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

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.