INTEGRASI SENSOR IOT DAN OPTIMASI ALGORITMA MACHINE LEARNING UNTUK DETEKSI REAL-TIME TINGKAT STRES MAHASISWA
DOI:
https://doi.org/10.54314/jssr.v9i1.5178Abstract
Abstract: High levels of stress among university students are a critical issue that can affect mental health, well-being, and academic performance. This study aims to develop a real-time student stress detection system using physiological data integrated with IoT technology and machine learning algorithms. The data used includes body temperature, blood oxygen saturation (SpOâ‚‚), heart rate, and blood pressure, acquired via embedded sensors and automatically transmitted to the cloud. The classification model was built using a combination of Random Forest and XGBoost, with enhanced accuracy through SMOTE-based data balancing and hyperparameter optimization using Optuna. The system was tested on a dataset of 3,420 records, classified into four stress levels: anxious, calm, tense, and relaxed. Evaluation results showed that the Random Forest model achieved the highest accuracy of 91%, followed by RF + XGBoost and RF + XGBoost + Optuna with accuracies of 90% each. The final model was deployed in a user interface using Streamlit, allowing real-time stress classification from IoT sensor input and manual input testing. The system proved to be effective and responsive in detecting stress objectively and can support digital-based mental health monitoring and counseling services for students. Keywords: Stress detection, IoT, Machine Learning, Random Forest, XGBoost Abstrak: Tingkat stres yang tinggi di kalangan mahasiswa merupakan permasalahan serius yang dapat memengaruhi kesehatan mental, kesejahteraan, dan performa akademik. Penelitian ini bertujuan untuk mengembangkan sistem deteksi tingkat stres mahasiswa secara real-time menggunakan data fisiologis berbasis teknologi IoT dan algoritma machine learning. Data yang digunakan meliputi suhu tubuh, kadar oksigen dalam darah (SpOâ‚‚), detak jantung, dan tekanan darah yang diperoleh melalui sensor terintegrasi dan dikirim ke cloud secara otomatis. Model klasifikasi yang dikembangkan memanfaatkan kombinasi algoritma Random Forest dan XGBoost, dengan peningkatan akurasi melalui teknik balancing data menggunakan SMOTE dan optimasi hyperparameter otomatis menggunakan Optuna. Sistem diuji menggunakan dataset berjumlah 3.420 data dengan distribusi empat kelas stres: cemas, tenang, tegang, dan rileks. Hasil evaluasi menunjukkan bahwa model Random Forest menghasilkan akurasi tertinggi sebesar 91%, disusul oleh RF + XGBoost dan RF + XGBoost + Optuna dengan akurasi masing-masing sebesar 90%. Model akhir kemudian diintegrasikan ke dalam antarmuka pengguna berbasis Streamlit, yang memungkinkan klasifikasi stres secara real-time dari data sensor IoT dan juga melalui input manual. Sistem ini terbukti efektif dan responsif dalam mendeteksi stres secara objektif dan dapat digunakan untuk mendukung layanan konseling atau pemantauan kesehatan mental mahasiswa secara digital. Kata kunci: Deteksi stres, IoT, Machine Learning, Random Forest, XGBoostDownloads
References
Anggraini, D. R., Dassena, M. C., Setyawan, D., Alfian, R., Lestari, D., & Girsang, D. G. (2025). Terapi Pijat sebagai Alternatif Pengelolaan Kesehatan Mental : Studi Kasus pada Mahasiswa STOK Bina Guna Tahun 2024. JURNAL PENGABDIAN MASYARAKAT BANGSA, 3(1), 72–77.
Anisa, S., Komarudin, A., & Ramadhan, E. (2024). Sistem Klasifikasi Untuk Menentukan Tingkat Stress Mahasiswa Secara Umum Menggunakan Metode K-Nearest Neighbors. Jurnal Informatika Teknologi Dan Sains (Jinteks), 6(3), 568–578. https://doi.org/10.51401/jinteks.v6i3.4317
Awara, J. P., Bina, U., Gorontalo, T., Katili, A. Y., Ade, S., Gobel, M., Akhirun, L., Bina, U., Gorontalo, T., & Digital, E. (2024). PENCEGAHAN DEPRESI DAN KESEHATAN MENTAL GENERASI-Z , DALAM MENJAWAB KECEMASAN DI ERA. Jurnal Pengabdian Awara, 1(November), 35–50.
Devianto, Y., Setiawan, A., Dewi, C., Iriani, A., Dwi Purnomo, H., & Sembiring, I. (2024). Systematic Literature Review: On Measuring the Level of Emotional Experience Based on EEG Signals. 2024 2nd International Conference on Technology Innovation and Its Applications (ICTIIA), 1–5. https://doi.org/10.1109/ICTIIA61827.2024.10761523
Fadilla, M., Hartantri, S., Siagian, S., Dasopang, W., & Syekh Abdul Halim Hasan Binjai, I. (2024). Analisis Faktor Penyebab Stres Pada Mahasiswa dan Dampaknya Terhadap Kesehatan Mental. Jurnal Inovasi Riset Ilmu Kesehatan, 4(1), 1–11. https://jayapanguspress.penerbit.org/index.php/metta
Fallo, S. I. (2025). CLASSIFICATION OF SUPPORT VECTOR MACHINEAND RANDOM FOREST ONBIOMEDICAL DATA: APPLICATIONS IN DIABETES DISEASE DATA ANALYSIS. JURNAL KEPENDIDIKAN MATEMATIKA, 6(1).
