Kesehatan mental telah menjadi perhatian utama dalam beberapa dekade terakhir, terutama terkait dengan tingginya prevalensi stres kronis yang dapat memicu berbagai masalah kesehatan. Menurut data WHO, sekitar 1 dari 8 orang di dunia mengalami gangguan mental pada tahun 2019, dan WHO bahkan mengategorikan stres sebagai pandemi global karena dampaknya yang luas terhadap peningkatan gangguan mental hingga risiko bunuh diri. Stres sendiri dapat dikelompokkan menjadi stres fisik dan stres psikologis, di mana stres psikologis masih terbagi lagi menjadi stres emosional dan stres kognitif. Jika dibiarkan berlangsung lama, stres dapat memengaruhi hampir seluruh sistem tubuh, mulai dari sistem kardiovaskular hingga sistem saraf, sehingga deteksi dini jenis stres yang dialami seseorang menjadi sangat penting agar penanganannya dapat dilakukan secara tepat.
Salah satu metode non-invasif yang banyak digunakan untuk mendeteksi stres adalah electrodermal activity (EDA), yaitu sinyal yang merekam perubahan konduktansi kulit akibat aktivitas kelenjar keringat yang dipengaruhi oleh sistem saraf simpatik. Sinyal EDA terdiri atas komponen tonik (Skin Conductance Level/SCL) yang mencerminkan aktivitas basal tubuh, dan komponen fasik (Skin Conductance Response/SCR) yang mencerminkan respons fisiologis terhadap stimulus. Karena kedua komponen ini kerap saling tumpang tindih, diperlukan metode dekomposisi sinyal agar informasi stres dapat diekstraksi secara lebih akurat.
Penelitian ini mengusulkan kombinasi metode optimisasi konveks (cvxEDA) untuk memisahkan komponen fasik dan tonik dari sinyal EDA, dengan metode Multi-Layer Perceptron (MLP) untuk mengklasifikasikan jenis stres yang dialami, yaitu stres fisik, kognitif, dan emosional. Pendekatan ini menjawab kesenjangan pada penelitian-penelitian sebelumnya yang umumnya hanya berfokus pada satu tahap saja, baik dekomposisi sinyal maupun klasifikasi, tanpa mengombinasikan keduanya secara khusus untuk membedakan ketiga jenis stres berdasarkan sumber pemicunya (stressor).
Penelitian melibatkan 20 subjek yang menjalani tiga sesi pengukuran dengan stimulus stres yang berbeda: stimulus fisik berupa aktivitas berjalan dan berlari di treadmill, stimulus kognitif berupa tes berhitung mundur dan strop test, serta stimulus emosional berupa tayangan cuplikan film horor. Sinyal EDA yang diperoleh kemudian didekomposisi menggunakan cvxEDA untuk mendapatkan komponen SCR, dilanjutkan dengan ekstraksi tujuh fitur statistik seperti mean, standar deviasi, rise time, fall time, hingga mean inter-peak interval, sebelum akhirnya diklasifikasikan menggunakan model MLP dengan dua hidden layer.
Hasil penelitian menunjukkan bahwa metode cvxEDA berhasil memisahkan komponen fasik dan tonik dari sinyal EDA dengan baik, dan komponen fasik (SCR) terbukti mampu menggambarkan respons fisiologis subjek terhadap stimulus yang diberikan. Model MLP memberikan performa terbaik dalam mengklasifikasikan stres kognitif dengan akurasi 82% dan F1-score 80,13%, diikuti oleh stres emosional dengan akurasi 79%, sementara stres fisik memiliki akurasi terendah yaitu 60%, yang diduga dipengaruhi oleh perbedaan respons fisiologis antarindividu serta fenomena habituasi tubuh terhadap stimulus fisik yang berulang.
Temuan ini memberikan kontribusi penting bagi pengembangan sistem deteksi dini kondisi stres berbasis sinyal fisiologis, khususnya untuk membedakan jenis stres yang dialami seseorang. Dengan mengetahui jenis stres secara lebih spesifik, penanganan dan intervensi dapat dilakukan secara lebih tepat sasaran sesuai dengan kondisi psikologis yang mendasarinya, sehingga berpotensi mencegah dampak kesehatan jangka panjang akibat stres yang tidak tertangani.
Hasil penelitian ini telah dipublikasikan dalam prosiding Lecture Notes in Electrical Engineering (LNEE), Springer, terindeks Scopus. Berikut ini adalah link dari artikel tersebut:
C. T. Ratri, O. N. Rahma, S. I. Ittaqillah, R. F. Alfisyah, A. A. Octavia, F. Ama, K. Ain and R. Chai, 鈥淐lassification of Stress Types Based on Electrodermal Activity Signal Using Multi-layer Perceptron Method,鈥 in Proceedings of the 5th International Conference on Electronics, Biomedical Engineering, and Health Informatics (ICEBEHI 2024), Lecture Notes in Electrical Engineering, vol. 1611, pp. 146鈥159, Springer, Singapore, 2026, doi: 10.1007/978-981-95-9233-3_12.
Penulis: Osmalina Nur Rahma, S.T., M.Si.
