Model CNN-LSTM Untuk Klasifikasi Tingkat Stres Mahasiswa Dalam Menghadapi Ujian Menggunakan Data Elektrokardiogram (EKG)

Amir Mahmud Husein; Lenny Haifa Muntaza; Grescilya Sinaga; Khoirulliza; Maychilia Lamerossa Br Sembiring

doi:10.51454/decode.v5i1.1080

Authors

Amir Mahmud Husein Teknik Informatika Universitas Prima Indonesia
Lenny Haifa Muntaza Teknik Informatika Universitas Prima Indonesia
Grescilya Sinaga Teknik Informatika Universitas Prima Indonesia
Khoirulliza Teknik Informatika Universitas Prima Indonesia
Maychilia Lamerossa Br Sembiring Teknik Informatika Universitas Prima Indonesia

DOI:

https://doi.org/10.51454/decode.v5i1.1080

Keywords:

Convolutional Neural Network, Elektrokardiogram, Long Short-Term Memory, Stres

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan tingkat stres mahasiswa saat menghadapi ujian menggunakan model Convolutional Neural Network (CNN) yang dikombinasikan dengan Long Short-Term Memory (LSTM). Data yang digunakan berupa sinyal Elektrokardiogram (EKG) dari 300 partisipan yang dikumpulkan sebelum dan sesudah ujian. Untuk meningkatkan kualitas data, diterapkan teknik balancing data menggunakan Synthetic Minority Over-sampling Technique (SMOTE) guna mengatasi ketidakseimbangan kelas. Selain itu, augmentasi data dilakukan dengan menambahkan noise kecil untuk memperkaya variasi data dan mencegah overfitting. Hipotesis penelitian ini menyatakan bahwa kombinasi CNN-LSTM, dengan tambahan balancing data dan augmentasi, dapat meningkatkan akurasi klasifikasi tingkat stres berdasarkan perubahan pola sinyal EKG dibandingkan metode konvensional. Arsitektur ini dipilih karena CNN mampu mengekstraksi fitur spasial, sedangkan LSTM menangkap pola temporal dari data sekuensial. Tahapan penelitian mencakup preprocessing data (normalisasi numerik, one-hot encoding, balancing dataset, dan augmentasi), serta pelatihan model selama 79 epoch dengan ukuran batch 16. Model yang dikembangkan mencapai akurasi validasi awal 83,33%, meningkat hingga 98,80%, dengan nilai loss 0,0653, menunjukkan efektivitasnya dalam mengidentifikasi tingkat stres mahasiswa. Namun, penelitian ini memiliki keterbatasan, seperti bias distribusi demografis dan tantangan pemrosesan sinyal EKG yang rentan terhadap noise. Studi lebih lanjut diperlukan untuk mengoptimalkan teknik balancing dan augmentasi serta mempertimbangkan faktor psikologis dan lingkungan eksternal.

References

Abdullah, A. A. P., Royani, I., Hamzah, P. N., Amir, S. P., & Jaya, M. A. (2024). Hubungan Antara Beban Belajar dengan Tingkat Stres Mahasiswa Fakultas Kedokteran UMI Angkatan 2020. Fakumi Medical Journal: Jurnal Mahasiswa Kedokteran, 4(2), 134-140.

Baihaqi, H. D. (2020). Analisis Heart Rate Variability (Hrv) Antara Elektrokardiogram (Ekg) Dengan Stetoskop Elektronik Littmann 3200. https://dspace.uii.ac.id/bitstream/handle/123456789/30378/

Bayantari, N. M., Indonesiani, S. H., & Apsari, P. I. B. (2022). Regulasi Diri dalam Belajar dan Hubungannya dengan Stres Akademik Pada Mahasiswa Tingkat Pertama Fakultas Kedokteran. Jurnal Imiah Pendidikan Dan Pembelajaran, 6(3), 609–618. https://doi.org/10.23887/jipp.v6i3.51175

Damayanti, E., Vitianingsih, A. V., Kacung, S., Suhartoyo, H., & Lidya Maukar, A. (2024). Sentiment Analysis of Alfagift Application User Reviews Using Long Short-Term Memory (LSTM) and Support Vector Machine (SVM) Methods. Decode: Jurnal Pendidikan Teknologi Informasi, 4(2), 509–521. https://doi.org/10.51454/decode.v4i2.478

Djoar, R. K., & Anggarani, A. P. M. (2024). Faktor-faktor yang mempengaruhi stress akademik mahasiswa tingkat akhir. Jambura Health and Sport Journal, 6(1), 52-59. https://doi.org/10.37311/jhsj.v6i1.24064

