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.

Penelitian WiFireNet Membuka Peluang Baru dalam Sistem Keamanan Nirkabel

Sistem WiFireNet adalah prototipe pembelajaran mendalam untuk mendeteksi senjata genggam yang disembunyikan. Pengembangan sistem ini dilakukan oleh tim Swedish Defence Research Agency. Penulis penelitian tersebut melibatkan tiga peneliti bernama Erik Persson, David Gustafsson, dan Tomas Wilkinson. Melalui penelitian yang dipublikasikan pada Oktober 2026, mereka menguji pendekatan identifikasi objek berdasarkan perubahan gelombang radio. Tidak seperti deteksi yang bergantung pada citra visual, WiFireNet menggunakan pola perubahan kanal komunikasi nirkabel. Metode penelitian ini membuka peluang pemanfaatan Wi-Fi sebagai sensor lingkungan.

Prinsip yang digunakan para peneliti berangkat dari kenyataan bahwa gelombang radio dipengaruhi lingkungan. Ketika seseorang bergerak, gelombang Wi-Fi dapat mengalami pantulan dan pelemahan. Perubahan tersebut menyediakan petunjuk tentang interaksi antara gelombang dan lingkungan. Namun demikian, sistem memerlukan analisis untuk membedakan berbagai penyebab gangguan. Oleh sebab itu, peneliti menggunakan model pembelajaran mendalam. Eksperimen yang dilakukan menunjukkan potensi teknologi, bukan bukti kesiapan operasional.

Peran Perubahan Sinyal Wi-Fi dalam Mendeteksi Objek Tersembunyi

Data yang digunakan dalam proses deteksi adalah Channel State Information atau CSI, yakni informasi mengenai keadaan kanal komunikasi nirkabel. Dalam jaringan nirkabel, sinyal tidak selalu menempuh satu jalur langsung. Dinding dan perabot membuat kondisi kanal berbeda dari keadaan sebelumnya. Variasi yang tercatat dalam CSI menjadi bahan untuk analisis komputer. Berkat analisis terhadap variasi kanal, sistem mencari hubungan antara sinyal dan barang bawaan. Meski proses ini dapat menghasilkan prediksi, data tersebut bukan gambar langsung dari objek.

Pada penelitian WiFireNet, tim mengumpulkan data radio dan gambar yang diselaraskan. Pendekatan pengambilan sampel tersebut memungkinkan informasi visual digunakan sebagai panduan pelatihan. Setelah data diperoleh, jaringan saraf dilatih mengenali pola sinyal tertentu. Dalam tahap pengujian deteksi berbasis radio, hasil pengenalan ditentukan melalui informasi kanal Wi-Fi. Perbedaan tersebut menjelaskan mengapa rekaman visual digunakan saat pengembangan. Berdasarkan rancangan penelitian, sistem membuat prediksi dari karakteristik gelombang.

Peran Deep Learning dan Dataset WiFire dalam Pengembangan WiFireNet

Untuk melatih WiFireNet, peneliti menyusun dataset bernama WiFire. Sumber informasi pelatihan tersebut menyediakan pasangan data radio serta citra kamera. Tujuannya adalah membantu model memahami hubungan antara perubahan sinyal dan keberadaan objek. Selama tahap eksperimen, objek pembanding digunakan untuk membedakan berbagai pola. Di antara kategori pengamatan, digunakan ponsel bersama botol berbahan logam serta objek menyerupai pistol. Berkat contoh yang tidak hanya berasal dari satu kategori, penelitian dapat mengevaluasi perbedaan karakteristik sinyal. Meski demikian, keragaman eksperimen belum mencakup seluruh kondisi dunia nyata.

Dalam rancangan WiFireNet, tim menerapkan algoritma deep learning. Bagian dari strategi pembelajaran ini adalah pemanfaatan model penglihatan sebagai pembimbing. Melalui proses pembelajaran ini, model mempelajari hubungan antara informasi kamera dan CSI. Untuk sistem yang menggunakan beberapa jenis data, metode pemindahan pengetahuan membantu melatih jaringan saraf. Walaupun gambar digunakan dalam pelatihan, prediksi tetap berbeda dari bukti gambar langsung. Dalam memahami keluaran model, hasilnya perlu dianggap sebagai prediksi statistik.

