Teknologi WiFireNet Memanfaatkan Perubahan Sinyal Nirkabel untuk Mengenali Objek Tersembunyi

Peneliti dari Swedish Defence Research Agency (FOI) mengembangkan WiFireNet, sebuah sistem kecerdasan buatan yang memanfaatkan perubahan sinyal Wi-Fi untuk mendeteksi keberadaan pistol yang disembunyikan pada tubuh seseorang. Penelitian yang dipublikasikan pada 13 Oktober 2026 ini menggunakan Channel State Information (CSI) untuk menganalisis bagaimana gelombang radio berubah ketika melewati lingkungan dan berinteraksi dengan objek. Perkembangan TEKNOLOGI tersebut menawarkan pendekatan baru dalam penelitian sistem keamanan tanpa harus mengandalkan gambar kamera ketika proses deteksi berlangsung. Meskipun hasil eksperimennya menjanjikan, WiFireNet masih berupa prototipe penelitian yang membutuhkan pengujian lanjutan sebelum dapat digunakan secara luas.

Mengenal WiFireNet sebagai Teknologi Pendeteksi Objek Tersembunyi

Sistem WiFireNet adalah pendekatan penelitian yang menggunakan gelombang radio untuk mengidentifikasi objek berbahaya tertentu. Pengembangan sistem ini dikembangkan dalam lingkungan penelitian Swedish Defence Research Agency. Tim penelitinya terdiri atas Erik Persson, David Gustafsson, dan Tomas Wilkinson. Melalui penelitian yang dipublikasikan pada Oktober 2026, mereka menjelaskan kemungkinan mendeteksi pistol melalui informasi kanal Wi-Fi. Dibandingkan metode yang membutuhkan gambar objek secara langsung, WiFireNet memanfaatkan karakteristik propagasi sinyal. Metode penelitian ini membuka peluang pemanfaatan Wi-Fi sebagai sensor lingkungan.

Gagasan utama WiFireNet mengandalkan karakteristik gelombang yang merambat melalui ruang. Saat manusia melintasi area pengukuran, gelombang Wi-Fi dapat mengalami pantulan dan pelemahan. Informasi yang tercatat oleh penerima dapat digunakan untuk mempelajari pola keberadaan objek. Walaupun prinsip tersebut dapat dimanfaatkan, setiap gangguan sinyal tidak dapat langsung dianggap sebagai ancaman. Untuk mengolah informasi secara bermakna, tim mengembangkan algoritma pengenalan pola. Hasil penelitian belum menjamin performa yang sama dalam seluruh lingkungan nyata.

Cara Kerja WiFireNet melalui Channel State Information

Komponen informasi utama WiFireNet adalah Channel State Information atau CSI, yakni representasi karakteristik sinyal antara pemancar dan penerima. Pada komunikasi antara perangkat Wi-Fi, sinyal tidak selalu menempuh satu jalur langsung. Dinding dan perabot membuat kondisi kanal berbeda dari keadaan sebelumnya. Variasi yang tercatat dalam CSI dimanfaatkan sebagai masukan model kecerdasan buatan. Melalui pengamatan pola, AI mempelajari ciri yang berkaitan dengan target deteksi. Meski proses ini dapat menghasilkan prediksi, data tersebut bukan gambar langsung dari objek.

Pada penelitian WiFireNet, tim mengumpulkan data radio dan gambar yang diselaraskan. Proses pencatatan data ini membantu menentukan label untuk proses pembelajaran. Setelah data diperoleh, jaringan saraf dilatih mengenali pola sinyal tertentu. Dalam tahap pengujian deteksi berbasis radio, hasil pengenalan ditentukan melalui informasi kanal Wi-Fi. Karakteristik penggunaan datanya membantu menghindari anggapan bahwa sistem melihat melalui pakaian. Berdasarkan rancangan penelitian, teknologi memanfaatkan informasi tidak langsung untuk memperkirakan keberadaan target.

Penggunaan Data Wi-Fi dan Gambar untuk Melatih Model Deteksi

Untuk melatih WiFireNet, tim mengembangkan kumpulan data WiFire. Dataset penelitian ini menggabungkan pengukuran CSI dengan rekaman gambar RGB. Manfaat penggabungan informasi tersebut adalah membangun contoh pelatihan dengan informasi target yang lebih jelas. Dalam penelitian tersebut, peneliti mengamati variasi sinyal dari beberapa jenis barang. Sebagai bagian dari objek yang diuji, digunakan ponsel bersama botol berbahan logam serta objek menyerupai pistol. Dengan variasi tersebut, penelitian dapat mengevaluasi perbedaan karakteristik sinyal. Walaupun dataset menyediakan contoh pembelajaran, keragaman eksperimen belum mencakup seluruh kondisi dunia nyata.

