<![CDATA[Stres adalah kondisi psikologis yang memengaruhi keseimbangan emosional dan kinerja seseorang. Apabila stres tidak dilakukan deteksi dan penanganan sejak dini, maka stres mampu menyebabkan gangguan kesehatan yang serius. Deteksi stres pada umumnya dilakukan dengan metode subjektif menggunakan kuesioner seperti PSS, DASS-42, dan sebagainya, namun metode tersebut belum sepenuhnya akurat dikarenakan ketergantungannya terhadap persepsi individu. Pengukuran dengan metode objektif secara fisiologis berbasis sinyal electroencephalogram (EEG) dinilai lebih akurat. Namun, penggunaan perangkat berbasis EEG banyak kanal memiliki kelemahan yaitu kompleksitas komputasi yang tinggi dan portabilitas yang rendah cenderung membuat pasien tidak nyaman. Berdasarkan hal tersebut, penelitian ini mengusulkan implementasi Support Vector Machine (SVM) untuk deteksi tingkat stres berbasis sinyal EEG satu kanal untuk meningkatkan performa akurasi klasifikasi, efisiensi waktu komputasi, dan kenyamanan pengguna. Proses pengolahan sinyal menggunakan normalisasi Z-Score, dekomposisi Discrete Wavelet Transform (DWT), serta ekstraksi fitur berupa Mean Absolute Value (MAV), Standard Deviation (SD), Absolute Power (AP), dan Power Percentage (PP) dari gelombang alpha dan beta. Data fitur diklasifikasikan dengan menggunakan algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) ke dalam tiga kelas yaitu Normal, Mid-Stress, High-Stress. Sistem dibentuk dalam aplikasi Graphical User Interface (GUI) berbasis MATLAB sehingga sistem dapat menampilkan keluaran berupa grafik sinyal alpha dan beta, nilai ekstraksi fitur, hasil diagnosa, dan waktuHasil pengujian menunjukkan akurasi klasifikasi sebesar 86,67% dan rata-rata waktu komputasi sistem 2,29 detik. Sistem yang diimplentasikan pada penelitian ini dapat diandalkan dan digunakan oleh psikolog sebagai alat validator tambahan dan mendeteksi stres pasien dengan lebih objektif, cepat, dan nyaman.]]>
Copyrights © 2026
