manufaktur, konstruksi, atau pertambangan, sistem HAR dapat digunakan untuk memantau apakah pekerja mematuhi prosedur keselamatan, menggunakan Alat Pelindung Diri (APD) dengan benar, atau mendeteksi potensi insiden seperti jatuh. Solusi seperti monitoring alat berat bisa diperkaya dengan pemantauan aktivitas operator.
- Pemantauan Kesehatan dan Kesejahteraan: Di rumah sakit atau fasilitas kesehatan, HAR dapat memantau aktivitas pasien, mendeteksi pola tidur abnormal, atau memberikan notifikasi jika pasien berisiko jatuh. Konsep ini sejalan dengan solusi teknologi kesehatan mandiri untuk pemantauan vital.
- Pelatihan yang Lebih Efektif: Dalam pelatihan berbasis simulasi, terutama melalui pelatihan VR, HAR dapat melacak dan menganalisis gerakan peserta pelatihan untuk memberikan umpan balik yang objektif dan meningkatkan efektivitas pembelajaran prosedur kerja.
- Optimasi Operasional: Di lingkungan perkotaan atau industri, memahami pola pergerakan dan aktivitas kerumunan dapat membantu optimasi tata letak, pengelolaan antrian, atau peningkatan keamanan, mirip dengan aplikasi analitik video AI.
Teknologi GNN-ADG menunjukkan bagaimana menggabungkan pemahaman mendalam tentang struktur fisik (anatomi) dengan teknik AI canggih dapat menciptakan solusi yang lebih tangguh dan siap diterapkan di dunia nyata, mengatasi salah satu hambatan terbesar dalam implementasi HAR skala besar.
Bagaimana ARSA Technology Dapat Membantu?
ARSA Technology adalah penyedia solusi AI dan IoT terkemuka di Indonesia yang telah berpengalaman sejak 2018 dalam mengembangkan sistem cerdas untuk berbagai sektor industri. Meskipun artikel ini membahas teknologi spesifik berbasis sensor wearable, prinsip-prinsip domain generalization, penggunaan AI untuk analisis perilaku, dan integrasi data dari berbagai sumber sangat relevan dengan keahlian ARSA.
Kami memiliki tim R&D internal yang kuat dan terbiasa menerjemahkan konsep-konsep AI yang kompleks menjadi solusi praktis yang dapat diimplementasikan. Keahlian kami dalam analitik video AI, IoT untuk monitoring industri, dan sistem cerdas lainnya menjadikan kami mitra yang ideal untuk mengeksplorasi dan mengimplementasikan solusi pengenalan aktivitas yang adaptif dan akurat untuk kebutuhan spesifik bisnis Anda, termasuk mengatasi tantangan variabilitas data.
Kesimpulan
Variabilitas antar pengguna adalah tantangan krusial yang harus diatasi agar sistem Pengenalan Aktivitas Manusia (HAR) dapat diadopsi secara luas dan memberikan dampak maksimal bagi industri di Indonesia. Pendekatan inovatif seperti GNN-ADG, yang menggabungkan pemodelan berbasis graf dengan pengetahuan anatomi dan adversarial learning, menawarkan jalan ke depan untuk membangun sistem HAR yang lebih tangguh, akurat, dan generalizable di berbagai pengguna tanpa memerlukan data pelatihan dari setiap individu.
ARSA Technology siap mendiskusikan bagaimana solusi AI dan IoT kami dapat membantu bisnis Anda memanfaatkan potensi penuh dari teknologi pengenalan aktivitas untuk meningkatkan efisiensi, keamanan, dan pengambilan keputusan yang lebih baik.
Konsultasikan kebutuhan AI Anda dengan tim ARSA Technology melalui kontak kami atau WhatsApp di +62 851-6862-3493.