Ghosh, S., Kim, S., Ijaz, M. F., Singh, P. K., & Mahmud, M. (2022). Classification of mental stress from wearable physiological sensors using image-encoding-based deep neural network. Biosensors, 12(12), 1153. https://doi.org/10.3390/bios12121153

Hastuti, E. A., Widianti, E., Siagian, I. M., & Septriyani, D. (2024). Self-Management Dengan Tingkat Stres Pada Mahasiswa Dalam Menghadapi Ujian Objective Structured Clinical Examination (OSCE). Jurnal Keperawatan'Aisyiyah, 11(1), 61-68. https://doi.org/10.33867/sm58ry57

Indriyani, S., & Handayani, N. S. (2018). Stres Akademik Dan Motivasi Berprestasi Pada Mahasiswa Yang Bekerja Sambil Kuliah. Jurnal Psikologi, 11(2), 153–160. https://doi.org/10.35760/psi.2018.v11i2.2260

Kang, M., Shin, S., Jung, J., & Kim, Y. T. (2021). Classification of mental stress using CNN‐LSTM algorithms with electrocardiogram signals. Journal of Healthcare Engineering, 2021(1), 9951905. https://doi.org/10.1155/2021/9951905

Maulana, M. H. W., & Widasari, E. R. (2023). Sistem Deteksi Stres berdasarkan Detak Jantung dan Kelenjar Keringat menggunakan Metode K-Nearest Neighbours. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 7(3), 1108-1115.

Nurriski, Y. J., & Alamsyah, A. (2023). Optimasi Deep Convolutional Neural Network (Deep CNN) untuk Deteksi Aritmia Melalui Sinyal EKG Menggunakan Arsitektur Conv1D. Indonesian Journal of Mathematics and Natural Sciences, 46(1), 10-20. https://doi.org/10.15294/ijmns.v46i1.46176

Permana, A. A., Huang, C., Augustino, J. C., Kurniawan, K., Kurniadi, N., & Novanto, Y. (2024). Analisis Perbedaan Tingkat Stres Akademik Mahasiswa Baru Universitas X di Tangerang. Jurnal Psikologi: Jurnal Ilmiah Fakultas Psikologi Universitas Yudharta Pasuruan, 11(2), 357-373.

Roopa, C. K., Kakaraparthi, I., Suroor, I., Khan, A. A., Shoaib Ahmed, S., & Harish, B. S. (2024). DeepChill: ECG Analysis using Deep Learning for Automatic Stress Recognition. Procedia Computer Science, 235, 132–141. https://doi.org/10.1016/j.procs.2024.04.016

Saptarina, D., Nurikhwan, P. W., Santoyo, D. D., Bakhriansyah, M., & Limantara, S. (2023). Hubungan Tingkat Kecemasan Terhadap IPK Mahasiswa PSKPS FK ULM. Homeostasis, 6(1), 145-152. https://doi.org/10.20527/ht.v6i1.8800

Seo, W., Kim, N., Kim, S., Lee, C., & Park, S. M. (2019). Deep ECG-respiration network (DeepER net) for recognizing mental stress. Sensors (Switzerland), 19(13). https://doi.org/10.3390/s19133021

Sitepu, E., Juliana Tampubolon, Sudianto Manulang, & Sisti Nadia Amalia. (2024). Analisis Faktor-Faktor yang Berhubungan dengan Kejadian Stres Pada Mahasiswa Tingkat Akhir S1 Matematika di Universitas Negeri Medan. Statistika, 24(1), 93–101. https://doi.org/10.29313/statistika.v24i1.3257

Suharsono, Y., & Anwar, Z. (2020). Analisis stress dan penyesuaian diri pada mahasiswa. Cognicia, 8(1), 41-53. https://doi.org/10.22219/cognicia.v8i1.11527

Timothy, A. T. (2019). Hubungan Tempat Tinggal Bersama Orang Tua Dan Tidak Bersama Orang Tua Dengan Stres Psikologis Pada Mahasiswa Kedokteran Preklinik Universitas Pelita Harapan.

Zen, A. F. A., Pramukantoro, E. S., Amron, K., Wardhani, V., & Kamila, P. A. (2024). Prediksi Detak Jantung Berbasis LSTM pada Raspberry Pi untuk Pemantauan Kesehatan Portabel. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(5), 1097-1104. https://doi.org/10.25126/jtiik.2024118015