Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer JATI (Jurnal Mahasiswa Teknik Informatika)
IKA NURFARIDA
Fakultas Ilmu Budaya Universitas Brawijaya
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
SISTEM PAKAR IDENTIFIKASI TINGKAT STRES PADA MAHASISWA SELAMA MASA PANDEMIC COVID - 19 MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR BERBASIS WEBSITE Deran Koli, Diana; Panji Sasmito, Agung; Zulfia Zahro’, Hani; Nurfarida, Ika
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 6 No. 2 (2022): JATI Vol. 6 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v6i2.5417

Abstract

Covid-19 pertama kali menyerang kehidupan manusia pada akhir tahun 2019. WHO menetapkan Covid-19 menjadi pandemic global sejak Maret 2020. Dalam rangka pencegahan terhadap penyebaran Covid-19 di Indonesia, Menteri Pendidikan dan Kebudayaan Republik Indonesia memberlakukan pembelajaran daring bagi mahasiswa. Perubahan sistem pembelajaran ini tentu sangat memengaruhi kehidupan mahasiswa. Dalam proses beradaptasi dengan sistem baru, mahasiswa menghadapi berbagai jenis tantangan. Tantangan yang dihadapi berpotensi menjadi stresor. Tujuan dari penelitian ini adalah untuk membantu mahasiswa mengetahui tingkat stres yang dialaminya. Analisis dilakukan dengan mengidentifikasi tingkat stres pada mahasiswa menggunakan metode pada sistem pakar yakni metode Forward Chaining, serta menggunakan perhitungan Certainty Factor untuk menambahkan tingkat keyakinan hasil identifikasi. Hasil akhir dari website yang dibuat berupa keterangan tingkat stres yang dialami mahasiswa tersebut.
Sistem Deteksi Stres Menggunakan Metode Support Vector Machine dengan Fitur RMSSD dan pNN50 Prakoso, Raihan; Widasari, Edita Rosana; Nurfarida, Ika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 13 (2025): Publikasi Khusus Tahun 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Naskah ini akan diterbitkan pada JTIIK.
Sistem Deteksi Stres Menggunakan Metode Support Vector Machine dengan Fitur RMSSD dan PNN50 Prakoso, Raihan Adi; Widasari, Edita Rosana; Nurfarida, Ika
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 13 No 3: Juni 2026
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2026133

Abstract

Stres merupakan respons fisiologis dan psikologis yang muncul akibat tekanan fisik, lingkungan, atau sosial. Keterbatasan jumlah psikolog klinis berpotensi menyebabkan keterlambatan skrining dan penanganan dini, sehingga diperlukan alat bantu skrining yang objektif dan terukur untuk memperkuat pemeriksaan awal. Penelitian ini mengusulkan prototipe deteksi stres non-invasif berbasis embedded system secara real-time dengan memanfaatkan sensor PPG MAX30102, ekstraksi fitur HRV domain waktu RMSSD dan pNN50, serta klasifikasi menggunakan Support Vector Machine (SVM) linear pada dua kelas (stres/tidak stres). Data primer direkam dari subjek pada kondisi stres/tidak stres yang ditetapkan melalui validasi psikiater, kemudian diproses untuk memperoleh nilai RMSSD dan pNN50 sebelum dilakukan klasifikasi. Hasil pengujian menunjukkan sistem mampu melakukan estimasi detak jantung dengan MAPE 2,25%, sedangkan perhitungan NN interval sebagai dasar ekstraksi HRV menunjukkan MAPE 0,15%. Pada tahap deteksi stres, sistem mencapai akurasi 90% dengan waktu komputasi rata-rata 86,5 ms, sehingga layak digunakan sebagai alat bantu skrining stres awal yang praktis, portabel, dan responsif pada perangkat embedded.   Abstract Stress is a physiological and psychological response that arises from physical, environmental, or social pressures. The limited number of clinical psychologists may lead to delays in early screening and intervention, highlighting the need for an objective and measurable screening aid to strengthen preliminary assessments. This study proposes a non-invasive, real-time embedded system prototype for stress detection using a MAX30102 PPG sensor, time-domain HRV feature extraction (RMSSD and pNN50), and a linear Support Vector Machine (SVM) classifier for two classes (stress/non-stress). Primary data were recorded from participants under stress and non-stress conditions validated by a psychiatrist, then processed to obtain RMSSD and pNN50 values prior to classification. The experimental results show that the system achieved heart rate estimation with a MAPE of 2.25%, while NN interval computation as the basis for HRV extraction achieved a MAPE of 0.15%. For stress detection, the system reached an accuracy of 90% with an average computation time of 86.5 ms, indicating that it is suitable as a practical, portable, and responsive early stress screening tool on an embedded platform.
Co-Authors Agung Panji Sasmito Deran Koli, Diana Edita Rosana Widasari, Edita Rosana Prakoso, Raihan Prakoso, Raihan Adi Zulfia Zahro’, Hani