<![CDATA[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.]]>
Copyrights © 2026
