# Implementasi Sistem Deteksi Keberadaan dan Gerakan Manusia Berbasis Wi-Fi Channel State Information Menggunakan ESP32-S3

Sumber: https://mind.ai-lab.id/journal/research-note/wifi-csi-deteksi-gerakan
Penulis: Danurkholis (AI Lab (ai-lab.id)); Muhammad Hamdi S (AI Lab (ai-lab.id))
Terbit: 20/08/2026
Kategori: Research Note
Kata kunci: Ongoing, KP Project, v0.1, Wi-Fi CSI, ESP32-S3, Device-Free Sensing, Human Presence Detection, Motion Detection, Wireless Sensing

> Deteksi keberadaan dan gerakan manusia tanpa kamera memakai Wi-Fi Channel State Information pada satu ESP32-S3 dan firmware WaveSight.

## Abstrak

Perkembangan teknologi *wireless sensing* memungkinkan sinyal Wi-Fi dimanfaatkan sebagai media *device-free sensing* untuk mengamati perubahan lingkungan akibat keberadaan dan pergerakan manusia tanpa menggunakan kamera. Penelitian ini mengimplementasikan sistem berbasis *Wi-Fi Channel State Information* (CSI) menggunakan satu ESP32-S3, router Wi-Fi 2,4 GHz, dan firmware WaveSight dengan parameter pengamatan berupa RSSI, *jitter*, serta status *Someone* dan *Movement* yang ditampilkan secara *real-time* melalui *dashboard* web.

Pada kondisi ruangan kosong, nilai *jitter* teramati berada di bawah *threshold* pengujian sebesar **0.1** dengan pola yang relatif stabil, sedangkan pengujian aktivitas manusia menunjukkan perkiraan puncak *jitter* sekitar **0.46** ketika seseorang melakukan pergerakan aktif secara terus-menerus selama 15 detik dan sekitar **0.21** ketika seseorang hanya melintas atau berjalan pada area pengujian; selain itu, lonjakan sekitar **0.28** juga teramati ketika seseorang memasuki area sebelum kembali menurun setelah berada dalam kondisi relatif diam. Hasil tersebut menunjukkan bahwa sistem memberikan respons yang lebih jelas terhadap perubahan atau aktivitas gerakan manusia, dengan besar perubahan yang teramati dapat berbeda pada pola dan intensitas aktivitas yang berbeda.

Namun, nilai *jitter* yang diperoleh masih berdasarkan pengamatan visual *dashboard* dan *screenshot* sehingga hubungan antara jenis atau intensitas gerakan dengan besar *jitter* belum dapat disimpulkan secara kuantitatif dan masih memerlukan pengujian berulang dengan pencatatan data kontinu.

## Isi (Pendahuluan, Metode, Hasil, Pembahasan, Kesimpulan)

> **Catatan riset ini adalah publikasi internal AI Lab yang masih berjalan (*ongoing*), belum melalui *peer review* eksternal, dan dataset yang digunakan masih terbatas. Kami publikasikan untuk transparansi proses belajar tim.**

## Latar Belakang & Tujuan

Teknologi Wi-Fi telah menjadi salah satu infrastruktur komunikasi nirkabel yang banyak digunakan pada lingkungan rumah, perkantoran, maupun industri. Selain digunakan sebagai media pertukaran data, sinyal Wi-Fi juga memiliki karakteristik propagasi yang dipengaruhi oleh kondisi lingkungan di sekitarnya. Keberadaan objek maupun manusia dapat menyebabkan perubahan jalur propagasi sinyal melalui mekanisme refleksi, difraksi, hamburan, dan *multipath*. Perubahan karakteristik kanal tersebut memungkinkan sinyal Wi-Fi dimanfaatkan sebagai media *device-free sensing* untuk mendeteksi aktivitas manusia tanpa mengharuskan pengguna membawa perangkat tambahan [^1], [^2].

Salah satu informasi pada lapisan fisik Wi-Fi yang dapat digunakan untuk kebutuhan tersebut adalah ***Channel State Information* (CSI)**. CSI memberikan informasi kondisi kanal komunikasi pada masing-masing *subcarrier* dan memiliki informasi yang lebih detail dibandingkan *Received Signal Strength Indicator* (RSSI), yang hanya menggambarkan kekuatan sinyal secara umum. Penelitian sebelumnya menunjukkan bahwa perubahan CSI dapat digunakan untuk mendeteksi gerakan manusia secara pasif dan *real-time* [^1], serta dapat digunakan untuk menganalisis pengaruh kondisi lingkungan terhadap performa deteksi gerakan [^2].

Perkembangan perangkat Wi-Fi berbiaya rendah juga memungkinkan implementasi Wi-Fi *sensing* menggunakan mikrokontroler. Strohmayer dan Kampel menunjukkan bahwa ESP32-S3 dapat digunakan dalam sistem *human activity recognition* berbasis CSI pada kondisi *line-of-sight* (LOS) maupun *non-line-of-sight* (NLOS), termasuk pengujian jarak jauh dan menembus beberapa ruangan [^3]. Hal tersebut menunjukkan potensi ESP32-S3 sebagai alternatif perangkat akuisisi CSI dengan biaya dan kompleksitas yang lebih rendah dibandingkan perangkat jaringan khusus.

