Ide Judul Skripsi: Analisis Deteksi Stress dengan Artificial Intelligence

merlindawibowo.com – Stress merupakan fenomena umum yang timbul pada manusia dalam situasi tertentu, dapat dianggap sebagai kondisi negatif yang menghasilkan kebiasaan baru yang berpotensi menyebabkan masalah kesehatan seperti obesitas, penyakit kardiovaskular, risiko kanker, dan efek tidak sehat lainnya. Pandemi Covid-19 telah menjadi salah satu pemicu peningkatan jumlah orang yang mengalami stres, dengan American Psychological Association (APA) melaporkan bahwa sebanyak 84% dari responden mengalami peningkatan ketidaknyamanan dan kegelisahan sejak pandemi dimulai. Ketakutan, kesedihan, dan kemarahan adalah emosi yang sering muncul dalam situasi ini, berpotensi memicu pada individu dari berbagai rentang usia, termasuk mahasiswa yang menghadapi stres terkait dengan pembelajaran daring.

Dalam upaya mendeteksi stres secara dini, Bobade dan Vani telah mengembangkan metode pemantauan menggunakan berbagai parameter fisik seperti akselerasi tiga sumbu (ACC), suhu tubuh (TEMP), respirasi (RESP), elektromiogram (EMG), dan aktivitas elektrodermal (EDA). Metode ini dapat membedakan tiga kondisi: senang, normal, dan stres, dengan tingkat akurasi di atas 80% menggunakan teknik machine learning dan deep learning.

Penelitian oleh Montesinos et al. menggunakan dataset multimodal yang dihasilkan oleh perangkat wearable untuk mendeteksi kondisi tersebut, mencapai akurasi klasifikasi sebesar 84.1%. Namun, penelitian ini masih memiliki potensi pengembangan lebih lanjut untuk meningkatkan akurasi dan dapat diterapkan dalam konteks institusi pendidikan.

Penelitian ini memiliki tujuan utama dalam mendeteksi tingkat stres pada mahasiswa dengan memanfaatkan metode machine learning dan deep learning, menggunakan dataset multimodal yang dikumpulkan melalui perangkat wearable. Pandemi COVID-19 yang sedang berlangsung menjadi latar belakang utama penelitian ini karena dampaknya yang signifikan terhadap peningkatan kondisi tersebut pada manusia, khususnya pada kalangan mahasiswa. Salah satu penyebab stres yang diakibatkan pandemi ini adalah pembelajaran daring yang berlangsung dalam waktu yang terlalu lama bagi mahasiswa. Penelitian ini bertujuan untuk memberikan solusi dalam mendeteksi kondisi pada mahasiswa sebelum pembelajaran dilanjutkan secara blended bahkan sepenuhnya luring, dengan harapan dapat membantu mahasiswa menghadapi kondisi tersebut dan beradaptasi dengan lingkungan pembelajaran yang baru.

Berdasarkan tantangan yang dihadapi mahasiswa dalam pembelajaran daring, penelitian ini bertujuan untuk menggunakan metode machine learning dan deep learning untuk mendeteksi kondisi ini secara real-time. Menggunakan dataset multimodal dari perangkat wearable, penelitian ini bertujuan untuk meningkatkan akurasi deteksi stres dengan mempertimbangkan berbagai parameter. Metode klasifikasi seperti Naïve Bayes, Decision Tree, SVM, Neural Network, Random Tree, Random Forest, dan KNN akan dievaluasi untuk menentukan metode terbaik dalam mendeteksi stres pada mahasiswa.

Langkah awal dalam penelitian ini adalah pengumpulan data, di mana dataset dikumpulkan melalui penggunaan perangkat wearable pada mahasiswa. Keberadaan dataset multimodal ini menjadi salah satu kontribusi penting dari penelitian ini, karena semakin banyak dan beragamnya data yang digunakan akan meningkatkan akurasi hasil klasifikasi. Setelah data terkumpul, dilakukan pra-pemrosesan data, termasuk ekstraksi dan seleksi fitur yang menjadi indikator kondisi ini. Tahap berikutnya adalah klasifikasi menggunakan metode machine learning dan deep learning, di mana beberapa metode akan dibandingkan untuk memilih yang memiliki tingkat akurasi tertinggi.

