Nuzula Dwi Fajriaty (2020) Sistem Pendeteksi Tingkat Stres Menggunakan Electrodermal Activity Sensor Dengan Metode Dekomposisi Convex Optimization. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text 1. HALAMAN JUDUL .pdf Download (486kB)
	Text 2. ABSTRAK.pdf Download (413kB)
	Text 3. DAFTAR ISI.pdf Download (331kB)
	Text 4. BAB I.pdf Download (312kB)
	Text 5. BAB II.pdf Restricted to Registered users only until 12 January 2024. Download (1MB) | Request a copy
	Text 6. BAB III.pdf Restricted to Registered users only until 12 January 2024. Download (877kB) | Request a copy
	Text 7. BAB IV.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 8. BAB V.pdf Restricted to Registered users only until 12 January 2024. Download (418kB) | Request a copy
	Text 9. DAFTAR PUSTAKA.pdf Download (135kB)
	Text 10. LAMPIRAN.pdf Restricted to Registered users only until 12 January 2024. Download (717kB) | Request a copy
	Text Dokumen Embargo Nuzula Dwi Fajriaty - nuzula dwi.pdf Restricted to Registered users only until 12 January 2024. Download (425kB) | Request a copy

Abstract

Stress merupakan kondisi ketika seseorang menerima tekanan dari luar yang terlalu berat sehingga mempengaruhi kesehatan mentalnya yang dapat memicu berbagai penyakit. Selama ini, pengukuran stress biasanya dilakukan melalui wawancara dan pengisian formulir. Metode ini masih kurang efektif karena keterlambatan proses perawatannya serta masih membutuhkan kemauan pasien untuk konsultasi. Oleh karena itu dibutuhkan sebuah system yang efektif untuk memonitoring tingkat stres yaitu menggunakan sensor Electrodermal Activity ( EDA ). Sensor EDA dianggap sebagai salah satu indikator stres yang baik dan sensitif untuk melihat perubahan konduktivitas kulit (SC ) akibat aktivitas saraf simpatis. Akan tetapi, sinyal SC terdiri dari komponen phasic dan tonic sehingga perlu diuraikan menggunakan metode dekomposisi Convex Optimization. Metode ini menggambarkan konduktivitas kulit menjadi 3 komponen yaitu komponen fasik, tonik, dan White Gaussian Noise yang mewakili nilai error dengan menggambarkan secara fisiologis dari EDA berdasarkan Bayesian statistics, mathematical convex optimization, dan sparsity. Hasil dekonvolusi berupa komponen phasic selanjutnya diekstraksi fitur dari rata rata, standar deviasi, first absolute different(FAD) dan normalized FAD yang kemudian masuk kedalam system klasifikasi menggunakan Extreme Learning Machine (ELM) dan diklasifikasikan sebagai stress ringan, sedang dan tinggi. Penelitian ini dilakukan oleh 18 naracoba melalui 3 sesi pengukuran dengan peningkatan level stimulus disetiap sesi. Hasilnya menunjukkan bahwa metode Convex Optimization mampu memisahkan dan mengidentifikasi sinyal SC dengan baik. Selain itu hasil pengklasifikasian ELM terbaik didapatkan dengan menggunakan hidden neuron sebanyak 50 buah dengan akurasi rata-rata sebesar 94,45 % setelah dilakukan proses 6-fol cross validation.

Actions (login required)

View Item