Peneliti menggunakan metode pembelajaran mendalam. Bagian dari strategi pembelajaran ini adalah pembelajaran lintas modalitas melalui data gambar. Melalui proses pembelajaran ini, informasi visual membantu membentuk representasi sinyal. Pada pengembangan kecerdasan buatan, pendekatan tersebut berkaitan dengan knowledge distillation. Meski pengawasan visual berperan pada tahap pengembangan, model tidak berarti menghasilkan foto benda tersembunyi. Oleh sebab itu, hasilnya perlu dianggap sebagai prediksi statistik.

Seberapa Efektif Teknologi WiFireNet dalam Eksperimen Laboratorium

Evaluasi awal terhadap model penelitian memperlihatkan potensi pendeteksian pistol melalui sinyal. Berdasarkan hasil yang disampaikan peneliti, skor ketepatan rata-rata deteksi pistol tercatat 72,5 persen pada ambang lokalisasi yang lebih permisif. Sementara itu, skor AP pistol mencapai 53,8 persen. Hasil pengukuran ini berkaitan dengan pengukuran presisi dan pelokalan prediksi. Oleh sebab itu, 72,5 persen tidak berarti sistem selalu mengenali jumlah tersebut dari setiap seratus orang. Perbedaan tersebut menghindari kesimpulan yang melampaui bukti penelitian.

Selain penilaian kategori pistol, peneliti menghitung metrik mAP. Skor keseluruhan ini memberikan gambaran performa deteksi pada beberapa kelas. Meski model telah berhasil mengidentifikasi pola tertentu, hasil penelitian masih membutuhkan pengulangan pada kondisi berbeda. Lingkungan pengujian yang terkendali tidak selalu mewakili terminal atau pusat perbelanjaan. Untuk penerapan nyata, tingkat alarm palsu dan kemungkinan objek terlewat perlu diuji lebih lanjut. Melalui pengujian pada lingkungan yang lebih beragam, keterbatasan sistem dapat dipahami secara lebih tepat.

Potensi WiFireNet sebagai Pelengkap Kamera dan Detektor Logam

Penelitian mengenai deteksi menggunakan CSI membuka kemungkinan pendekatan keamanan tambahan. Sistem pengamatan berbasis gambar dapat kehilangan informasi ketika target terhalang. Sementara itu, alat pendeteksi logam memiliki fungsi dalam prosedur penyaringan. Walaupun detektor logam sudah banyak digunakan, setiap orang biasanya perlu melalui area pemeriksaan tertentu. Sebagai kemungkinan pelengkap, WiFireNet berpotensi membantu analisis keberadaan objek tanpa melihatnya secara langsung. Kendati prinsip kerjanya memberikan potensi, WiFireNet belum dapat menggantikan prosedur pemeriksaan yang telah divalidasi.

Tantangan berikutnya adalah perubahan karakteristik lingkungan nirkabel. Ketika sistem digunakan di tempat ramai, pergerakan banyak orang dapat menambah variasi sinyal. Penggunaan jaringan nirkabel yang padat perlu diperhitungkan dalam pengujian. Untuk penerapan dalam layanan publik, aspek privasi dan tata kelola data perlu diperhatikan. Walaupun WiFireNet tidak mengandalkan gambar saat inferensi, aktivitas pengamatan tetap memiliki implikasi privasi. Berkat pengembangan yang mempertimbangkan keselamatan serta privasi, penelitian dapat diarahkan pada manfaat yang lebih jelas.

Masa Depan Teknologi Penginderaan Nirkabel dalam Penelitian Keamanan

Penelitian WiFireNet memberikan gambaran kemajuan dalam pengembangan TEKNOLOGI pengenalan objek. Melalui analisis Channel State Information, AI berhasil menghasilkan prediksi terhadap objek yang tidak terlihat kamera secara langsung. Pendekatan pembelajaran yang dibimbing informasi kamera menjadi bagian penting dari pengembangan. Walaupun hasil eksperimen menunjukkan potensi, pengujian tambahan masih diperlukan sebelum penerapan luas. Penelitian lanjutan perlu memperhatikan generalisasi, kesalahan deteksi, dan privasi. Melalui pengembangan berbasis bukti, WiFireNet berpotensi menjadi pelengkap teknologi keamanan. Menurut Anda, apakah pendeteksian objek melalui Wi-Fi layak dikembangkan lebih lanjut? Sampaikan pendapat Anda tentang masa depan sensor berbasis Wi-Fi.