Hasil dari perbandingan tersebut akan diimplementasikan langsung, dan kemudian dilakukan pengujian untuk mengevaluasi tingkat akurasi, recall, presisi, dan F1 score menggunakan confusion matrix. Hasil klasifikasi ini kemudian dapat digunakan sebagai acuan dalam mendeteksi tingkat stress mahasiswa melalui proses deployment dari algoritma yang terpilih.

Stress

Stres adalah kondisi yang mengganggu keseimbangan homeostatik tubuh manusia. Tubuh memiliki respons otomatis terhadap ketidakseimbangan ini dengan memproduksi hormon yang mengurangi efek negatif dari kondisi ini.

Pada mahasiswa merupakan kondisi yang timbul akibat tekanan dan tuntutan yang dialami selama menjalani kehidupan akademik. Berbagai faktor dapat menyebabkan stress pada mahasiswa, termasuk tekanan untuk mencapai prestasi akademik yang tinggi, jadwal yang padat, tugas yang menumpuk, masalah keuangan, konflik interpersonal, dan ketidakpastian masa depan.

Studi menunjukkan bahwa pandemi COVID-19 telah meningkatkan tingkat stres pada mahasiswa, karena perubahan mendadak dalam cara pembelajaran, isolasi sosial, kekhawatiran akan kesehatan diri dan keluarga, serta ketidakpastian akan masa depan pekerjaan. Selain itu, adaptasi terhadap pembelajaran daring dan perubahan dalam rutinitas sehari-hari juga dapat menjadi sumber yang signifikan bagi mahasiswa.

Kondisi ini yang tidak diatasi dengan baik dapat berdampak negatif pada kesejahteraan mental dan fisik mahasiswa. Ini dapat mengganggu kemampuan belajar, konsentrasi, dan kinerja akademik secara keseluruhan. Lebih dari itu, stres yang kronis dapat meningkatkan risiko gangguan kesehatan mental seperti kecemasan dan depresi, serta masalah fisik seperti gangguan tidur, sakit kepala, dan gangguan pencernaan.

Penting untuk mengidentifikasi dan mengelola pada mahasiswa dengan cara yang efektif. Ini dapat melibatkan strategi seperti manajemen waktu yang baik, dukungan sosial, olahraga dan aktivitas fisik, teknik relaksasi seperti meditasi atau yoga, konseling atau terapi, dan mencari bantuan dari sumber daya kampus yang tersedia. Mendukung lingkungan yang inklusif dan mendukung juga penting dalam mengurangi stres dan meningkatkan kesejahteraan mahasiswa.

Penelitian tentang kondisi ini telah menjadi fokus sejak Perang Dunia I, di mana banyak prajurit mengalami stres dan trauma akut setelah perang. Sejak itu, berbagai pendekatan telah dilakukan untuk mendeteksi dan mengatasi tingkat stres.

Artificial Intelligence (AI)

Machine Learning

Machine Learning adalah salah satu cabang dari kecerdasan buatan (Artificial Intelligence). Kecerdasan buatan adalah bidang ilmu yang berfokus pada pengembangan sistem komputer yang mampu melakukan tugas-tugas yang membutuhkan kecerdasan manusia, seperti pengenalan pola, pemecahan masalah, dan pengambilan keputusan.

Machine learning adalah pendekatan di dalam kecerdasan buatan di mana komputer diberi kemampuan untuk belajar dari data tanpa perlu secara eksplisit diprogram. Dengan kata lain, algoritma machine learning dapat mengidentifikasi pola-pola dalam data dan membuat keputusan atau prediksi berdasarkan pola-pola tersebut. Hal ini memungkinkan komputer untuk “belajar” dari pengalaman dan meningkatkan kinerjanya seiring dengan bertambahnya data yang diterima.