Pendekatan *device-free sensing* juga memiliki keunggulan karena proses pendeteksian tidak mengharuskan pengguna mengenakan sensor tertentu. Selain itu, Wi-Fi *sensing* dapat menjadi alternatif terhadap sistem berbasis kamera pada aplikasi tertentu ketika privasi menjadi salah satu pertimbangan. Pengembangan yang lebih kompleks telah dilakukan untuk mendeteksi keberadaan manusia pada beberapa ruangan menggunakan metode berbasis *recurrent neural network* (RNN) [^4], serta mengenali berbagai aktivitas manusia menggunakan pemrosesan CSI dan *machine learning* [^5].

Meskipun penelitian sebelumnya menunjukkan potensi Wi-Fi CSI untuk berbagai aplikasi *sensing*, sebagian sistem menggunakan lebih dari satu perangkat jaringan, antena khusus, proses pengumpulan *dataset*, maupun algoritma *machine learning* yang relatif kompleks **[^3]-[^5]**. Kondisi tersebut dapat meningkatkan kebutuhan perangkat, proses konfigurasi, serta kebutuhan komputasi sistem.

Berdasarkan kondisi tersebut, penelitian ini mengambil pendekatan yang lebih sederhana dengan menggunakan satu perangkat ESP32-S3 sebagai penerima dan router Wi-Fi 2,4 GHz biasa sebagai sumber komunikasi nirkabel. Sistem difokuskan pada pengamatan perubahan karakteristik sinyal untuk mendeteksi keberadaan dan pergerakan manusia tanpa menggunakan *machine learning*. Pendekatan tersebut digunakan untuk mengevaluasi sejauh mana perangkat dengan biaya dan kompleksitas relatif rendah dapat digunakan sebagai sistem Wi-Fi *sensing* pada lingkungan *indoor*.

Secara khusus, penelitian ini bertujuan untuk:

1. Mengimplementasikan proses pengambilan dan pemrosesan informasi Wi-Fi CSI menggunakan ESP32-S3.
2. Mengidentifikasi karakteristik kondisi lingkungan ketika tidak terdapat aktivitas manusia sebagai *baseline* sistem.
3. Mengamati perubahan karakteristik sinyal ketika terdapat keberadaan dan pergerakan manusia.
4. Menguji kestabilan sistem pada beberapa posisi dan jarak antara router dengan ESP32-S3.
5. Mengevaluasi kemampuan serta keterbatasan sistem dalam melakukan deteksi keberadaan dan gerakan manusia pada lingkungan *indoor*.

## Tinjauan Pustaka

Penelitian mengenai pemanfaatan Wi-Fi CSI untuk *device-free sensing* telah berkembang dari pendeteksian gerakan sederhana hingga pengenalan aktivitas manusia yang lebih kompleks. Gong *et al.* [^1] mengembangkan sistem *WiFi-Based Real-Time Calibration-Free Passive Human Motion Detection* yang memanfaatkan informasi pada lapisan fisik Wi-Fi untuk mendeteksi gerakan manusia secara pasif dan *real-time*. Penelitian tersebut menunjukkan bahwa perubahan CSI, khususnya informasi fase, memiliki sensitivitas terhadap gerakan manusia dan dapat digunakan untuk membangun sistem deteksi tanpa membutuhkan proses kalibrasi awal yang kompleks.

Selain karakteristik sinyal, kondisi lingkungan juga memiliki pengaruh terhadap proses *sensing*. Dong *et al.* [^2] membandingkan sistem deteksi gerakan berbasis CSI pada lingkungan lantai datar dan tangga. Hasil penelitian tersebut menunjukkan bahwa karakteristik propagasi dan *multipath* pada lingkungan berbeda dapat menghasilkan performa *sensing* yang berbeda. Temuan ini menjadi relevan karena menunjukkan bahwa konfigurasi ruangan dan jalur propagasi antara *transmitter* dan *receiver* perlu diperhatikan dalam proses pengujian sistem berbasis CSI.

Penggunaan ESP32-S3 sebagai perangkat Wi-Fi *sensing* telah dievaluasi oleh Strohmayer dan Kampel [^3]. Penelitian tersebut menggunakan ESP32-S3 untuk melakukan *long-range through-wall human activity recognition* dengan konfigurasi *transmitter-receiver* dan antena *directional* 2,4 GHz. Pengujian dilakukan pada kondisi *line-of-sight* (LOS) dan *non-line-of-sight* (NLOS) dengan jarak hingga 18,5 m yang melintasi beberapa ruangan. Penelitian tersebut menunjukkan bahwa ESP32-S3 memiliki potensi sebagai perangkat berbiaya relatif rendah untuk akuisisi CSI dan aktivitas *sensing*.

Untuk aplikasi deteksi keberadaan yang lebih luas, Shen *et al.* [^4] mengembangkan sistem *device-free multi-room human presence detection* menggunakan Wi-Fi CSI. Sistem tersebut menggunakan pendekatan *Time-Selective Conditional Dual Feature Extract Recurrent Network* untuk memanfaatkan karakteristik temporal dan spasial dari CSI. Hasil eksperimen menunjukkan akurasi deteksi keberadaan manusia lebih dari 97% pada skenario *multi-room*. Namun, metode tersebut membutuhkan proses *preprocessing* serta model *neural network* sehingga memiliki kompleksitas yang lebih tinggi dibandingkan metode berbasis *threshold*.

