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

Teknologi bernama WiFireNet menjadi prototipe pembelajaran mendalam untuk mendeteksi senjata genggam yang disembunyikan. Pengembangan sistem ini dilakukan oleh tim Swedish Defence Research Agency. Penulis penelitian tersebut terdiri atas Erik Persson, David Gustafsson, dan Tomas Wilkinson. Berdasarkan laporan penelitian yang diumumkan pada 13 Oktober 2026, mereka menguji pendekatan identifikasi objek berdasarkan perubahan gelombang radio. Berbeda dari kamera pengawas biasa, WiFireNet menggunakan pola perubahan kanal komunikasi nirkabel. Strategi pemrosesan tersebut menawarkan jalur penelitian baru dalam pengamanan ruang publik.

Konsep dasar sistem ini mengandalkan karakteristik gelombang yang merambat melalui ruang. Apabila tubuh dan barang bawaan memasuki jalur sinyal, gelombang Wi-Fi dapat mengalami pantulan dan pelemahan. Perubahan tersebut dapat digunakan untuk mempelajari pola keberadaan objek. Namun demikian, sistem memerlukan analisis untuk membedakan berbagai penyebab gangguan. Oleh sebab itu, tim mengembangkan algoritma pengenalan pola. Temuan awal tersebut belum menjamin performa yang sama dalam seluruh lingkungan nyata.

Cara Kerja WiFireNet melalui Channel State Information

Data yang digunakan dalam proses deteksi adalah Channel State Information atau CSI, yakni representasi karakteristik sinyal antara pemancar dan penerima. Dalam jaringan nirkabel, energi radio mungkin mengalami sejumlah pantulan. Permukaan bangunan dan berbagai objek dapat memengaruhi bentuk sinyal yang diterima. Variasi yang tercatat dalam CSI menjadi bahan untuk analisis komputer. Dengan mempelajari karakteristik perubahan, sistem mencari hubungan antara sinyal dan barang bawaan. Meski proses ini dapat menghasilkan prediksi, sinyal radio tidak otomatis menghasilkan foto benda.

Dalam eksperimen yang dilakukan FOI, pengembang mencatat informasi CSI bersamaan dengan video RGB. Pendekatan pengambilan sampel tersebut bertujuan menyediakan hubungan antara sinyal dan objek yang diamati. Selanjutnya, algoritma mempelajari hubungan antara karakteristik CSI dan target. Saat sistem menghasilkan prediksi setelah pelatihan, kamera tidak menjadi sumber data utama untuk prediksi. Karakteristik penggunaan datanya membantu menghindari anggapan bahwa sistem melihat melalui pakaian. Dengan demikian, sistem membuat prediksi dari karakteristik gelombang.

Penggunaan Data Wi-Fi dan Gambar untuk Melatih Model Deteksi

Untuk melatih WiFireNet, tim mengembangkan kumpulan data WiFire. Kumpulan data tersebut menggabungkan pengukuran CSI dengan rekaman gambar RGB. Tujuannya adalah membangun contoh pelatihan dengan informasi target yang lebih jelas. Pada proses pengumpulan sampel, pengukuran mencakup sejumlah benda dengan karakteristik berbeda. Contohnya, tim membandingkan perangkat sehari-hari dengan target dan replika tertentu. Berkat contoh yang tidak hanya berasal dari satu kategori, algoritma memperoleh data pembanding untuk pengenalan. Kendati pengumpulan data telah dilakukan, kemampuan generalisasi membutuhkan pengujian tambahan.

Peneliti menggunakan algoritma deep learning. Bagian dari strategi pembelajaran ini adalah pemanfaatan model penglihatan sebagai pembimbing. Berkat pendekatan lintas sumber data, karakteristik dari gambar digunakan untuk membimbing analisis radio. Untuk sistem yang menggunakan beberapa jenis data, teknik ini dikenal sebagai pembelajaran melalui bimbingan model. Meski pengawasan visual berperan pada tahap pengembangan, hasil deteksi bukan rekonstruksi visual pasti dari suatu objek. Dalam memahami keluaran model, tingkat keyakinan sistem memerlukan interpretasi yang tepat.