Jadi, machine learning merupakan salah satu teknik yang digunakan dalam bidang kecerdasan buatan untuk membuat sistem yang mampu belajar dan beradaptasi secara otomatis berdasarkan data yang diberikan.

Beberapa metode yang sering digunakan dalam machine learning termasuk Decision Tree, Naïve Bayes, Support Vector Machine (SVM), Neural Network, Random Tree, Random Forest, dan K-Nearest Neighbor (KNN) [8], [9]. Deep learning juga merupakan bagian dari machine learning yang menggunakan jaringan saraf tiruan, seperti Convolutional Neural Network (CNN).

a. Decision Tree

Decision tree adalah salah satu algoritma dalam machine learning yang digunakan untuk melakukan pemodelan prediktif serta untuk pemahaman data. Konsepnya mirip dengan pohon keputusan, di mana setiap simpul dalam pohon tersebut merepresentasikan keputusan berdasarkan fitur-fitur dari data input, dan setiap cabang merepresentasikan kemungkinan hasil dari keputusan tersebut. Decision tree memecah data input menjadi subset yang lebih kecil berdasarkan pada fitur-fitur yang paling signifikan. Proses ini terus berlanjut hingga sampai pada simpul akhir yang disebut sebagai daun (leaf node), yang memberikan prediksi atau keputusan akhir.

Decision tree adalah metode yang digunakan baik untuk klasifikasi maupun regresi. Metode ini mengambil keputusan berdasarkan hierarki level yang ditentukan. Decision tree telah digunakan dalam berbagai studi kasus. Pada analisis deteksi stress, decision tree adalah salah satu algoritma machine learning yang dapat digunakan untuk memprediksi tingkat stres berdasarkan berbagai faktor atau fitur yang diukur dari data yang diperoleh, misalnya dari hasil survei, sensor, atau observasi.

Dengan demikian, decision tree dapat menjadi alat yang bermanfaat dalam analisis deteksi stress dengan memungkinkan identifikasi pola-pola yang kompleks dalam data dan memberikan wawasan yang berharga bagi upaya-upaya pencegahan dan intervensi stres.

b. Naïve Bayes

Naïve Bayes menggunakan probabilitas dan statistik dengan menerapkan teorema Bayes. Metode ini bergantung pada independensi atribut dalam data [8], [10].

c. Support Vector Machine (SVM)

SVM merupakan metode klasifikasi dengan prinsip dasar linier classifier yang memisahkan ruang atribut dengan hyperplane. Metode ini memiliki tingkat akurasi yang tinggi. SVM, atau Support Vector Machine, adalah salah satu algoritma pembelajaran yang digunakan dalam bidang machine learning untuk klasifikasi dan regresi. Tujuan utama dari SVM adalah untuk menemukan hyperplane yang dapat memisahkan dua kelas data yang berbeda secara optimal dalam ruang berdimensi tinggi.

Meskipun SVM memiliki keunggulan-keunggulan tersebut, namun perlu diingat bahwa pemilihan kernel yang tepat dan penyetelan parameter dapat menjadi tantangan dalam praktiknya, dan juga SVM cenderung membutuhkan waktu komputasi yang lebih lama untuk melatih modelnya, terutama untuk data yang besar.

SVM, atau Support Vector Machine, adalah algoritma machine learning yang dapat digunakan dalam analisis deteksi stress. Dalam konteks ini, SVM dapat digunakan untuk memprediksi tingkat stres seseorang berdasarkan fitur-fitur yang diukur dari data yang diperoleh, seperti hasil survei, sensor wearable, atau data perilaku.

SVM dapat menjadi alat yang bermanfaat dalam analisis deteksi stress dengan memungkinkan identifikasi pola-pola yang kompleks dalam data dan memberikan wawasan yang berharga bagi upaya-upaya pencegahan dan intervensi stres.

e. Random Tree

Random Tree mempelajari pohon keputusan dengan menggunakan subset acak untuk setiap pemisahan atribut. Random Tree adalah salah satu metode dalam machine learning yang digunakan untuk melakukan klasifikasi atau regresi. Random Tree adalah salah satu bentuk dari algoritma pohon keputusan (decision tree) yang membangun beberapa pohon keputusan secara acak dan kemudian menggabungkan hasil prediksi dari masing-masing pohon tersebut.

