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

Teknologi bernama WiFireNet menjadi model kecerdasan buatan yang dikembangkan untuk mengenali pistol tersembunyi. Riset mengenai kemampuan tersebut dilakukan oleh tim Swedish Defence Research Agency. Tim penelitinya terdiri atas Erik Persson, David Gustafsson, dan Tomas Wilkinson. Melalui penelitian yang dipublikasikan pada Oktober 2026, mereka menunjukkan potensi pengenalan senjata tersembunyi menggunakan sinyal nirkabel. Dibandingkan metode yang membutuhkan gambar objek secara langsung, WiFireNet menggunakan pola perubahan kanal komunikasi nirkabel. Metode penelitian ini memberikan kemungkinan pengamatan tambahan ketika objek tidak terlihat.

Gagasan utama WiFireNet memanfaatkan perubahan sinyal ketika berinteraksi dengan benda. Ketika seseorang bergerak, sinyal yang diterima dapat memiliki amplitudo dan fase berbeda. Variasi karakteristik gelombang 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, peneliti menggunakan model pembelajaran mendalam. Eksperimen yang dilakukan 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 informasi mengenai keadaan kanal komunikasi nirkabel. Dalam jaringan nirkabel, sinyal tidak selalu menempuh satu jalur langsung. Tubuh manusia serta benda di dalam ruangan dapat memengaruhi bentuk sinyal yang diterima. Variasi yang tercatat dalam CSI menjadi bahan untuk analisis komputer. Melalui pengamatan pola, sistem mencari hubungan antara sinyal dan barang bawaan. Walaupun CSI menyediakan informasi tambahan, informasi kanal berbeda dari citra visual kamera biasa.

Dalam eksperimen yang dilakukan FOI, pengembang mencatat informasi CSI bersamaan dengan video RGB. Pendekatan pengambilan sampel tersebut memungkinkan informasi visual digunakan sebagai panduan pelatihan. Setelah data diperoleh, jaringan saraf dilatih mengenali pola sinyal tertentu. Ketika model digunakan untuk inferensi, hasil pengenalan ditentukan melalui informasi kanal Wi-Fi. Karakteristik penggunaan datanya membantu menghindari anggapan bahwa sistem melihat melalui pakaian. Melalui mekanisme tersebut, teknologi memanfaatkan informasi tidak langsung untuk memperkirakan keberadaan target.

Peran Deep Learning dan Dataset WiFire dalam Pengembangan WiFireNet

Untuk melatih WiFireNet, pengembang memperkenalkan WiFire Dataset. Sumber informasi pelatihan tersebut menyediakan pasangan data radio serta citra kamera. Fungsi utama kumpulan data ini adalah menyediakan label visual bagi pembelajaran dari data nirkabel. Dalam penelitian tersebut, pengukuran mencakup sejumlah benda dengan karakteristik berbeda. Contohnya, digunakan ponsel bersama botol berbahan logam serta objek menyerupai pistol. Dengan variasi tersebut, model dilatih menghadapi pola yang berbeda. Kendati pengumpulan data telah dilakukan, keragaman eksperimen belum mencakup seluruh kondisi dunia nyata.

Peneliti menggunakan jaringan saraf yang dilatih dengan data. Bagian dari strategi pembelajaran ini adalah pengawasan berbasis informasi visual. Berkat pendekatan lintas sumber data, informasi visual membantu membentuk representasi sinyal. Dalam literatur pembelajaran mesin, teknik ini dikenal sebagai pembelajaran melalui bimbingan model. Meski pengawasan visual berperan pada tahap pengembangan, prediksi tetap berbeda dari bukti gambar langsung. Dalam memahami keluaran model, informasi dari AI harus dibedakan dari identifikasi fisik yang telah diverifikasi.

Memahami Performa Model Pendeteksi Objek melalui Sinyal Wi-Fi

Hasil eksperimen WiFireNet mengindikasikan kemungkinan penggunaan Wi-Fi sebagai sensor tambahan. Dalam laporan penelitian, average precision untuk kategori pistol mencapai 72,5 persen pada ambang penilaian lebih longgar. Pada ambang penilaian yang lebih ketat, nilainya menjadi 53,8 persen. Angka tersebut berkaitan dengan pengukuran presisi dan pelokalan prediksi. Dengan demikian, angka AP tidak boleh disamakan dengan tingkat keberhasilan pemeriksaan keamanan langsung. Perbedaan tersebut menghindari kesimpulan yang melampaui bukti penelitian.

Selain penilaian kategori pistol, hasil keseluruhan diperiksa menggunakan ukuran mean average precision. Nilai tersebut menunjukkan hasil evaluasi di luar satu jenis target. Walaupun sejumlah hasil eksperimen terlihat menjanjikan, performanya belum dapat dianggap setara dengan sistem keamanan tersertifikasi. Ruangan tempat data dikumpulkan tidak selalu mewakili terminal atau pusat perbelanjaan. 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

Pengembangan WiFireNet menawarkan konsep pelengkap terhadap teknologi keamanan yang telah digunakan. Perangkat keamanan yang menggunakan kamera dapat kehilangan informasi ketika target terhalang. Di sisi lain, detektor logam dapat digunakan secara efektif pada pos pemeriksaan. Namun demikian, setiap orang biasanya perlu melalui area pemeriksaan tertentu. Sebagai kemungkinan pelengkap, WiFireNet dipelajari sebagai sumber informasi tambahan dari sinyal radio. Meski begitu, penggunaan sebagai alat utama keamanan belum memiliki bukti yang memadai.

Persoalan penting sebelum penerapan luas adalah ketidakpastian data radio ketika ruangan berubah. Dalam gedung nyata, pergerakan banyak orang dapat menambah variasi sinyal. Gangguan dari perangkat lain dapat mengubah kondisi kanal yang diamati. Di samping kebutuhan peningkatan akurasi, aspek privasi dan tata kelola data perlu diperhatikan. Kendati deteksi menggunakan informasi gelombang radio, penggunaan teknologi pemantauan perlu memperhatikan hak individu. Dengan pendekatan tersebut, potensi sistem dapat dipahami tanpa mengabaikan risikonya.

Perkembangan WiFireNet dalam Menggabungkan Sinyal Radio dan AI

Inovasi penginderaan nirkabel dari FOI membuka peluang baru dalam pengembangan TEKNOLOGI pengenalan objek. Dengan mempelajari perubahan sinyal, sistem dapat memperkirakan keberadaan pistol tersembunyi dalam pengujian. Pendekatan pembelajaran yang dibimbing informasi kamera menjadi bagian penting dari pengembangan. Meski pencapaian awal cukup menarik, pengujian tambahan masih diperlukan sebelum penerapan luas. Pengembangan berikutnya perlu memperhatikan generalisasi, kesalahan deteksi, dan privasi. Berkat pengujian yang semakin menyeluruh, analisis sinyal nirkabel mungkin memberikan manfaat tambahan. Menurut Anda, apakah penggunaan AI dalam penginderaan nirkabel dapat membantu sistem keamanan? Sampaikan pendapat Anda tentang masa depan sensor berbasis Wi-Fi.