Melola Discovery

← Melola Discovery

Open access Journal SINTA 2

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

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 1 (2025) · pp. 191–201

DOI
10.51454/decode.v5i1.1080
ISSN
2775-1813, 2775-2984
Published
2025-03-31
Publisher
Universitas Muhammadiyah Kendari
License
creativecommons.org/licenses/by-sa/4.0/

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.

Collaboration network of the authors

26 authors · 81 co-authorship links · 5 across different organisations

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

  • Universitas Prima Indonesia
  • Universitas Jambi
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Mawaddah HarahapUniversitas Prima Indonesia4
Baren Baruna HarahapUniversitas Prima Indonesia1
Tio Fulalo SimatupangUniversitas Prima Indonesia1
Karunia Syukur BaehaUniversitas Prima Indonesia1
Bintang Keitaro SinambelaUniversitas Prima Indonesia1
Ahmad Zaki AndikaUniversitas Prima Indonesia1
Abdi DharmaUniversitas Prima Indonesia1
S. KwokUniversitas Prima Indonesia1
Vincent WizleyUniversitas Prima Indonesia1
Jocelyn LeonardiUniversitas Prima Indonesia1
Derrick Kenji OngUniversitas Prima Indonesia1
Deskianta GintingUniversitas Prima Indonesia1
Benny Art SilitongaUniversitas Prima Indonesia1
Sai Kumarani AnjelliUniversitas Prima Indonesia1
Widy Anggun M. SinagaUniversitas Prima Indonesia1
Ryan AlwardUniversitas Prima Indonesia1
Junio Fegri Wira ManawanUniversitas Prima Indonesia1
Linda WatiUniversitas Jambi1
M. Feisal Reza DamanikUniversitas Prima Indonesia1
Wahyudi Valentino SimamoraUniversitas Prima Indonesia1
Isnaeni Khairani SipahutarUniversitas Prima Indonesia1

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.

This record comes from Crossref (what the publisher deposited), because the journal's own OAI-PMH endpoint could not be harvested.

Metadata source: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Metadata as oai_dc, converted from Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Model CNN-LSTM Untuk Klasifikasi Tingkat Stres Mahasiswa Dalam Menghadapi Ujian Menggunakan Data Elektrokardiogram (EKG)</dc:title><dc:creator>Amir Mahmud Husein</dc:creator><dc:creator>Haifa Muntaza, Lenny</dc:creator><dc:creator>Grescilya Sinaga</dc:creator><dc:creator>Khoirulliza</dc:creator><dc:creator>Maychilia Lamerossa Br Sembiring</dc:creator><dc:description>&lt;jats:p&gt;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.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-03-31</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i1.1080</dc:identifier><dc:identifier>10.51454/decode.v5i1.1080</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 1 (2025); 191-201</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1080/521</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>