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

Teknologi bernama WiFireNet menjadi model kecerdasan buatan yang dikembangkan untuk mengenali pistol tersembunyi. Pengembangan sistem ini dilakukan oleh tim Swedish Defence Research Agency. Penulis penelitian tersebut melibatkan tiga peneliti bernama Erik Persson, David Gustafsson, dan Tomas Wilkinson. Dalam makalah berjudul Concealed Handgun Detection using WiFi Signals, mereka menguji pendekatan identifikasi objek berdasarkan perubahan gelombang radio. Berbeda dari kamera pengawas biasa, WiFireNet menganalisis informasi perjalanan gelombang radio. Pendekatan tersebut menawarkan jalur penelitian baru dalam pengamanan ruang publik.

Prinsip yang digunakan para peneliti memanfaatkan perubahan sinyal ketika berinteraksi dengan benda. Apabila tubuh dan barang bawaan memasuki jalur sinyal, gelombang Wi-Fi dapat mengalami pantulan dan pelemahan. Variasi karakteristik gelombang 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. Eksperimen yang dilakukan belum menjamin performa yang sama dalam seluruh lingkungan nyata.

Memahami Teknologi CSI pada Sistem Deteksi Berbasis Gelombang Radio

Komponen informasi utama WiFireNet adalah Channel State Information atau CSI, yakni representasi karakteristik sinyal antara pemancar dan penerima. Pada komunikasi antara perangkat Wi-Fi, gelombang dapat melewati berbagai lintasan. Tubuh manusia serta benda di dalam ruangan membuat kondisi kanal berbeda dari keadaan sebelumnya. Informasi tersebut dapat diproses menggunakan algoritma. Dengan mempelajari karakteristik perubahan, model berusaha mengenali keberadaan objek tertentu. Walaupun CSI menyediakan informasi tambahan, data tersebut bukan gambar langsung dari objek.

Untuk mengembangkan model deteksi, tim mengumpulkan data radio dan gambar yang diselaraskan. Proses pencatatan data ini bertujuan menyediakan hubungan antara sinyal dan objek yang diamati. Selanjutnya, algoritma mempelajari hubungan antara karakteristik CSI dan target. Dalam tahap pengujian deteksi berbasis radio, masukan utamanya berasal dari CSI. Karakteristik penggunaan datanya menjelaskan mengapa rekaman visual digunakan saat pengembangan. Berdasarkan rancangan penelitian, WiFireNet mengenali pola radio yang berkaitan dengan objek.

Penggunaan Data Wi-Fi dan Gambar untuk Melatih Model Deteksi

Sebagai bagian dari proses pembelajaran mesin, pengembang memperkenalkan WiFire Dataset. Sumber informasi pelatihan tersebut menggabungkan pengukuran CSI dengan rekaman gambar RGB. Fungsi utama kumpulan data ini adalah membantu model memahami hubungan antara perubahan sinyal dan keberadaan objek. Selama tahap eksperimen, objek pembanding digunakan untuk membedakan berbagai pola. Sebagai bagian dari objek yang diuji, terdapat telepon, botol logam, replika pistol plastik, dan pistol logam. Berkat contoh yang tidak hanya berasal dari satu kategori, algoritma memperoleh data pembanding untuk pengenalan. Walaupun dataset menyediakan contoh pembelajaran, hasil pelatihan tetap dipengaruhi ruang dan konfigurasi pengukuran.

Untuk mempelajari representasi sinyal, sistem memanfaatkan algoritma deep learning. Bagian dari strategi pembelajaran ini adalah pembelajaran lintas modalitas melalui data gambar. Dengan metode tersebut, informasi visual membantu membentuk representasi sinyal. Dalam literatur pembelajaran mesin, teknik ini dikenal sebagai pembelajaran melalui bimbingan model. Namun demikian, model tidak berarti menghasilkan foto benda tersembunyi. Karena itu, tingkat keyakinan sistem memerlukan interpretasi yang tepat.

Seberapa Efektif Teknologi WiFireNet dalam Eksperimen Laboratorium

Hasil eksperimen WiFireNet menunjukkan bahwa pola radio dapat memberikan informasi tentang target. Dalam laporan penelitian, pengukuran AP pistol menunjukkan nilai 72,5 persen dalam kondisi evaluasi tertentu. Sementara itu, average precision kategori pistol turun menjadi 53,8 persen. Hasil pengukuran ini merupakan metrik deteksi objek. Dalam menafsirkan hasil pengujian, angka AP tidak boleh disamakan dengan tingkat keberhasilan pemeriksaan keamanan langsung. Perbedaan tersebut penting agar kemampuan sistem tidak dibesar-besarkan.

Pada pengujian yang lebih luas, hasil keseluruhan diperiksa menggunakan ukuran mean average precision. Nilai tersebut mencerminkan kemampuan model menghadapi kategori yang diuji. Namun, hasil penelitian masih membutuhkan pengulangan pada kondisi berbeda. Ruangan tempat data dikumpulkan belum mencerminkan seluruh variasi lingkungan operasional. Untuk penerapan nyata, tingkat alarm palsu dan kemungkinan objek terlewat perlu diuji lebih lanjut. Berkat validasi independen yang menyeluruh, keterbatasan sistem dapat dipahami secara lebih tepat.

Peluang Pemanfaatan Sinyal Nirkabel dalam Sistem Keamanan Publik

Penelitian mengenai deteksi menggunakan CSI memberikan peluang penelitian bagi sistem pemantauan. Sistem pengamatan berbasis gambar memiliki keterbatasan ketika objek tertutup. Di sisi lain, pemeriksaan logam merupakan bagian penting dari sistem keamanan tertentu. Walaupun detektor logam sudah banyak digunakan, pengaturan jalur pemeriksaan dapat membatasi arus orang. Sebagai kemungkinan pelengkap, WiFireNet dipelajari sebagai sumber informasi tambahan dari sinyal radio. Kendati prinsip kerjanya memberikan potensi, WiFireNet belum dapat menggantikan prosedur pemeriksaan yang telah divalidasi.

Tantangan berikutnya adalah variasi kondisi propagasi sinyal di lokasi berbeda. Dalam gedung nyata, dinding dan perabot dapat memengaruhi pantulan. Penggunaan jaringan nirkabel yang padat perlu diperhitungkan dalam pengujian. Selain masalah teknis, pengawasan terhadap pengumpulan informasi menjadi penting. 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.

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

Inovasi penginderaan nirkabel dari FOI memberikan gambaran kemajuan dalam pengembangan TEKNOLOGI pengenalan objek. Berkat pengolahan karakteristik gelombang radio, AI berhasil menghasilkan prediksi terhadap objek yang tidak terlihat kamera secara langsung. Penggunaan dataset WiFire menjadi bagian penting dari pengembangan. Namun demikian, prototipe belum dapat dianggap sebagai solusi keamanan siap pakai. Penelitian lanjutan harus menguji performa pada lingkungan berbeda. Melalui pengembangan berbasis bukti, analisis sinyal nirkabel mungkin memberikan manfaat tambahan. Dari sudut pandang Anda, apakah penggunaan AI dalam penginderaan nirkabel dapat membantu sistem keamanan? Bagikan pandangan Anda mengenai inovasi tersebut.