Human activity recognition merupakan sebuah sistem yang bertujuan untuk klasifikasi aktivitas manusia baik berdasarkan data sensor, gambar maupun video. Gambar aktivitas manusia adalah sebuah gambar yang memuat gerakan dari satu atau lebih anggota tubuh, baik dilakukan sendiri maupun berkelompok. Berbagai metode telah digunakan dalam mengklasifikasi aktivitas manusia, beberapa tahun terakhir Convolutional Neural Network menjadi popular dikarenakan kekuatan dan efektivitas nya, namun model ini memiliki biaya komputasi yang tinggi sehingga sulit diterapkan di perangkat-perangkat terbatas. MobilenetV3 merupakan model CNN yang berukuran kecil dan telah banyak digunakan di berbagai perangkat terbatas. Pada penelitian ini akan di klasifikasi 15 aktivitas manusia dengan menggunakan model CNN arsitektur, MobileNetV3 small dan large dengan menerapkan transfer learning ImageNet. Untuk masing-masing arsitektur akan menggunakan alpha 0.75 dan 1.0, di mana alpha merupakan sebuah hyperparameter yang terdapat dalam arsitektur MobileNetV3, berfungsi untuk mengatur jumlah parameter, dengan cara ini akan diperoleh 4 buah arsitektur MobileNetV3. Setiap arsitektur dengan alpha nya masingmasing akan digunakan sebagai feature extraction sedangkan pengklasifikasian akan menggunakan Multilayers perceptron. Selama proses penelitian dataset akan dibagi menjadi dua yaitu tanpa augmentasi dan dengan augmentasi. Semua arsitektur yang menggunakan alpha 1.0 memperoleh akurasi sedikit lebih baik. Sedangkan semua arsitektur yang dilatih tanpa menggunakan augmentasi memperoleh akurasi yang lebih baik. Dari semua arsitektur, MobileNetV3 Large dengan alpha 1.0 yang dilatih tanpa augmentasi memperoleh akurasi, precision, recall dan f1-score terbaik dengan 0.65, 0.66, 0.65 dan 0.65. kelas seperti ‘running’ dan ‘cycling’ menjadi kelas yang memiliki precision, recall dan f1-score yang tinggi di atas 0.80.