SKRIPSI DIGITAL
Sistem Prediksi Stres Menggunakan Sensor Variabilitas Denyut Jantung dan Respons Kulit Galvanik Berbasis Pembelajaran Mesin = Stress Prediction System Using Heart Rate Variability (HRV) dan Galvanic Skin Response (GSR) Sensors Based on Machine Learning
Muhammad Arya Surya Saputra, "Sistem Prediksi Stres Menggunakan Sensor
Variabilitas Denyut Jantung dan respons kulit galvanik Berbasis pembelajaran
mesin", Skripsi D.IV Jurusan Teknik Teknik Elektro Politeknik Negeri Semarang, di
bawah
bimbingan
Bagus
Yunanto,S.T.,
Supriyati,S.T.,M.Kom.,Januari, 20262025, 74 Halaman.
M.T.,
Ph.D.
dan
Stres merupakan respons fisiologis dan psikologis akibat tekanan yang melebihi
kemampuan adaptasi individu. Pemantauan stres secara objektif dapat dilakukan
melalui sinyal fisiologis yang berkaitan dengan aktivitas sistem saraf otonom,
seperti Variabilitas Detak Jantung ( HRV :Heart Rate Variability) dan respon kulit
galvanik (GSR:Galvanic Skin Response). Penelitian ini bertujuan merancang
sistem prediksi stres berbasis sinyal Variabilitas Detak Jantung dan Respon Kulit
Galvanik yang terintegrasi dalam perangkat berbentuk tetikus komputer serta
dilengkapi aplikasi pemantauan berbasis antarmuka grafis pengguna. Sistem
dikembangkan menggunakan sensor MAX30102 untuk memperoleh sinyal
fotopletismografi (PPG: Photoplethysmography) yang diolah menjadi data interval
antar denyut (IBI: Inter Beat Interval), serta sensor GSR untuk mengukur
konduktansi kulit. Mikrokontroler ESP32 digunakan untuk akuisisi dan transmisi
data waktu nyata ke komputer. Ekstraksi fitur Variabilitas Detak Jantung HRV
meliputi Simpangan Baku Interval Normal ke Normal (SDNN: Standard Deviation
of NN intervals), Akar Rata-Rata Kuadrat Selisih Interval Berurutan (RMSSD:
Root Mean Square of Successive Differences), dan Rasio Frekuensi Rendah
terhadap Frekuensi Tinggi (LF/HF Ratio), sedangkan fitur GSR meliputi nilai
rerata dan perubahan sinyal. Seluruh fitur digabungkan menjadi satu vektor fitur
dan diproses menggunakan algoritma Random Forest untuk memprediksi kondisi
stres pengguna. Antarmuka pengguna dibangun menggunakan library PyQt5
untuk menampilkan data fisiologis dan hasil prediksi.
Hasil pengujian
menunjukkan sistem mampu melakukan akuisisi, pemrosesan, dan prediksi stres
secara waktu nyata. Kombinasi fitur yang diproses menggunakan metode
pembelajaran mesin mampu merepresentasikan kondisi fisiologis pengguna terkait
stres. Pendekatan berbasis sinyal fisiologis non-invasif yang dipadukan dengan
pembelajaran mesin dapat digunakan sebagai solusi prediksi stres secara interaktif
dan waktu nyata.
Kata kunci: HRV, GSR, prediksi stres, Random Forest, sistem fisiologis.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah