Teknologi Human Activity Recognition (HAR) umumnya diklasifikasikan ke dalam dua kategori utama, yaitu HAR berbasis kontak dan HAR tanpa kontak. HAR berbasis kontak memanfaatkan perangkat sensor yang dipasang langsung pada tubuh pengguna, sedangkan HAR tanpa kontak menggunakan perangkat seperti radar atau kamera, yang tidak memerlukan kontak fisik. Penelitian ini berfokus pada pengembangan sistem HAR tanpa kontak berbasis teknologi radar Frequency Modulated Continuous Wave (FMCW), dengan tujuan menghasilkan sistem yang tidak bergantung pada citra visual sehingga dapat menjaga privasi individu.
Dalam penelitian ini, data point cloud yang diperoleh dari radar FMCW diproses menggunakan algoritma PointNet berbasis deep learning. Pada tahap pre-processing, diterapkan metode bootstrapping berbasis Gaussian Mixture Model (GMM) untuk menyeimbangkan jumlah titik pada setiap timestamp secara seragam tanpa mengubah distribusi spasial data. Selanjutnya, metode windowing digunakan untuk membagi data menjadi segmen berukuran 30 timestamp dengan pergeseran satu timestamp antar segmen, sehingga memungkinkan analisis yang bersifat berkelanjutan. Selain koordinat 3D sebagai fitur utama, sistem juga memanfaatkan dua fitur tambahan, yaitu nilai Doppler dan rasio sinyal terhadap derau (Signal-to-Noise Ratio atau SNR).
Hasil evaluasi menggunakan metrik pengukuran, seperti akurasi dan confusion matrix, menunjukkan bahwa proses bootstrapping berbasis GMM berhasil menghasilkan point cloud sintesis dengan jumlah titik yang konsisten sesuai dengan kebutuhan input model. Model PointNet yang dibangun mampu mencapai akurasi 99,9% pada pengujian terukur. Namun, pada pengujian real-time, akurasi mengalami penurunan menjadi 71,7%, berdasarkan uji coba langsung sebanyak tujuh kali pada setiap Kelas