Farhan, N. M., & Setiaji, B. (2023). Penentuan Tingkat Stres berdasarkan Bio-Parameter Menggunakan Variasi Kernel Support Vector Machine. Indonesian Journal of Computer Science, 12(2), 284–301. http://ijcs.stmikindonesia.ac.id/ijcs/index.php/ijcs/article/view/3135
Gustiadi, A., Lazuardi, L., Gizi, P., Tasikmalaya, P. K., Mada, U. G., & Tasikmalaya, P. (2025). GAMBARAN KESEHATAN MENTAL PADA MAHASIWA POLTEKKES TASIKMALAYA. Jurnal Ilmiah Keperawatan, 13(1), 76–85. https://doi.org/10.52236/ih.v13i1.685
Irmayanti, Tari Mokui, H., Wa Ode Siti Nur Alam, dan, & Author, C. (2022). Sistem Pendeteksi Stres pada Manusia Menggunakan Metode Fuzzy Logic Berbasis Internet of Things. Jurnal Fokus Elektroda, 7(3), 185–192. https://elektroda.uho.ac.id/
Irwin Hidayat. (2019). Optimalisasi Pendidikan Islam dalam Meningkatkan Kesejahteraan Mental Serta Mengurangi Burnoutdi Kalangan Pelajar. Jurnal Al-Qalam: Jurnal Kajian Islam Dan Pendidikan, Volume 11(2 issues per year (June & December)), 66–67. https://doi.org/10.47435/al-qalam.v16i1.3282
Juliantino, Y. R., & Widasari, E. R. (2025). Implementasi Metode K-Nearest Neighbor untuk Deteksi Dini Stres Berbasis Neurosky Electroencephalogram Sensor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(5), 1–8.
Lilyanti, H. (2025). Deteksi tingkat kelelahan pekerja berbasis smartwatch dengan pendekatan machine learning pada perusahaan manufaktur di Kabupaten Karawang : Mixed method study. Holistik Jurnal Kesehatan, 18(12), 1468–1477.
Lubis, A., Irawan, Y., Junadhi, & Defit, S. (2024). Leveraging K-Nearest Neighbors with SMOTE and Boosting Techniques for Data Imbalance and Accuracy Improvement. Journal of Applied Data Sciences, 5(4), 1625–1638. https://doi.org/10.47738/jads.v5i4.343
Manullang, B., Pane, E. P., Sistem, S., Fakultas, I., Komputer, I., & Lancang, U. (2024). Sistem Pakar Untuk Diagnosa Kesehatan Mental Menggunakan Metode Decision Tree Berbasis Android. Prosiding-Seminar Nasional Teknologi Informasi & Ilmu Komputer(SEMASTER), 3(1), 25–36.
Mentis, A.-F. A., Lee, D., & Roussos, P. (2024). Applications of artificial intelligence−machine learning for detection of stress: a critical overview. Molecular Psychiatry, 29(6), 1882–1894. https://doi.org/10.1038/s41380-023-02047-6
Natras, R., Soja, B., & Schmidt, M. (2022). Ensemble Machine Learning of Random Forest, AdaBoost and XGBoost for Vertical Total Electron Content Forecasting. Remote Sensing, 14(15), 1–34. https://doi.org/10.3390/rs14153547
No, V., Syahreza, A., Ningrum, N. K., & Syahrazy, M. A. (2024). Perbandingan Kinerja Model Prediksi Cuaca: Random Forest, Support Vector Regression, dan XGBoost. Jurnal Pendidikan Informatika, 8(2), 526–534. https://doi.org/10.29408/edumatic.v8i2.27640
Oktaviani, V., Rosmawarni, N., & Muslim, M. P. (2024). Perbandingan Kinerja Random Forest Dan Smote Random Forest Dalam Mendeteksi Dan Mengukur Tingkat Stres Pada Mahasiswa Tingkat Akhir. Informatik : Jurnal Ilmu Komputer, 20(1), 43–49. https://doi.org/10.52958/iftk.v20i1.9158
Pratama, F. A., Pradana, A. I., & Hartanti, D. (2024). Pengembangan Aplikasi Mobile Untuk Monitoring Detak Jantung, Saturasi Oksigen Darah, Dan Suhu Tubuh Dengan Integrasi Iot Menggunakan Esp32. Infotech: Journal of Technology Information, 10(1), 27–36. https://doi.org/10.37365/jti.v10i1.244
Raden, J. L., Pagar, F., Selebar, K., & Bengkulu, K. (2024). Tren Terbaru Penerapan Machine Learning Mendeteksi Masalah dalam Kesehatan Mental Perspektif Hukum Islam. JURNAL HUKUM ISLAM DAN PERADILAN, 9(2), 289–295.
Ridha, D., Putri, D., Fahlevi, M. R., Sadikin, M., Rizki, M., & Utomo, F. (2024). Prediksi Tingkat Depresi Remaja Menggunakan Metode Naïve Bayes Classifier : Analisis Faktor Psikologis Dan Lingkungan. KESATRIA: Jurnal Penerapan Sistem Informasi, 5(4), 2034–2043.
Solihah, S. L., Agusya, K. Z., Aulia, S. F., Asfi, M., Informatika, T., Catur, U., Cendekia, I., Informasi, S., Catur, U., Cendekia, I., Neighbor, K., & Karakter, P. (2025). Implementasi Metode K-Nearest Neighbor Untuk Mendeteksi Tingkat Stres Pelajar Berdasarkan Tingkat Perundungan. Jurnal Aplikasi Bisnis Dan Komputer, 5(1), 11–21.
Sza, S., Larasati, A., Nuraida, E., Dewi, K., Farhansyah, B. H., Bachtiar, F. A., Pradana, F., Brawijaya, U., Korespondensi, P., & Forest, R. (2023). Penerapan Decision Tree Dan Random Forest Dalam Deteksi the Application of Decision Tree and Random Forest in Detecting Human Stress Levels Based on Sleep Conditions. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 10(7), 1503–1510. https://doi.org/10.25126/jtiik.2024117993