Sementara itu, Hao *et al.* [^5] mengembangkan CSI-HC untuk mengenali gerakan manusia yang lebih kompleks. Sistem tersebut memanfaatkan amplitudo CSI, proses *filtering* menggunakan *Butterworth low-pass filter* dan *wavelet*, serta metode *Restricted Boltzmann Machine* dan *SoftMax* untuk proses klasifikasi. Pengujian pada tiga lingkungan *indoor* menghasilkan rata-rata tingkat pengenalan gerakan sebesar 85,4%. Penelitian tersebut menunjukkan bahwa CSI tidak hanya dapat digunakan untuk mendeteksi keberadaan atau gerakan, tetapi juga berpotensi digunakan untuk membedakan jenis aktivitas apabila dikombinasikan dengan pemrosesan sinyal dan *machine learning*.

Berdasarkan penelitian-penelitian tersebut, Wi-Fi CSI telah terbukti memiliki potensi untuk mendeteksi gerakan, keberadaan, hingga aktivitas manusia. Namun, peningkatan kemampuan *sensing* umumnya diikuti oleh peningkatan kompleksitas perangkat maupun algoritma. Oleh karena itu, penelitian ini mengambil pendekatan yang lebih sederhana dengan menggunakan satu ESP32-S3, router Wi-Fi 2,4 GHz biasa, dan *firmware* WaveSight [^6]. Pengujian difokuskan pada perubahan parameter hasil pengolahan CSI, khususnya *jitter*, RSSI, status *Movement*, dan status *Someone*, untuk mengevaluasi kemampuan dasar deteksi keberadaan dan gerakan tanpa *machine learning*.

## Metodologi

***Penelitian dilakukan*** menggunakan metode eksperimen dengan mengimplementasikan sistem Wi-Fi *sensing* pada lingkungan *indoor*. Sistem terdiri dari ESP32-S3 sebagai perangkat penerima dan pemroses informasi CSI, router Wi-Fi 2,4 GHz sebagai *access point*, serta laptop atau perangkat *mobile* untuk konfigurasi dan *monitoring*.

*Firmware* yang digunakan adalah **WaveSight**, yang dibangun dan di-*flash* ke ESP32-S3 menggunakan **ESP-IDF**. Setelah perangkat terhubung ke jaringan Wi-Fi, hasil pemrosesan dipantau melalui *serial monitor* dan *dashboard* WaveSight dalam bentuk RSSI, *jitter*, status *Someone*, status *Movement*, serta grafik perubahan parameter secara *real-time*. Pada implementasi ini tidak dilakukan pemrosesan CSI mentah secara terpisah karena analisis menggunakan parameter hasil pengolahan yang disediakan WaveSight.

Sebelum pengujian, sistem dikalibrasi pada kondisi ruangan tanpa aktivitas manusia dengan posisi router dan ESP32-S3 dibuat tetap. Konfigurasi utama yang digunakan meliputi ***Someone Timeout* 60 detik, *Move Threshold* 0.0100, *Filter Window* 5, *Filter Count* 2**, dan Wi-Fi pada **Channel 1**.

Pengujian dilakukan pada beberapa kondisi, yaitu ruangan tanpa aktivitas manusia sebagai *baseline*, manusia dalam keadaan relatif diam, manusia bergerak, manusia melintas pada area antara router dan ESP32-S3, perubahan posisi perangkat, serta variasi jarak antara router dan ESP32-S3. Data pengujian diperoleh dari parameter hasil pemrosesan WaveSight berupa RSSI, *jitter*, status *Someone*, status *Movement*, serta grafik perubahan sinyal. Pengujian kondisi manusia diam dan bergerak dilakukan selama **15 detik**, dengan pengujian manusia bergerak dilakukan sebanyak **dua kali**.

Tahap evaluasi dilakukan dengan membandingkan kestabilan *baseline* dan pola perubahan *jitter* pada masing-masing kondisi. Karena penelitian tidak menggunakan *machine learning*, tidak terdapat proses pembagian data *training*, *validation*, atau *testing*, serta tidak terdapat proses *training* model. Evaluasi saat ini difokuskan pada hasil observasi dan perbandingan pola sinyal karena jumlah pengujian belum mencukupi untuk menghitung akurasi, *false positive rate*, *false negative rate*, dan waktu respons secara statistik.

***Environment dan dependency:***
ESP32-S3, ESP-IDF v5.4.4, firmware WaveSight, ESP-Radar, dan jaringan Wi-Fi 2,4 GHz.

**Lokasi kode/eksperimen mentah:**
Repositori WaveSight: `https://github.com/ErfanDL/WaveSight`
*Branch*: `main`
*Commit*: `61ce3a619a1a73af16362ee60e19f33babaee005`

## Hasil & Temuan

Implementasi sistem menunjukkan bahwa ESP32-S3 berhasil terhubung dengan jaringan Wi-Fi dan menjalankan fungsi Wi-Fi *sensing* menggunakan firmware WaveSight. Perangkat mampu menjalankan proses pemrosesan informasi CSI secara kontinu. Hasil pemrosesan dapat diamati melalui *serial monitor* dalam bentuk parameter RSSI, *jitter*, *window*, dan frekuensi sampel, serta melalui *dashboard* web dalam bentuk grafik RSSI, grafik *jitter*, status *Movement*, dan status *Someone* secara *real-time*.

