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.

Inovasi WiFireNet Menggabungkan Sinyal Wi-Fi dan Kecerdasan Buatan

WiFireNet merupakan model kecerdasan buatan yang dikembangkan untuk mengenali pistol tersembunyi. Riset mengenai kemampuan tersebut dikembangkan dalam lingkungan penelitian Swedish Defence Research Agency. Tim penelitinya melibatkan tiga peneliti bernama Erik Persson, David Gustafsson, dan Tomas Wilkinson. Dalam makalah berjudul Concealed Handgun Detection using WiFi Signals, mereka menunjukkan potensi pengenalan senjata tersembunyi menggunakan sinyal nirkabel. Tidak seperti deteksi yang bergantung pada citra visual, WiFireNet menggunakan pola perubahan kanal komunikasi nirkabel. Strategi pemrosesan tersebut membuka peluang pemanfaatan Wi-Fi sebagai sensor lingkungan.

Gagasan utama WiFireNet memanfaatkan perubahan sinyal ketika berinteraksi dengan benda. Apabila tubuh dan barang bawaan memasuki jalur sinyal, 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, sistem memerlukan analisis untuk membedakan berbagai penyebab gangguan. Oleh sebab itu, peneliti menggunakan model pembelajaran mendalam. Temuan awal tersebut belum menjamin performa yang sama dalam seluruh lingkungan nyata.

Cara Kerja WiFireNet melalui Channel State Information

Dasar analisis pada sistem penelitian ini adalah Channel State Information atau CSI, yakni data yang menggambarkan pengaruh lingkungan terhadap gelombang Wi-Fi. Ketika gelombang radio dikirimkan, sinyal tidak selalu menempuh satu jalur langsung. Tubuh manusia serta benda di dalam ruangan berpotensi mengubah amplitudo maupun fase gelombang. Variasi yang tercatat dalam CSI dapat diproses menggunakan algoritma. Melalui pengamatan pola, AI mempelajari ciri yang berkaitan dengan target deteksi. Namun demikian, data tersebut bukan gambar langsung dari objek.

Dalam eksperimen yang dilakukan FOI, tim mengumpulkan data radio dan gambar yang diselaraskan. Proses pencatatan data ini bertujuan menyediakan hubungan antara sinyal dan objek yang diamati. Setelah data diperoleh, sistem mencari representasi radio yang berkaitan dengan objek. Saat sistem menghasilkan prediksi setelah pelatihan, kamera tidak menjadi sumber data utama untuk prediksi. Perbedaan tersebut menjelaskan mengapa rekaman visual digunakan saat pengembangan. Melalui mekanisme tersebut, WiFireNet mengenali pola radio yang berkaitan dengan objek.

Penggunaan Data Wi-Fi dan Gambar untuk Melatih Model Deteksi

Dalam membangun kemampuan pengenalan objek, tim mengembangkan kumpulan data WiFire. Kumpulan data tersebut menyediakan pasangan data radio serta citra kamera. Tujuannya adalah membantu model memahami hubungan antara perubahan sinyal dan keberadaan objek. Dalam penelitian tersebut, pengukuran mencakup sejumlah benda dengan karakteristik berbeda. Sebagai bagian dari objek yang diuji, tim membandingkan perangkat sehari-hari dengan target dan replika tertentu. Melalui penggunaan beberapa kelompok objek, algoritma memperoleh data pembanding untuk pengenalan. Meski demikian, kemampuan generalisasi membutuhkan pengujian tambahan.

Peneliti menggunakan jaringan saraf yang dilatih dengan data. Bagian dari strategi pembelajaran ini adalah pemanfaatan model penglihatan sebagai pembimbing. Berkat pendekatan lintas sumber data, karakteristik dari gambar digunakan untuk membimbing analisis radio. Dalam literatur pembelajaran mesin, metode pemindahan pengetahuan membantu melatih jaringan saraf. Walaupun gambar digunakan dalam pelatihan, hasil deteksi bukan rekonstruksi visual pasti dari suatu objek. Oleh sebab itu, 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. Nilai evaluasi tersebut berkaitan dengan pengukuran presisi dan pelokalan prediksi. Dengan demikian, angka AP tidak boleh disamakan dengan tingkat keberhasilan pemeriksaan keamanan langsung. Pemahaman terhadap ukuran evaluasi membantu pembaca memahami hasil secara akurat.

Pada pengujian yang lebih luas, peneliti menghitung metrik mAP. Ukuran gabungan tersebut memberikan gambaran performa deteksi pada beberapa kelas. Namun, hasil penelitian masih membutuhkan pengulangan pada kondisi berbeda. Konfigurasi penelitian tertentu tidak selalu mewakili terminal atau pusat perbelanjaan. Di samping perbedaan kondisi ruangan, tingkat alarm palsu dan kemungkinan objek terlewat perlu diuji lebih lanjut. Dengan evaluasi tambahan, keterbatasan sistem dapat dipahami secara lebih tepat.

Potensi WiFireNet sebagai Pelengkap Kamera dan Detektor Logam

Penelitian mengenai deteksi menggunakan CSI menawarkan konsep pelengkap terhadap teknologi keamanan yang telah digunakan. Kamera pengawas konvensional memiliki keterbatasan ketika objek tertutup. Untuk metode pemeriksaan fisik, alat pendeteksi logam memiliki fungsi dalam prosedur penyaringan. Namun demikian, pengoperasiannya membutuhkan prosedur yang disesuaikan dengan lokasi. Sebagai kemungkinan pelengkap, WiFireNet menawarkan metode pengamatan yang berbeda dari kamera. Meski begitu, prototipe ini belum menjadi pengganti pemeriksaan fisik profesional.

Tantangan berikutnya adalah ketidakpastian data radio ketika ruangan berubah. Dalam gedung nyata, posisi perangkat komunikasi dapat mengubah pengukuran. Gangguan dari perangkat lain perlu diperhitungkan dalam pengujian. Selain masalah teknis, pengawasan terhadap pengumpulan informasi menjadi penting. Kendati deteksi menggunakan informasi gelombang radio, penggunaan teknologi pemantauan perlu memperhatikan hak individu. 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 TEKNOLOGI kecerdasan buatan dan komunikasi nirkabel. Berkat pengolahan karakteristik gelombang radio, model menunjukkan kemampuan mengenali pola yang berkaitan dengan senjata tertentu. Penggunaan dataset WiFire menjadi bagian penting dari pengembangan. Meski pencapaian awal cukup menarik, prototipe belum dapat dianggap sebagai solusi keamanan siap pakai. Pengembangan berikutnya perlu memperhatikan generalisasi, kesalahan deteksi, dan privasi. Melalui pengembangan berbasis bukti, pendekatan CSI dapat memperluas pilihan penginderaan. Dari sudut pandang Anda, apakah teknologi seperti WiFireNet berpotensi memberikan manfaat dalam pemantauan lingkungan? Sampaikan pendapat Anda tentang masa depan sensor berbasis Wi-Fi.