Seberapa Efektif Teknologi WiFireNet dalam Eksperimen Laboratorium

Hasil eksperimen WiFireNet memperlihatkan potensi pendeteksian pistol melalui sinyal. Dalam laporan penelitian, skor ketepatan rata-rata deteksi pistol tercatat 72,5 persen pada ambang lokalisasi yang lebih permisif. Sementara itu, average precision kategori pistol turun menjadi 53,8 persen. Nilai evaluasi tersebut menggambarkan hasil berdasarkan metode penilaian tertentu. Dalam menafsirkan hasil pengujian, 72,5 persen tidak berarti sistem selalu mengenali jumlah tersebut dari setiap seratus orang. Perbedaan tersebut membantu pembaca memahami hasil secara akurat.

Dalam evaluasi seluruh kelas objek, peneliti menghitung metrik mAP. Ukuran gabungan tersebut memberikan gambaran performa deteksi pada beberapa kelas. Meski model telah berhasil mengidentifikasi pola tertentu, pengujian tersebut belum membuktikan kesiapan penggunaan di area publik. Konfigurasi penelitian tertentu belum mencerminkan seluruh variasi lingkungan operasional. Selain itu, tingkat alarm palsu dan kemungkinan objek terlewat perlu diuji lebih lanjut. Berkat validasi independen yang menyeluruh, keterbatasan sistem dapat dipahami secara lebih tepat.

Tantangan Penerapan Teknologi WiFireNet di Lingkungan Nyata

Kemajuan sistem pengenalan objek berbasis Wi-Fi menawarkan konsep pelengkap terhadap teknologi keamanan yang telah digunakan. Sistem pengamatan berbasis gambar tidak selalu mampu melihat barang di balik pakaian. Di sisi lain, pemeriksaan logam merupakan bagian penting dari sistem keamanan tertentu. Meski metode tersebut terbukti berguna, setiap orang biasanya perlu melalui area pemeriksaan tertentu. Untuk penelitian sistem keamanan masa depan, WiFireNet berpotensi membantu analisis keberadaan objek tanpa melihatnya secara langsung. Kendati prinsip kerjanya memberikan potensi, penggunaan sebagai alat utama keamanan belum memiliki bukti yang memadai.

Faktor yang perlu diteliti lebih lanjut adalah variasi kondisi propagasi sinyal di lokasi berbeda. Pada lingkungan dengan banyak aktivitas, dinding dan perabot dapat memengaruhi pantulan. Gangguan dari perangkat lain dapat mengubah kondisi kanal yang diamati. Untuk penerapan dalam layanan publik, pengawasan terhadap pengumpulan informasi menjadi penting. Kendati deteksi menggunakan informasi gelombang radio, pemanfaatan data sensor memerlukan pengelolaan yang bertanggung jawab. Melalui perpaduan pengujian teknis dan evaluasi etis, potensi sistem dapat dipahami tanpa mengabaikan risikonya.

Kesimpulan: WiFireNet Membuka Peluang Baru Deteksi Objek Menggunakan Wi-Fi

Penelitian WiFireNet memberikan gambaran kemajuan dalam TEKNOLOGI kecerdasan buatan dan komunikasi nirkabel. Dengan mempelajari perubahan sinyal, AI berhasil menghasilkan prediksi terhadap objek yang tidak terlihat kamera secara langsung. Pendekatan pembelajaran yang dibimbing informasi kamera membantu membangun kemampuan model. Walaupun hasil eksperimen menunjukkan potensi, prototipe belum dapat dianggap sebagai solusi keamanan siap pakai. Evaluasi pada tahap selanjutnya perlu memperhatikan generalisasi, kesalahan deteksi, dan privasi. Melalui pengembangan berbasis bukti, pendekatan CSI dapat memperluas pilihan penginderaan. Bagaimana pendapat Anda, apakah pendeteksian objek melalui Wi-Fi layak dikembangkan lebih lanjut? Ceritakan pemikiran Anda mengenai keseimbangan keamanan dan privasi.