Studi Komparatif Model Machine Learning untuk Perhitungan Jumlah Orang dalam Ruangan Berbasis Channel State Information (CSI) Wi-Fi 802.11ax pada Perangkat ESP32-C6

Eduardus Bagus Wicaksono, Ir. Azkario Rizky Pratama S.T., M.Eng., Ph.D., IPM; Widyawan, S.T., M.Sc., Ph.D.

2026 | Skripsi | TEKNOLOGI INFORMASI

Pemantauan jumlah orang dalam ruangan merupakan informasi fundamental bagi sistem smart building, mulai dari pengaturan HVAC dan pencahayaan adaptif hingga keamanan dan manajemen kapasitas ruang. Pendekatan berbasis kamera, sensor PIR, maupun perangkat wearable terkendala isu privasi, keterbatasan deteksi, dan biaya infrastruktur. Channel State Information (CSI) dari sinyal Wi-Fi hadir sebagai alternatif device-free yang menjaga privasi karena memanfaatkan infrastruktur nirkabel yang sudah ada dan merepresentasikan kondisi kanal hingga level subcarrier. Namun, mayoritas riset people counting berbasis CSI masih bertumpu pada standar Wi-Fi lama (802.11n/ac) dan kartu jaringan khusus, belum memanfaatkan IEEE 802.11ax (Wi-Fi 6) pada platform IoT berbiaya rendah. Selain itu belum ada perbandingan adil antar keluarga model maupun perbandingan langsung formulasi klasifikasi dan regresi pada kondisi eksperimen yang identik.

Penelitian ini mengumpulkan dataset CSI mandiri menggunakan dua perangkat ESP32-C6 berbasis 802.11ax di ruangan 7×9 meter untuk rentang 0–6 orang dengan variasi skenario aktivitas dan sebaran zona, menghasilkan 18.356 jendela data. Enam model dari dua keluarga dibandingkan, yaitu machine learning klasik (SVM, Random Forest, XGBoost) dan deep learning (1D CNN, LSTM, CNN-LSTM). Seluruh model menggunakan pipeline praproses dan skema nested cross-validation yang seragam, masing-masing pada formulasi klasifikasi diskrit dan regresi kontinu.

Model deep learning mengungguli model klasik. 1D CNN mencatat performa klasifikasi terbaik (F1-macro 0,944 dan akurasi 93,6%), sedangkan CNN-LSTM terbaik pada regresi (MAE 0,243 dan R² 0,934), dan SVM menjadi model klasik paling kompetitif (F1-macro 0,907). Formulasi klasifikasi secara konsisten lebih akurat daripada regresi, dan studi ablasi menegaskan representasi magnitudo saja sudah memadai pada perangkat antena tunggal. Skenario aktivitas dan distribusi zona berpengaruh terukur terhadap performa, dengan skenario berdiri yang dinamis dan zona terdekat dengan pemancar lebih mudah diprediksi daripada skenario duduk yang statis dan zona terjauh. Penelitian ini membuktikan kelayakan ESP32 dan 802.11ax sebagai platform pengumpulan data CSI sekaligus menyediakan benchmark terkontrol yang dapat direproduksi.

Indoor people counting provides fundamental information for smart building systems, ranging from adaptive HVAC and lighting control to security and space capacity management. Camera-based approaches, PIR sensors, and wearable devices are constrained by privacy concerns, limited detection capability, and infrastructure cost. Channel State Information (CSI) from WiFi signals offers a privacy-preserving, device-free alternative that leverages existing wireless infrastructure and represents the channel condition down to the subcarrier level. However, most CSI-based people counting research still relies on legacy WiFi standards (802.11n/ac) and dedicated network interface cards, leaving IEEE 802.11ax (Wi-Fi 6) on low-cost IoT platforms unexplored. There is also no fair comparison across model families nor a direct comparison of classification and regression formulations under identical experimental conditions.

This study collects a self-built CSI dataset using two ESP32-C6 devices based on 802.11ax in a 7×9 meter room for a range of 0–6 people, with variations in activity scenarios and zone distribution, yielding 18,356 data windows. Six models from two families are compared, namely classical machine learning (SVM, Random Forest, XGBoost) and deep learning (1D CNN, LSTM, CNN-LSTM). All models use a uniform preprocessing pipeline and nested cross-validation scheme, each on discrete classification and continuous regression formulations.

The deep learning models outperform the classical ones. The 1D CNN achieves the best classification performance (F1-macro of 0.944 and an accuracy of 93.6%), while CNN-LSTM is best on regression (MAE of 0.243 and R² of 0.934), and SVM is the most competitive classical model (F1-macro of 0.907). The classification formulation is consistently more accurate than regression, and the ablation study confirms that the magnitude representation alone is sufficient on single-antenna devices. Activity scenario and zone distribution measurably affect performance, with the dynamic standing scenario and the zone nearest the transmitter easier to predict than the static seated scenario and the far zone. This study demonstrates the feasibility of ESP32 and 802.11ax as a CSI data-collection platform while providing a controlled and reproducible benchmark.

Kata Kunci : Channel State Information (CSI), people counting, Wi-Fi 6 (IEEE 802.11ax), ESP32, machine learning