Pada konfigurasi pengujian terbaru, ESP32-S3 menggunakan jaringan Wi-Fi 2,4 GHz pada **Channel 1**. Proses ESP-Radar dapat berjalan secara kontinu selama pengujian tanpa ditemukan *panic*, *restart* berulang, maupun *error* fatal yang menghentikan proses *sensing*.

### Kalibrasi dan Baseline

Sebelum pengujian aktivitas manusia dilakukan, sistem terlebih dahulu dikalibrasi melalui *dashboard* WaveSight. Proses kalibrasi dilakukan dengan kondisi area pengujian tanpa aktivitas manusia serta posisi router dan ESP32-S3 dipertahankan tetap.

Kalibrasi berlangsung selama kurang lebih **60 detik** dan berhasil diselesaikan. Setelah proses tersebut, sistem menggunakan konfigurasi dapat dilihat pada gambar 1.

![Gambar 1 Konfigurasi sistem setelah proses kalibrasi](/assets/e85874da758ec1ab/wifi-csi-deteksi-gerakan-gambar-1.webp)

*Gambar 1 Konfigurasi sistem setelah proses kalibrasi*

Setelah kalibrasi selesai, dilakukan pengamatan pada kondisi ruangan kosong untuk memperoleh referensi atau *baseline*. Pada saat *screenshot* dokumentasi diambil, diperoleh RSSI sekitar **-36 dBm** dan nilai *jitter* sesaat sebesar **0.000334**. Pada kondisi tersebut, status *Someone* dan *Movement* masing-masing menunjukkan **No** dapat dilihat pada gambar 2.

![Gambar 2 Grafik jitter saat kondisi ruang kosong](/assets/139b8aa6d235a5cd/wifi-csi-deteksi-gerakan-gambar-2.webp)

*Gambar 2 Grafik jitter saat kondisi ruang kosong*

Nilai *jitter* **0.000334 merupakan nilai sesaat yang ditampilkan *dashboard* pada saat *screenshot* diambil**, bukan nilai rata-rata selama keseluruhan kondisi ruangan kosong. Berdasarkan pengamatan terhadap grafik selama pengujian, kondisi ruangan kosong menunjukkan pola yang relatif stabil dan tidak memperlihatkan lonjakan sebesar ketika terdapat aktivitas manusia.

**Tabel 1. Hasil Implementasi dan Kalibrasi Sistem**

| Parameter/Skenario | Hasil Pengamatan | Evaluasi |
|--------------------|------------------|----------|
| Koneksi ESP32-S3   | Berhasil terhubung dengan jaringan Wi-Fi | Sistem dapat menjalankan proses *sensing* |
| Channel Wi-Fi      | Channel 1        | Kondisi jaringan terdokumentasi |
| Pemrosesan CSI     | *Serial monitor* menampilkan RSSI, *jitter*, *window*, dan frekuensi secara kontinu | Pemrosesan data berjalan |
| Dashboard          | RSSI, *jitter*, *Movement*, dan *Someone* dapat diamati secara *real-time* | Visualisasi berhasil dijalankan |
| Proses kalibrasi   | Kalibrasi sekitar 60 detik berhasil diselesaikan | *Baseline* lingkungan dapat diamati |
| Move Threshold     | 0\.0100          | Digunakan sebagai batas deteksi pergerakan |
| Filter Window      | 5                | Digunakan dalam proses *filtering* |
| Filter Count       | 2                | Digunakan untuk menentukan konsistensi perubahan |
| Baseline kosong    | RSSI sekitar **-36 dBm**, *jitter* sesaat **0.000334** pada saat Screenshoot | Kondisi relatif stabil |
| Status baseline    | *Someone*: No, *Movement*: No | Tidak terdapat indikasi pergerakan pada saat dokumentasi |

### Pengujian Kondisi Manusia Diam

Pengujian selanjutnya dilakukan dengan satu orang memasuki area pengujian dan kemudian berada dalam keadaan relatif diam selama **15 detik**.

Ketika seseorang memasuki area pengujian, grafik *jitter* menunjukkan peningkatan dengan puncak visual sekitar **0.28**. Setelah orang tersebut berhenti bergerak, grafik *jitter* kembali menurun. Pada saat *screenshot* dokumentasi diambil setelah kondisi mulai tenang, *dashboard* menunjukkan nilai *jitter* sesaat sebesar **0.000035** dan RSSI sekitar **-45 dBm,** dapat dilihat pada gambar 3.

![Gambar 3 Perubahan jitter pada pengujian manusia dalam kondisi relatif diam](/assets/df9b0f597f457aae/wifi-csi-deteksi-gerakan-gambar-3.webp)

*Gambar 3 Perubahan jitter pada pengujian manusia dalam kondisi relatif diam*

Nilai **0.000035 tidak menunjukkan bahwa seluruh kondisi manusia diam selalu menghasilkan nilai tersebut**, melainkan hanya nilai yang ditampilkan pada saat *screenshot* diambil pada satu pengujian. Pada pengujian ini terlihat bahwa perubahan terbesar terjadi ketika manusia memasuki area atau melakukan perubahan posisi. Ketika manusia tetap berada di area pengujian tanpa melakukan pergerakan yang signifikan, grafik kembali mendekati kondisi yang lebih stabil.

