Implementasi Metode K-Nearest Neighbor untuk Deteksi Dini Stres Berbasis Neruosky Electroencephalogram Sensor

Abstrak

Stres adalah salah satu faktor yang dapat mengganggu kesehatan mental, menyebabkan penurunan kualitas hidup, dan berpotensi memicu gangguan mental yang lebih serius, seperti depresi. Stres dapat diatasi dengan cara mendeteksi stres, baik dengan metode subjektif maupun objektif untuk meminimalisir dampak buruk yang terjadi diakibatkan oleh stres. Metode subjektif melibatkan pengisian kuesioner atau wawancara dengan psikolog, sementara pendekatan objektif menggunakan pengukuran fisiologis. Namun deteksi dengan metode subjektif ini terbatas oleh persepsi pribadi dan emosi dari responden. Sedangkan metode objektif melibatkan pengukuran baik secara fisik maupun fisiologis yang lebih akurat. Oleh karena itu, penelitian ini akan membuat pengembangan sistem deteksi stres dengan metode fisiologis berbasis sinyal EEG dengan menggunakan Neurosky Mindwave Mobile 2. Sistem menggunakan gelombang alpha (8-13 Hz) dan beta (13-30 Hz) dan mengimplementasikan metode K-Nearest Neighbor (KNN). Penelitian ini akan dapat mengklasifikasikan kelas normal dan stres. Ekstraksi fitur menggunakan metode Mean Absolute Value (MAV) dan Ratio MAV Beta/Alpha. Pengujian sistem mendapatkan akurasi sebesar 84% dengan rata-rata waktu komputasi 0,12622 detik.  Hasil akan ditampilkan dalam graphical user interface (GUI) dalam aplikasi MATLAB dengan keluaran berupa grafik sinyal, nilai ekstraksi fitur, hasil klasifikasi dan keterangan, serta waktu komputasi. Sistem ini dapat digunakan sebagai deteksi stres yang baik dengan waktu komputasi yang cepat.

Kata kunci: Alpha, Beta, EEG, K-Nearest Neighbor, Mean Absolute Value, Stres.