Meskipun Random Tree memiliki keunggulan-keunggulan tersebut, namun seperti halnya dengan algoritma ansambel lainnya, pemilihan parameter yang tepat dan penyetelan yang baik diperlukan untuk mendapatkan hasil yang optimal. Selain itu, Random Tree juga cenderung membutuhkan lebih banyak sumber daya komputasi daripada pohon keputusan tunggal karena membangun beberapa pohon secara acak.

Random Tree dapat digunakan dalam analisis deteksi stres sebagai salah satu algoritma machine learning untuk memprediksi tingkat stres berdasarkan fitur-fitur yang diukur dari data yang diperoleh. Dengan demikian, Random Tree dapat menjadi alat yang bermanfaat dalam analisis deteksi stres dengan memungkinkan identifikasi pola-pola yang kompleks dalam data dan memberikan wawasan yang berharga bagi upaya-upaya pencegahan dan intervensi stres.

f. Random Forest

Random Forest digunakan dalam berbagai tugas dengan metode ensemble. Metode ini memberikan hasil kinerja yang baik terutama dalam menghindari overfitting. Random Forest adalah salah satu algoritma machine learning yang termasuk dalam kategori “ensemble learning”, yang menggabungkan beberapa model pembelajaran untuk meningkatkan kinerja prediksi. Algoritma ini didasarkan pada konsep “bagging” (bootstrap aggregating) di mana beberapa pohon keputusan dibangun pada data yang berbeda dan hasilnya digabungkan untuk membuat prediksi yang lebih akurat.

Random Forest memiliki keunggulan-keunggulan tersebut, namun seperti halnya dengan algoritma machine learning lainnya, pemilihan parameter yang tepat dan penyetelan yang baik diperlukan untuk mendapatkan hasil yang optimal. Selain itu, Random Forest juga cenderung membutuhkan lebih banyak sumber daya komputasi daripada pohon keputusan tunggal karena membangun beberapa pohon secara acak.

Random Forest dapat digunakan dalam analisis deteksi stres sebagai salah satu algoritma machine learning untuk memprediksi tingkat stres berdasarkan fitur-fitur yang diukur dari data yang diperoleh.

Random Forest dapat menjadi alat yang bermanfaat dalam analisis deteksi stres dengan memungkinkan identifikasi pola-pola yang kompleks dalam data dan memberikan wawasan yang berharga bagi upaya-upaya pencegahan dan intervensi stres.

g. K-Nearest Neighbor (KNN)

KNN adalah metode sederhana yang mengandalkan nilai k untuk menentukan kelas suatu objek berdasarkan tetangga terdekatnya. KNN salah satu algoritma yang digunakan dalam machine learning untuk klasifikasi dan regresi. Algoritma ini termasuk dalam kategori supervised learning, yang berarti ia menggunakan data yang telah dilabeli untuk membuat prediksi.

Keunggulan dari KNN adalah kemudahannya dalam implementasi dan interpretasi, serta kemampuannya untuk menangani masalah klasifikasi dengan data yang tidak linear. Namun, KNN dapat menjadi lambat dan membutuhkan memori yang besar terutama jika jumlah titik data latih sangat besar, karena harus menyimpan seluruh dataset latih dalam memori untuk menghitung jarak.

KNN, atau K-Nearest Neighbors, bisa digunakan dalam analisis deteksi stres untuk memprediksi tingkat stres seseorang berdasarkan fitur-fitur tertentu. KNN dapat menjadi alat yang berguna dalam analisis deteksi stres dengan memanfaatkan informasi tentang pola-pola dalam data untuk membuat prediksi tentang tingkat stres seseorang.

