Perpustakaan Digital ITB

Stres merupakan reaksi fisik dan emosional terhadap perubahan lingkungan yang mengharuskan seseorang untuk beradaptasi. Berdasarkan data survei I-NAMHS (2022), satu dari dua puluh remaja di Indonesia mengidap gangguan mental, yang seringkali diperburuk oleh fakta bahwa banyak orang tidak menyadari mereka sedang mengalami stres negatif dan membiarkannya berlarut-larut. Oleh karena itu, terdapat urgensi untuk menciptakan sebuah instrumen skrining dini berupa wearable device yang dapat mendeteksi keberadaan stres akut agar tidak menumpuk. Sistem ini menggunakan pendekatan biomarker fisiologis dengan mengakuisisi dua data utama, yakni ekstraksi Heart Rate Variability (HRV) melalui pengolahan sinyal dari sensor fotopletismografi (PPG DFRobot SEN0203 dan pemantauan pergerakan tubuh menggunakan akselerometer 3-aksis MPU6050. Pengolahan data dilakukan secara sinkron dan real-time di dalam mikrokontroler (ESP32) memanfaatkan machine learning (Edge AI/TinyML) dengan arsitektur Multilayer Perceptron (MLP) yang sangat ringan (lightweight). Algoritma dilatih menggunakan dataset WISDM yang dikurasi menjadi dua kategori (aktivitas berintensitas tinggi dan rendah) dan diproses melalui segmentasi sliding window serta Robust Scaler. Keputusan prediksi jenis stres kemudian diambil menggunakan logika fusi data sensor. Dari hasil pengujian perangkat keras, sensor PPG terbukti memiliki tingkat ketepatan akuisisi sinyal yang tinggi, dengan pencapaian nilai Pearson Correlation tertinggi sebesar 0.96 dan nilai Mean Absolute Error (MAE) terbaik mencapai 14.547 milidetik. Pada evaluasi perangkat lunak cerdas, reklasifikasi kelompok dataset aktivitas menjadi dua kelas berhasil meningkatkan akurasi dari model machine learning secara signifikan, dari 85.34% menjadi 98.29%. Secara keseluruhan, wearable device yang dirancang telah terbukti mampu berfungsi dengan baik untuk mendeteksi serta memantau jenis stres akut yang dialami pengguna secara real-time.