<![CDATA[Deteksi stres menggunakan sinyal Electroencephalography (EEG) memiliki potensi besar untuk pemantauan kesehatan mental secara objektif. Namun, tantangan pada permasalahan ini adalah ketidakseimbangan kelas dan pemilihan fitur yang representative dari sinyal EEG yang kompleks. Variasi metode dalam alur kerja pemrosesan, dimulai dari ekstraksi fitur hingga klasifikasi, menciptakan ketidakpastian mengenai kombinasi teknik yang paling efektif. Oleh karena itu, penelitian ini melakukan analisis komparatif sistematis terhadap berbagai skenario untuk mengidentifikasi alur kerja yang optimal. Metode penelitian ini membandingkan kinerja fitur tunggal, Power Spectral Density (PSD) dengan fitur kombinasi (PSD, Parameter Hjorth, Higuchi Fractal Dimension). Untuk mengatasi ketidakseimbangan kelas dan dimensi fitur, penelitian ini menggunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) dan seleksi fitur Particle Swarm Optimization (PSO). Beberapa model klasifikasi, termasuk Random Forest, XGBoost, SVM, Logistic Regression, dan sebuah arsitektur ensemble, dievaluasi menggunakan metrik akurasi dan F1-score. Hasil utama menunjukkan bahwa konfigurasi yang paling optimal adalah yang paling sederhana, yaitu model Random Forest yang hanya menggunakan fitur PSD, tanpa penerapan SMOTE maupun PSO. Konfigurasi ini berhasil mencapai akurasi tertinggi sebesar 0.77 dan F1-score 0.77. Ditemukan bahwa penambahan fitur, penerapan SMOTE, dan penggunaan arsitektur ensemble justru cenderung menurunkan performa pada konfigurasi terbaik. Kesimpulan dari penelitian ini adalah bahwa untuk deteksi stres pada dataset yang digunakan, pendekatan yang lebih sederhana lebih unggul. Penelitian ini berhasil memetakan kinerja berbagai skenario dan memberikan rekomendasi alur kerja yang efektif, sekaligus menunjukkan bahwa penambahan kompleksitas tidak selalu menjamin peningkatan akurasi. Abstract Stress detection using Electroencephalography (EEG) signals has great potential for objective mental health monitoring. However, the challenges in this problem are class imbalance and the selection of representative features from complex EEG signals. Variations in processing workflow methods, from feature extraction to classification, create uncertainty regarding the most effective combination of techniques. Therefore, this study conducted a systematic comparative analysis of various scenarios to identify the optimal workflow. The research method compares the performance of a single feature Power Spectral Density (PSD) with a combination of features (PSD, Hjorth Parameter, Higuchi Fractal Dimension). To overcome class imbalance and feature dimension, this study uses the Synthetic Minority Over-sampling Technique (SMOTE) and Particle Swarm Optimization (PSO) feature selection. Several classification models, including Random Forest, XGBoost, SVM, Logistic Regression, and an ensemble architecture, were evaluated using accuracy and F1-score metrics. The main results show that the most optimal configuration is the simplest one, which is a Random Forest model that only uses PSD features, without applying SMOTE or PSO. This configuration successfully achieved the highest accuracy of 0.77 and an F1-score of 0.77. It was found that the addition of features, the application of SMOTE, and the use of ensemble architecture actually tend to degrade performance in the best configuration. The conclusion of this study is that for stress detection on the dataset used, a simpler approach is superior. This research successfully mapped the performance of various scenarios and provided effective workflow recommendations, while showing that increasing complexity does not always guarantee increased accuracy.]]>
