<![CDATA[Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi. Abstract Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.]]>
