Penggunaan radar sebagai sensor dalam sistem klasifikasi objek telah menjadi alternatif yang menjanjikan untuk mengatasi keterbatasan kamera, seperti penurunan akurasi akibat kondisi lingkungan dan isu privasi. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kendaraan dan manusia berbasis radar FMCW dengan data point cloud menggunakan pendekatan deep learning. Sistem ini dirancang agar mampu melakukan klasifikasi secara akurat secara real-time, dengan fokus pada aplikasi di persimpangan jalan.
Metode penelitian melibatkan pengumpulan data point cloud dari radar FMCW IWR6843 AOPEVM, yang kemudian diproses melalui tahapan preprocessing seperti pengurangan derau, penghilangan clutter, transformasi sinyal, hingga normalisasi data. Data yang telah diproses digunakan sebagai input untuk model deep learning berbasis PointCNN. Model dilatih untuk mengenali pola-pola pada data point cloud guna membedakan antara kendaraan dan manusia. Sistem ini juga dirancang untuk memproses data secara real-time dan menampilkan hasil klasifikasi pada layar LCD.
Pada penelitian ini dilakukan percobaan pelatihan model PointCNN dengan beberapa konfigurasi windowing dan diperoleh hasil bahwa windowing 20 timestamp memberikan performa pelatihan terbaik dengan akurasi 98,81%. Namun, implementasi real-time mengungkap adanya perbedaan performa dibandingkan dengan hasil pelatihan model. Berdasarkan hal tersebut, dilakukan percobaan lanjutan yang menunjukkan bahwa windowing 40 memberikan distribusi akurasi yang lebih merata antar kelas objek, sehingga menghasilkan performa yang lebih konsisten untuk sistem real-time.