Selain perubahan nilai *jitter*, sistem menggunakan parameter *Someone Timeout* untuk mempertahankan indikasi keberadaan manusia setelah aktivitas terakhir terdeteksi. Pada konfigurasi pengujian, *Someone Timeout* ditetapkan selama **60 detik**. Ketika seseorang memasuki area dan menyebabkan perubahan *jitter* yang melebihi *threshold*, status *Someone* dapat dipertahankan selama periode tersebut meskipun orang tersebut kemudian berada dalam kondisi relatif diam dan nilai *jitter* kembali menurun. Apabila dalam periode tersebut kembali terjadi pergerakan yang menyebabkan perubahan sinyal melewati *threshold*, waktu deteksi keberadaan akan diperbarui. Sebaliknya, apabila tidak terdapat perubahan yang cukup signifikan hingga periode *timeout* berakhir, status *Someone* dapat kembali menjadi **No**.

Oleh karena itu, hasil ini menunjukkan bahwa sistem memberikan respons yang lebih jelas terhadap **perubahan atau gerakan manusia**, tetapi pengujian yang dilakukan belum cukup untuk menyimpulkan bahwa keberadaan manusia dalam kondisi benar-benar diam dapat dideteksi secara konsisten.

### Pengujian Kondisi Manusia Bergerak

Pengujian gerakan dilakukan sebanyak **dua kali**, dengan durasi masing-masing **15 detik**. Posisi router dan ESP32-S3 dipertahankan tetap agar hasil pengujian dapat dibandingkan dengan kondisi *baseline*.

Pada **Pengujian 1**, seseorang melakukan pergerakan aktif secara terus-menerus pada area pengujian selama **15 detik**. Grafik *jitter* menunjukkan beberapa peningkatan dengan perkiraan puncak sekitar **0.46**. RSSI pada saat dokumentasi tercatat sekitar **-42 dBm**. Setelah aktivitas berhenti, nilai *jitter* sesaat yang terdokumentasi turun menjadi sekitar **0.003516**, seperti ditunjukkan pada Gambar 4.

![Gambar 4. Perubahan jitter selama dan setelah aktivitas gerakan aktif pada Pengujian 1.](/assets/324e8d1c3474c094/wifi-csi-deteksi-gerakan-gambar-4.webp)

*Gambar 4. Perubahan jitter selama dan setelah aktivitas gerakan aktif pada Pengujian 1.*

Pada **Pengujian 2**, seseorang berjalan atau melintas pada area pengujian selama **15 detik** tanpa melakukan pergerakan aktif secara terus-menerus. Selama aktivitas berlangsung, grafik *jitter* menunjukkan beberapa lonjakan dengan perkiraan puncak visual sekitar **0.21**. Setelah aktivitas berhenti, grafik kembali menurun dan pada saat *screenshot* dokumentasi diambil nilai *jitter* sesaat sebesar **0.000006**, sedangkan RSSI tercatat sekitar **-36 dBm**, seperti ditunjukkan pada Gambar 5.

![Gambar 5. Perubahan jitter selama dan setelah aktivitas berjalan atau melintas pada Pengujian 2.](/assets/6a06471e58298258/wifi-csi-deteksi-gerakan-gambar-5.webp)

*Gambar 5. Perubahan jitter selama dan setelah aktivitas berjalan atau melintas pada Pengujian 2.*

Nilai **0.000006 bukan merupakan nilai *jitter* selama manusia sedang bergerak**, melainkan nilai sesaat setelah aktivitas telah berhenti dan kondisi sinyal kembali menurun. Oleh karena itu, nilai tersebut tidak dibandingkan secara langsung dengan nilai *baseline* untuk menentukan keberadaan manusia. Evaluasi kondisi bergerak dilakukan berdasarkan **pola lonjakan *jitter* yang muncul selama periode aktivitas**.

Perbedaan nilai sesaat setelah pengujian dengan kondisi *baseline* juga belum dapat dipastikan penyebabnya. Nilai yang sangat rendah tersebut dapat berkaitan dengan kondisi kanal yang kembali tenang atau *noise floor* sistem. Untuk memastikan hal tersebut diperlukan pengambilan data secara kontinu dan pengujian berulang.

**Tabel 2. Perbandingan Kondisi Pengujian**

| Kondisi | Durasi | RSSI | *Jitter* Sesaat saat *Screenshot* | Perkiraan Puncak *Jitter* | Hasil Pengamatan |
|---------|-------:|-----:|------------------------------:|------------------------:|------------------|
| Ruangan kosong | 15 detik | \-36 dBm | 0\.000334                     | Rendah                  | Kondisi relatif stabil dan tidak terdapat indikasi gerakan |
| Manusia diam | 15 detik | \-45 dBm | 0\.000035                     | ±0.28                   | Lonjakan terjadi ketika manusia memasuki area, kemudian *jitter* kembali menurun saat berada dalam kondisi relatif diam |
| Gerakan aktif – Pengujian 1 | 15 detik | \-42 dBm | 0\.003516                     | ±0.46                   | Fluktuasi *jitter* terlihat jelas selama pergerakan aktif secara terus-menerus |
| Manusia melintas – Pengujian 2 | 15 detik | \-36 dBm | 0\.000006                     | ±0.21                   | Fluktuasi *jitter* muncul ketika manusia berjalan atau melintas pada area pengujian |

Berdasarkan Tabel 2, terdapat perbedaan pola antara kondisi ruangan kosong, manusia diam, dan manusia bergerak. Pada kondisi ruangan kosong, *jitter* berada pada nilai yang relatif rendah. Ketika manusia memasuki area, terjadi peningkatan *jitter* yang jauh lebih besar dibandingkan *baseline*. Setelah manusia berhenti bergerak, nilai *jitter* kembali menurun.