Deep Learning

Deep Learning adalah cabang machine learning yang menggunakan jaringan saraf tiruan. CNN merupakan salah satu metode deep learning yang digunakan untuk analisis stres berdasarkan data dari perangkat wearable. Arsitektur CNN terdiri dari tiga lapisan: input, feature learning, dan classification layer.

Deep learning adalah subbidang dari machine learning yang berfokus pada pengembangan dan penggunaan jaringan saraf tiruan yang sangat kompleks, yang disebut neural networks. Teknologi ini bertujuan untuk membuat jaringan saraf tiruan yang dapat belajar dari data yang tidak terstruktur atau semi-struktur secara mandiri, tanpa perlu pemrograman eksplisit tentang apa yang harus dilakukan. Dalam deep learning, jaringan saraf tiruan memiliki banyak lapisan (layer) yang memungkinkannya untuk memahami fitur-fitur yang semakin abstrak dari data yang dihadapinya.

Deep learning dapat digunakan dalam analisis deteksi stres dengan memanfaatkan teknik-teknik seperti pengenalan pola kompleks dalam data sensorik, pemrosesan sinyal, dan analisis data.

Berikut adalah beberapa cara di mana deep learning dapat diterapkan dalam analisis deteksi stres:

1. Penggunaan Sensor Wearable: Sensor-sensor yang dikenakan dapat digunakan untuk mengukur berbagai parameter fisiologis dan perilaku, seperti detak jantung, tingkat aktivitas fisik, pola tidur, dan tingkat stres. Deep learning dapat digunakan untuk menganalisis data yang dihasilkan oleh sensor-sensor ini untuk mengidentifikasi pola-pola yang berkaitan dengan tingkat stres.
2. Analisis Citra: Deep learning dapat digunakan untuk menganalisis citra wajah atau ekspresi wajah seseorang untuk mendeteksi tanda-tanda stres. Ini dapat dilakukan dengan menggunakan jaringan saraf konvolusional (CNN) untuk mengenali pola-pola yang berkaitan dengan ekspresi wajah yang menunjukkan stres.
3. Pemrosesan Suara: Deep learning juga dapat digunakan untuk menganalisis sinyal suara, seperti suara bicara atau suara pernapasan, untuk mendeteksi tanda-tanda stres. Ini dapat dilakukan dengan menggunakan jaringan saraf rekurent (RNN) atau jaringan saraf konvolusional 1D untuk menganalisis pola-pola dalam sinyal suara yang berkaitan dengan stres.
4. Analisis Data Teks: Deep learning dapat digunakan untuk menganalisis data teks, seperti teks dari media sosial atau catatan harian, untuk mendeteksi tanda-tanda stres. Ini dapat dilakukan dengan menggunakan model bahasa alami (NLP) seperti jaringan saraf rekurent (RNN) atau transformer untuk menganalisis pola-pola dalam teks yang berkaitan dengan stres.
5. Integrasi Multi-Modal: Deep learning juga dapat digunakan untuk mengintegrasikan data dari berbagai sumber, seperti sensor-sensor wearable, citra, suara, dan teks, untuk membuat prediksi yang lebih akurat tentang tingkat stres seseorang. Ini dapat dilakukan dengan menggunakan teknik-teknik seperti penggabungan fitur dan jaringan gabungan (fusion networks).

Dengan menggunakan deep learning dalam analisis deteksi stres, kita dapat memanfaatkan kekuatan pemodelan yang kuat untuk mengidentifikasi pola-pola yang rumit dalam data yang terkait dengan stres, yang dapat membantu dalam pengembangan metode-metode baru untuk memantau dan mengelola stres.

Sebagai kesimpulan, penelitian ini dapat membandingkan kinerja berbagai metode klasifikasi untuk menentukan metode yang paling efektif dalam mendeteksi stres pada mahasiswa. Metode-metode tersebut dipilih berdasarkan popularitas dan kegunaannya dalam proses klasifikasi, serta akan dievaluasi menggunakan data mining untuk mendukung tujuan penelitian ini. Kemudian, metode klasifikasi terbaik dapat diterapkan sebagai classifier untuk proses analisis deteksi stress.