Hasil Pengujian WiFireNet dan Tingkat Akurasi Deteksi Senjata

Hasil eksperimen WiFireNet memperlihatkan potensi pendeteksian pistol melalui sinyal. Menurut evaluasi yang tersedia, average precision untuk kategori pistol mencapai 72,5 persen pada ambang penilaian lebih longgar. Pada ambang penilaian yang lebih ketat, skor AP pistol mencapai 53,8 persen. Angka tersebut berkaitan dengan pengukuran presisi dan pelokalan prediksi. Oleh sebab itu, 72,5 persen tidak berarti sistem selalu mengenali jumlah tersebut dari setiap seratus orang. Pemahaman terhadap ukuran evaluasi penting agar kemampuan sistem tidak dibesar-besarkan.

Dalam evaluasi seluruh kelas objek, peneliti menghitung metrik mAP. Skor keseluruhan ini memberikan gambaran performa deteksi pada beberapa kelas. Namun, hasil penelitian masih membutuhkan pengulangan pada kondisi berbeda. Ruangan tempat data dikumpulkan mungkin berbeda dari situasi keramaian sebenarnya. Untuk penerapan nyata, pengujian independen terhadap kesalahan deteksi masih penting. Dengan evaluasi tambahan, keterbatasan sistem dapat dipahami secara lebih tepat.

Peluang Pemanfaatan Sinyal Nirkabel dalam Sistem Keamanan Publik

Pengembangan WiFireNet menawarkan konsep pelengkap terhadap teknologi keamanan yang telah digunakan. Kamera pengawas konvensional tidak selalu mampu melihat barang di balik pakaian. Untuk metode pemeriksaan fisik, alat pendeteksi logam memiliki fungsi dalam prosedur penyaringan. Walaupun detektor logam sudah banyak digunakan, pengoperasiannya membutuhkan prosedur yang disesuaikan dengan lokasi. Dalam konteks tersebut, WiFireNet dipelajari sebagai sumber informasi tambahan dari sinyal radio. Kendati prinsip kerjanya memberikan potensi, prototipe ini belum menjadi pengganti pemeriksaan fisik profesional.

Tantangan berikutnya adalah ketidakpastian data radio ketika ruangan berubah. Pada lingkungan dengan banyak aktivitas, pergerakan banyak orang dapat menambah variasi sinyal. Gangguan dari perangkat lain dapat mengubah kondisi kanal yang diamati. Untuk penerapan dalam layanan publik, aturan penggunaan sensor harus ditetapkan dengan jelas. Walaupun WiFireNet tidak mengandalkan gambar saat inferensi, pemanfaatan data sensor memerlukan pengelolaan yang bertanggung jawab. Dengan pendekatan tersebut, penelitian dapat diarahkan pada manfaat yang lebih jelas.

Perkembangan WiFireNet dalam Menggabungkan Sinyal Radio dan AI

Penelitian WiFireNet menunjukkan perkembangan penting dalam pemanfaatan TEKNOLOGI Wi-Fi untuk analisis lingkungan. Melalui analisis Channel State Information, AI berhasil menghasilkan prediksi terhadap objek yang tidak terlihat kamera secara langsung. Pendekatan pembelajaran yang dibimbing informasi kamera membantu membangun kemampuan model. Meski pencapaian awal cukup menarik, pengujian tambahan masih diperlukan sebelum penerapan luas. Penelitian lanjutan sebaiknya menilai ketahanan sistem terhadap variasi kondisi. Berkat pengujian yang semakin menyeluruh, pendekatan CSI dapat memperluas pilihan penginderaan. Bagaimana pendapat Anda, apakah pendeteksian objek melalui Wi-Fi layak dikembangkan lebih lanjut? Bagikan pandangan Anda mengenai inovasi tersebut.