Sebaliknya, ketika manusia terus melakukan pergerakan, grafik menunjukkan fluktuasi dan beberapa lonjakan *jitter* secara berulang. Kedua pengujian gerakan menghasilkan pola serupa, yaitu peningkatan variasi *jitter* ketika terdapat aktivitas manusia dan penurunan kembali setelah aktivitas dihentikan. Walaupun nilai puncak pada Testing 1 dan Testing 2 berbeda, pola perubahannya tetap dapat dibedakan secara visual dari kondisi *baseline*.

Pada *screenshot* Testing 1 dan Testing 2, status *Movement* terlihat **No** karena dokumentasi dilakukan setelah periode pergerakan selesai dan nilai *jitter* telah kembali menurun. Oleh karena itu, evaluasi gerakan pada pengujian ini dilakukan berdasarkan perubahan grafik selama periode pengujian dan bukan hanya berdasarkan status *Movement* pada satu titik waktu.

### Pengaruh Kalibrasi dan Threshold

Pada beberapa pengujian awal, sistem sempat memberikan indikasi keberadaan atau pergerakan meskipun tidak terdapat aktivitas manusia yang signifikan. Kondisi tersebut menunjukkan adanya indikasi *false positive*.

Salah satu faktor yang berpengaruh adalah nilai *threshold* yang terlalu sensitif terhadap perubahan kecil pada sinyal. Setelah dilakukan kalibrasi ulang dan konfigurasi pengujian menggunakan **Move Threshold sebesar 0.0100**, kondisi *baseline* pada pengujian terbaru menjadi lebih stabil, dengan status *Someone: No* dan *Movement: No*.

Temuan tersebut menunjukkan bahwa keberhasilan proses kalibrasi saja belum cukup untuk menjamin hasil deteksi yang optimal. Nilai *threshold* perlu disesuaikan dengan karakteristik lingkungan tempat sistem digunakan.

Selain *threshold*, beberapa faktor lain yang dapat memengaruhi hasil *sensing* meliputi posisi router, posisi ESP32-S3, jarak antarperangkat, posisi manusia terhadap jalur propagasi sinyal, kondisi ruangan, objek di sekitar perangkat, serta karakteristik *multipath*.

Pengujian sebelumnya dengan posisi dan jarak router yang berbeda menunjukkan bahwa sistem masih mampu merespons aktivitas manusia. Pada salah satu konfigurasi, kondisi *sensing* bahkan terlihat lebih stabil dibandingkan pengujian sebelumnya. Hal ini menunjukkan bahwa jarak bukan satu-satunya faktor yang menentukan hasil *sensing* karena posisi perangkat dan karakteristik lingkungan turut memengaruhi pola sinyal yang diterima ESP32-S3.

Keberadaan jaringan Wi-Fi lain serta penggunaan *channel* yang sama atau berdekatan juga diperkirakan dapat memengaruhi kestabilan sinyal melalui interferensi radio. Namun, faktor tersebut belum diuji secara khusus sehingga belum dapat dinyatakan sebagai penyebab langsung berdasarkan data eksperimen yang tersedia.

### Temuan Utama

Berdasarkan pengujian yang telah dilakukan, diperoleh beberapa temuan utama:

1. **Kondisi ruangan kosong menunjukkan pola *jitter* yang relatif rendah dan stabil.** Pada salah satu *screenshot* kondisi *baseline*, nilai *jitter* sesaat yang terdokumentasi sebesar **0.000334** dengan RSSI sekitar **-36 dBm**. Nilai tersebut merupakan nilai pada saat dokumentasi diambil dan bukan nilai *baseline* tetap maupun nilai rata-rata selama keseluruhan pengujian.
2. **Aktivitas manusia menghasilkan perubahan *jitter* yang lebih besar dibandingkan kondisi *baseline*.** Ketika seseorang memasuki area, puncak *jitter* mencapai sekitar 0.28. Pada dua pengujian manusia bergerak, puncak *jitter* masing-masing mencapai sekitar 0.46 dan 0.21.
3. **Sistem lebih sensitif terhadap gerakan dibandingkan keberadaan manusia dalam keadaan diam.** Ketika seseorang berhenti bergerak, nilai *jitter* dapat kembali mendekati kondisi *baseline* meskipun orang tersebut masih berada di area pengujian.
4. **Besar puncak *jitter* berbeda pada pola aktivitas yang berbeda.** Pengujian 1 dengan gerakan aktif secara terus-menerus menghasilkan perkiraan puncak *jitter* sekitar **0.46**, sedangkan Pengujian 2 dengan aktivitas berjalan atau melintas menghasilkan perkiraan puncak sekitar **0.21**. Namun, hubungan antara jenis atau intensitas gerakan dengan besar *jitter* belum dapat disimpulkan secara kuantitatif dan masih memerlukan pengujian lebih lanjut.
5. **Kalibrasi dan penentuan *threshold* memiliki pengaruh penting terhadap kestabilan deteksi.** Threshold yang terlalu sensitif pada pengujian awal menghasilkan indikasi *false positive*, sedangkan penggunaan Move Threshold sebesar 0.0100 menghasilkan *baseline* yang lebih stabil pada pengujian terbaru.
6. **Posisi dan jarak perangkat turut memengaruhi hasil *sensing*.** Sistem masih dapat merespons aktivitas manusia pada konfigurasi jarak yang berbeda, tetapi data numerik pengujian jarak belum dicatat secara lengkap.

