Perpustakaan Digital ITB

Stres kerja merupakan masalah kesehatan yang signifikan karena berdampak pada produktivitas, keselamatan, dan kesejahteraan individu. Perkembangan perangkat wearable memungkinkan pemantauan sinyal fisiologis secara kontinu untuk mendeteksi stres secara lebih objektif. Penelitian ini bertujuan mengembangkan pipeline klasifikasi stres berbasis sinyal multisensor dari perangkat Empatica E4 dengan fokus pada peningkatan deteksi stres ringan yang sering luput dari model sebelumnya. Pipeline mencakup tahapan praproses sinyal, segmentasi 10 detik dengan step 5 detik, ekstraksi fitur baseline (aktivitas elektrodermal, detak jantung, dan temperatur kulit) serta fitur variabilitas denyut jantung dari sinyal Photoplethysmography, optimasi fitur melalui berbagai metode feature selection, dan klasifikasi menggunakan algoritma XGBoost. Dataset yang digunakan adalah Multimodal Dataset for Nurses, yang merekam sinyal fisiologis 15 perawat selama pandemi COVID-19. Hasil eksperimen menunjukkan bahwa pipeline usulan mampu meningkatkan kinerja deteksi stres ringan dengan F1-score dari 0,75 pada model baseline (Random Forest) menjadi 0,86 pada model XGBoost dengan feature selection berbasis tree. Analisis feature importance menunjukkan bahwa fitur dari temperatur kulit dan aktivitas elektrodermal memberikan kontribusi dominan, sedangkan fitur variabilitas denyut jantung berperan sebagai pelengkap. Penelitian ini membuktikan bahwa kombinasi XGBoost dan feature selection dapat mengoptimalkan deteksi stres berbasis sinyal wearable.