Electronic Theses and Dissertation

Stres merupakan kondisi psikologis yang umum terjadi dan dapat berdampak negatif terhadap kesehatan fisik, kesejahteraan mental, serta kinerja kerja individu. Guru di Sekolah Luar Biasa (SLB) sangat rentan mengalami stres karena kompleksitas tanggung jawab dalam mengajar dan mendampingi siswa dengan berbagai jenis disabilitas. Oleh karena itu, diperlukan suatu sistem deteksi stres dini untuk membantu memantau kondisi fisiologis dan psikologis para guru. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stres dengan mengintegrasikan perangkat wearable berbasis Internet of Things (IoT) dengan penilaian psikologis menggunakan Depression Anxiety Stres Scale-21 (DASS-21). Sistem wearable dirancang dalam bentuk gelang yang dilengkapi sensor untuk mengukur parameter fisiologis seperti detak jantung dan suhu tubuh secara real time, yang kemudian dikirimkan ke aplikasi Blynk melalui modul ESP-32. Data dikumpulkan dari 48 guru Sekolah Luar Biasa di Banda Aceh yang terdiri dari tingkat sekolah dasar, sekolah menengah pertama, dan sekolah menengah atas. Kondisi stres diidentifikasi berdasarkan perubahan fisiologis, khususnya perbedaan detak jantung lebih dari 30 BPM, dan divalidasi menggunakan subskala stres DASS-21. Selanjutnya, data fisiologis dan psikologis yang diperoleh diklasifikasikan menggunakan algoritma Gradient Boosting Machines (GBM) untuk mengevaluasi kinerja deteksi stres. Hasil penelitian menunjukkan bahwa model yang diusulkan mencapai tingkat akurasi sebesar 94,12% untuk guru sekolah dasar, 87,5% untuk guru sekolah menengah pertama, dan 85,71% untuk guru sekolah menengah atas. Temuan ini menunjukkan bahwa integrasi teknologi wearable, sistem IoT, dan algoritma machine learning dapat secara efektif mendukung pemantauan stres secara real time dan deteksi dini pada guru, sehingga berkontribusi terhadap peningkatan manajemen kesehatan mental dan kinerja pendidikan di Sekolah Luar Biasa.

Kata Kunci: Stres, Detak Jantung, Suhu Tubuh, GBM, DASS-21

Stres is a common psychological condition that can negatively affect an individual's physical health, mental well-being, and work performance. Teachers in Special Needs Schools (Special Needs/SLB) are particularly vulnerable to stres due to the complex responsibilities of teaching and assisting students with diverse disabilities. Therefore, an early stres detection system is needed to help monitor teachers' physiological and psychological conditions. This study aims to develop a stres detection system by integrating a wearable device based on the Internet of Things (IoT) with psychological assessment using the Depression Anxiety Stres Scale-21 (DASS-21). The wearable system is designed in the form of a bracelet equipped with sensors to measure physiological parameters such as heart rate and body temperature in real time, which are transmitted to the Blynk application through an ESP-32 module. Data were collected from 48 special needs school teachers in Banda Aceh across elementary, junior high, and senior high school levels. Stres conditions were identified based on physiological changes, particularly heart rate differences greater than 30 BPM, and were validated using the DASS-21 stres subscale. Furthermore, the collected physiological and psychological data were classified using the Gradient Boosting Machines (GBM) algorithm to evaluate the performance of stres detection. The results show that the proposed model achieved an accuracy of 94.12% for elementary school teachers, 87.5% for junior high school teachers, and 85.71% for senior high school teachers. These findings demonstrate that the integration of wearable technology, IoT systems, and machine learning algorithms can effectively support real-time stres monitoring and early detection for teachers, thereby contributing to improved mental health management and educational performance in special needs schools. Keywords : Stres, Heart Rate, Body Temperature, GBM, DASS-21