Secara keseluruhan, hasil sementara menunjukkan bahwa sistem berbasis ESP32-S3 dan WaveSight berhasil menjalankan fungsi dasar Wi-Fi *sensing* serta memperlihatkan perbedaan karakteristik sinyal antara kondisi ruangan kosong dan kondisi terdapat aktivitas manusia. Perubahan tersebut terutama terlihat melalui pola dan fluktuasi nilai *jitter*.

Namun, jumlah pengujian yang dilakukan masih terbatas. Oleh karena itu, hasil saat ini belum cukup untuk digunakan dalam perhitungan akurasi, *false positive rate*, *false negative rate*, maupun waktu respons secara statistik. Pengujian berulang dan pencatatan data *time-series* diperlukan untuk memperoleh evaluasi kuantitatif yang lebih representatif.

## Diskusi

Berdasarkan hasil pengujian, aktivitas manusia dapat menyebabkan perubahan karakteristik sinyal Wi-Fi yang diterima oleh ESP32-S3. Perubahan tersebut terlihat melalui fluktuasi parameter *jitter* dan perubahan status deteksi pada *dashboard*.

Sistem terlihat lebih mudah mendeteksi manusia ketika terdapat pergerakan dibandingkan ketika seseorang hanya berada dalam keadaan diam. Hal ini disebabkan pergerakan manusia menghasilkan perubahan jalur propagasi sinyal yang lebih besar dan dinamis.

Pengujian juga menunjukkan bahwa konfigurasi posisi router dan ESP32-S3 memengaruhi respons sistem. Pada pengujian awal, router ditempatkan di luar/dekat pintu kamar, sedangkan ESP32-S3 berada di dalam area kamar dekat pintu. Pada pengujian berikutnya, konfigurasi perangkat diubah dengan router ditempatkan pada posisi yang lebih tinggi dan ESP32-S3 berada di bawahnya, sehingga area pengamatan mencakup satu ruangan. Pada konfigurasi tersebut, perubahan akibat aktivitas manusia di dalam ruangan tetap dapat teramati dan hasil deteksi terlihat lebih stabil dibandingkan pengujian awal. Hal ini menunjukkan bahwa performa sistem tidak hanya dipengaruhi oleh jarak, tetapi juga oleh posisi relatif router dan ESP32-S3, kondisi ruangan, *multipath*, serta proses kalibrasi.

Oleh karena itu, proses penentuan *baseline* dan kalibrasi menjadi bagian penting sebelum sistem digunakan pada lingkungan yang berbeda.

## Limitasi

Pengujian masih dilakukan pada dua ruangan *indoor* dengan kondisi dan konfigurasi penempatan perangkat yang berbeda. Pada pengujian awal, router ditempatkan di luar/dekat pintu ruangan dan ESP32-S3 berada di dalam ruangan dekat pintu. Pada pengujian berikutnya, router ditempatkan pada posisi yang lebih tinggi dengan ESP32-S3 berada di bawahnya. Pada konfigurasi tersebut, hasil pengujian menunjukkan bahwa perubahan aktivitas manusia dapat teramati dalam area yang diperkirakan mencakup satu ruangan. Namun, cakupan area tersebut belum diukur secara khusus sehingga belum dapat ditentukan sebagai batas jangkauan sistem. Oleh karena itu, hasil pengujian masih belum dapat menggambarkan performa sistem pada berbagai ukuran, tata letak, dan kondisi ruangan yang berbeda.

Perubahan posisi router, ESP32-S3, pintu, maupun objek di sekitar area pengujian juga dapat memengaruhi karakteristik sinyal dan menyebabkan *baseline* berubah. Kondisi tersebut dapat menyebabkan sistem memerlukan proses kalibrasi ulang.

Selain itu, sistem saat ini masih difokuskan pada pendeteksian keberadaan dan pergerakan dasar. Sistem belum digunakan untuk mengenali jenis aktivitas manusia secara spesifik.

Visualisasi yang digunakan juga masih berfokus pada parameter hasil pemrosesan seperti RSSI dan *jitter*, sehingga analisis terhadap data CSI mentah masih perlu dikembangkan pada tahap berikutnya.

## Kesimpulan & Arah Selanjutnya

### Kesimpulan

Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, sistem berbasis Wi-Fi CSI menggunakan ESP32-S3 dan router Wi-Fi 2,4 GHz mampu mengamati perubahan karakteristik sinyal akibat aktivitas manusia. Pada kondisi ruangan kosong, nilai *jitter* teramati berada di bawah *threshold* pengujian sebesar **0.1** dengan pola grafik yang relatif stabil. Pada pengujian gerakan aktif selama **15 detik**, grafik menunjukkan perkiraan puncak *jitter* sekitar **0.46**, sedangkan ketika seseorang hanya melintas pada area pengujian diperoleh perkiraan puncak sekitar **0.21**. Ketika seseorang memasuki area kemudian berada dalam kondisi relatif diam, terjadi lonjakan sekitar **0.28** sebelum grafik kembali menurun mendekati kondisi stabil.

