Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram

Fuad, Alifa Azwadina; Widasari, Edita Rosana; Fuad, Alifa Azwadina; Widasari, Edita Rosana

doi:10.25126/jtiik.2026131

Open access Jurnal SINTA 2

Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 13 No. 1 (2026) · pp. 95–104

DOI: 10.25126/jtiik.2026131
ISSN: 2528-6579, 2355-7699
Published: 2026-02-26
Publisher: Fakultas Ilmu Komputer, Universitas Brawijaya
Language: id
License: creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi. Abstract Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.

English

Keywords

Collaboration network of the authors

21 authors · 45 co-authorship links

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

University of Brawijaya
Affiliation unknown

Different organisations
Same organisation
Affiliation unknown
Thicker line = more joint articles · bigger circle = more articles

Show as table

Co-author	Organisation	Joint articles
Barlian Henryranu Prasetio	University of Brawijaya	3
Eko Setiawan	University of Brawijaya	2
Hurriyatul Fitriyah	University of Brawijaya	1
Ryzaldi Ananda Fabiana	University of Brawijaya	1
Syahrul Chilmi	University of Brawijaya	1
Dahnial Syauqy	University of Brawijaya	1
Septiyo Budi Perkasa	University of Brawijaya	1
Rizal Maulana	University of Brawijaya	1
Dittha Ratanasari	University of Brawijaya	1
Agung Setia Budi	University of Brawijaya	1
Ragil Hadi Prasetyo	University of Brawijaya	1
Achmad Ghifari	University of Brawijaya	1
Gabriel Hizkia Marhata Simbolon	Affiliation unknown	1
Gabriel Hizkia Marhata Simbolon	Affiliation unknown	1
Teguh Surya Darma Santoso	Affiliation unknown	1
Syifa’ Hukma Shabiyya	Affiliation unknown	1
Muhammad Rava Athalla	Affiliation unknown	1
Raihan Adi Prakoso	Affiliation unknown	1
Ika Nurfarida	Affiliation unknown	1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.

Original metadata (oai_dc)

<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram</dc:title>
	<dc:title xml:lang="en">Sistem Deteksi Stres Portabel pada Pengemudi Menggunakan Decision Tree Berbasis Sinyal Photoplethysmogram</dc:title>
	<dc:creator xml:lang="id">Fuad, Alifa Azwadina </dc:creator>
	<dc:creator xml:lang="id">Widasari, Edita Rosana</dc:creator>
	<dc:creator xml:lang="en">Fuad, Alifa Azwadina </dc:creator>
	<dc:creator xml:lang="en">Widasari, Edita Rosana</dc:creator>
	<dc:subject xml:lang="id">Stres</dc:subject>
	<dc:subject xml:lang="id">Photoplethysmogram</dc:subject>
	<dc:subject xml:lang="id">Average of NN Interval</dc:subject>
	<dc:subject xml:lang="id">Standard Deviation of NN Interval</dc:subject>
	<dc:subject xml:lang="id">Decision Tree </dc:subject>
	<dc:subject xml:lang="en">Stres</dc:subject>
	<dc:subject xml:lang="en">Photoplethysmogram, Average of NN Interval</dc:subject>
	<dc:subject xml:lang="en">Standard Deviation of NN Interval</dc:subject>
	<dc:subject xml:lang="en">Decision Tree </dc:subject>
	<dc:description xml:lang="id">Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi.
 
Abstract
Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.</dc:description>
	<dc:description xml:lang="en">Stres merupakan kondisi psikofisiologis yang menurunkan konsentrasi dan kemampuan berkendara. Kondisi ini berdampak pada meningkatnya risiko kecelakaan lalu lintas. Oleh karena itu, pengembangan sistem deteksi stres portabel diperlukan sebagai upaya mitigasi risiko dan peningkatan keselamatan di jalan raya. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres portabel berbasis sinyal Photoplethysmogram (PPG) menggunakan fitur Average of NN Intervals (AVNN) dan Standard Deviation of NN Intervals (SDNN) serta metode klasifikasi machine learning Decision Tree. Sistem ini menggunakan sensor MAX30102 untuk mengakuisisi sinyal PPG secara real-time, dengan hasil deteksi stres yang ditampilkan pada layar Organic Light Emitting Diode (OLED) dan dilengkapi dengan indikator buzzer serta Light Emitting Diode (LED). Pengujian sistem dengan subjek uji menunjukkan bahwa metode Decision Tree berbasis fitur AVNN dan SDNN mampu mencapai akurasi klasifikasi sebesar 80%. Rata-rata waktu komputasi tercatat 2,6 detik, sehingga sistem dinilai efisien untuk mendukung deteksi stres secara real-time. Pengujian keseluruhan sistem membuktikan bahwa perangkat portabel ini bekerja dengan andal sesuai skenario yang dirancang, sehingga berpotensi digunakan sebagai alat deteksi stres portabel bagi pengemudi.
 
Abstract
Stress is a psychophysiological condition that diminishes driving concentration and performance, thereby elevating the risk of traffic accidents. To mitigate this risk, we developed a portable stress‑detection system that analyzes photoplethysmogram (PPG) signals. The system extracts the Average of NN Intervals (AVNN) and the Standard Deviation of NN Intervals (SDNN), classifying stress levels with a Decision Tree algorithm. Real‑time PPG data are acquired via a MAX30102 sensor, while classification results are shown on an Organic Light‑Emitting Diode (OLED) display and reinforced through buzzer and Light‑Emitting Diode (LED) alerts. Experiments demonstrate that the AVNN‑SDNN Decision Tree model attains 80 % classification accuracy with an average computation time of 2.6 sec. The prototype operated reliably across all test scenarios, indicating strong potential as an in‑vehicle portable device for monitoring driver stress and enhancing road safety.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2026-02-26</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9677</dc:identifier>
	<dc:identifier>10.25126/jtiik.2026131</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 13 No 1: Februari 2026; 95-104</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 13 No. 1: Februari 2026; 95-104</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2026131</dc:source>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/9677/1543</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Alifa Azwadina Fuad, Edita Rosana Widasari</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>