View/Open

Author
indhira, dian mustika

Date Published
17 Sep 2026

Advisor
Rudi Setiawan, S.T., M.T.,
,
I Gde Eka Dirgayussa, M.Si.,

Subject
Teknik Biomedis

Publisher

Pengembangan prototipe skrining kecemasan Physioanx 1.0 sebelumnya menggunakan Fuzzy Logic yang bergantung pada aturan pakar (expert-defined rules) dan kurang adaptif terhadap kompleksitas sinyal fisiologis. Penelitian ini menguji dan membandingkan algoritma Machine Learning (ML) yaitu Random Forest (RF), Support Vector Machine (SVM), dan K-Nearest Neighbors (K-NN) untuk klasifikasi tingkat kecemasan berbasis sinyal fisiologis (HR, ST, GSR). Tujuan utama adalah mengimplementasikan model terbaik pada prototipe Physioanx 1.0 . Penelitian menggunakan 918 sampel data partisipan usia 17–25 tahun dalam empat kategori kecemasan. Evaluasi ML menggunakan confusion matrix (akurasi, presisi, recall, F1-score). Hasil menunjukkan Random Forest sebagai model terbaik dengan akurasi 99,64%, presisi 99,72%, recall 99,64%, dan F1-score 99,68%, diikuti K-NN dan SVM dengan akurasi 99,28%. Pengujian prototipe pada 24 subjek baru menghasilkan akurasi 83,33% terhadap instrumen HARS (Hamilton Anxiety Rating Scale) sebagai gold standard utama, dan 70,83% terhadap kategori gabungan instrumen klinis (HARS, BAI, STAI). Berdasarkan uji binomial, diperoleh p-value = 0,000 (p < 0,05), sehingga hipotesis nol ditolak dan hipotesis alternatif diterima. Hal ini membuktikan secara statistik bahwa akurasi algoritma Random Forest dan implementasi prototipe Physioanx 1.0 pada subjek baru terbukti signifikan mencapai target akurasi yang ditetapkan. Dengan demikian, pendekatan ML mengatasi keterbatasan Fuzzy Logic dan menghasilkan alat skrining kesehatan mental yang objektif dan andal.

URI
https://repo.itera.ac.id/depan/submission/SB2609210024

Keyword
Gangguan Kecemasan Machine Learning Random Forest Sinyal Fisiologis Hutan Acak