Pengujian juga dilakukan pada **dua ruangan *indoor*** dengan konfigurasi penempatan router dan ESP32-S3 yang berbeda. Pada kedua kondisi tersebut, sistem tetap dapat mengamati perubahan sinyal akibat aktivitas manusia, meskipun respons yang dihasilkan dapat berbeda karena kondisi ruangan dan posisi perangkat. Hasil pengujian menunjukkan bahwa sistem memberikan respons yang lebih jelas terhadap **perubahan dan pergerakan manusia** dibandingkan keberadaan manusia dalam kondisi benar-benar diam. Oleh karena itu, kemampuan sistem dalam mendeteksi manusia statis secara konsisten masih memerlukan pengujian lebih lanjut. Selain itu, performa sistem dapat dipengaruhi oleh kondisi lingkungan, posisi perangkat, *multipath*, *noise*, interferensi Wi-Fi, proses kalibrasi, dan penentuan *threshold*.

### Arah Selanjutnya

Tahap selanjutnya difokuskan pada pengujian sistem secara lebih terstruktur dan berulang pada beberapa kondisi, seperti ruangan kosong, manusia diam, manusia bergerak, serta variasi posisi dan jarak perangkat. Data dari setiap pengujian akan dikumpulkan dan dibandingkan untuk mengevaluasi kestabilan *baseline*, perubahan nilai *jitter*, serta kemampuan sistem dalam membedakan masing-masing kondisi. Pengembangan berikutnya juga dapat diarahkan pada pengambilan dan visualisasi CSI mentah, pengujian pada lingkungan yang lebih beragam, serta penggunaan metode *filtering* atau *machine learning* apabila diperlukan untuk meningkatkan kemampuan sistem dalam mengenali aktivitas manusia yang lebih kompleks.

## Kepemilikan

**Hak ekonomi/komersial:** PT MKA (PT Mesin Kantong Ajaib)

Dokumen ini merupakan hasil kerja penulis dalam lingkup kegiatan kerja praktik (KP) di AI Lab ([ai-lab.id](https://ai-lab.id)).

## Tim & Kredit

* Danurkholis: Intern, AI Lab ([ai-lab.id](https://ai-lab.id))
* Muhammad Hamdi S: Intern, AI Lab ([ai-lab.id](https://ai-lab.id))

## Changelog

* **v0.1** (20 Agustus 2026): Draft awal.

## Daftar pustaka

1. L. Gong, W. Yang, D. Man, G. Dong, M. Yu, and J. Lv, "WiFi-Based Real-Time Calibration-Free Passive Human Motion Detection," Sensors, vol. 15, no. 12, pp. 32213–32229, 2015, doi: 10.3390/s151229896. https://doi.org/10.3390/s151229896
2. Z. Dong, F. Li, J. Ying, and K. Pahlavan, "Indoor Motion Detection Using Wi-Fi Channel State Information in Flat Floor Environments Versus in Staircase Environments," Sensors, vol. 18, no. 7, Art. no. 2177, 2018, doi: 10.3390/s18072177. https://doi.org/10.3390/s18072177
3. J. Strohmayer and M. Kampel, "WiFi CSI-Based Long-Range Through-Wall Human Activity Recognition with the ESP32," in Computer Vision Systems, vol. 14253, Cham, Switzerland: Springer, 2023, pp. 41–50, doi: 10.1007/978-3-031-44137-0_4. https://doi.org/10.1007/978-3-031-44137-0_4
4. L.-H. Shen, A.-H. Hsiao, F.-Y. Chu, and K.-T. Feng, "Time-Selective RNN for Device-Free Multi-Room Human Presence Detection Using WiFi CSI," IEEE Transactions on Instrumentation and Measurement, vol. 73, pp. 1–17, 2024, doi: 10.1109/TIM.2023.3348887. https://doi.org/10.1109/TIM.2023.3348887
5. Z. Hao, Y. Duan, X. Dang, and T. Zhang, "CSI-HC: A WiFi-Based Indoor Complex Human Motion Recognition Method," Mobile Information Systems, vol. 2020, Art. no. 3185416, 2020, doi: 10.1155/2020/3185416. https://doi.org/10.1155/2020/3185416
6. ErfanDL, “WaveSight: ESP32 Wi-Fi CSI Radar for Human Presence & Movement Detection,” GitHub. [Online]. Available: https://github.com/ErfanDL/WaveSight. [Accessed: Aug. 15, 2026]. https://github.com/ErfanDL/WaveSight

**Lisensi:** Hak cipta dilindungi

## Cara mengutip

Danurkholis, Muhammad Hamdi S (2026). Implementasi Sistem Deteksi Keberadaan dan Gerakan Manusia Berbasis Wi-Fi Channel State Information Menggunakan ESP32-S3. AI Lab Indonesia Official. https://mind.ai-lab.id/journal/research-note/wifi-csi-deteksi-gerakan