<![CDATA[Pengukuran intensitas nyeri di lingkungan klinis saat ini sebagian besar masih bersifat subjektif dan mengandalkan pelaporan mandiri pasien, sehingga berisiko memicu bias evaluasi pada populasi non-verbal. Sebagai solusi objektif, parameter otonom Electrodermal Activity (EDA) atau konduktansi kulit mulai banyak dieksplorasi karena keterkaitannya yang erat dengan aktivitas sistem saraf simpatis. Penelitian ini bertujuan untuk mengidentifikasi, menganalisis, dan menyintesis tantangan teknis serta peluang implementasi sistem deteksi nyeri objektif berbasis EDA melalui metode Systematic Literature Review (SLR) dengan mengadopsi pedoman PRISMA 2020. Penapisan literatur dilakukan secara ketat terhadap artikel-artikel orisinal bereputasi internasional dalam rentang waktu terupdate. Hasil sintesis data menunjukkan bahwa tantangan teknis utama dalam implementasi EDA klinis meliputi kerentanan yang tinggi terhadap artefak gerakan (motion artifacts), variabilitas kondisi biologis kulit individu, serta adanya disparitas regulasi otonom yang dipengaruhi oleh faktor gender (female-male differences). Di sisi lain, peluang keberhasilan teknologi ini didukung oleh perkembangan algoritma pemrosesan sinyal digital modern, seperti pemanfaatan fitur diferensial (dphEDA dan MTVSymp), serta implementasi model supervised maupun unsupervised machine learning untuk otomatisasi deteksi dan eliminasi artefak gerakan. Lebih lanjut, integrasi arsitektur deep learning kontinu (seperti CrossMod-Transformer) dan penerapan kerangka kerja Explainable Artificial Intelligence (XAI) berpotensi meminimalisasi keterbatasan sensor tunggal sekaligus memberikan transparansi visual atas keputusan klinis model cerdas pada populasi anak-anak, dental, maupun ginekologi. Penelitian ini diharapkan dapat memberikan landasan teoritis bagi perancangan aplikasi smart healthcare masa depan berbasis Edge AI pada perangkat wearable.]]>
