Klasterisasi Tingkat Kecemasan berdasarkan Data Multimodal Sinyal Fisiologis menggunakan Algoritma K-means Clustering
Gangguan kecemasan merupakan salah satu masalah kesehatan mental yang banyak dialami, terutama pada mahasiswa. Metode penilaian konvensional seperti wawancara klinis dan kuesioner sering menimbulkan bias subjektif. Penelitian ini bertujuan untuk mengelompokkan tingkat kecemasan berdasarkan sinyal fisiologis multimodal menggunakan algoritma K-Means Clustering. Data sinyal fisiologis yang digunakan meliputi Heart Rate (HR), Skin Temperature (ST), dan Skin Conductance (SC). Data diproses melalui tahap prapengolahan, penyeimbangan kelas dengan Synthetic Minority Oversampling Technique (SMOTE) untuk eksplorasi awal, kemudian direduksi dimensinya menggunakan Principal Component Analysis (PCA). Hasil analisis menunjukkan jumlah klaster optimal pada K = 4 dengan kategori kecemasan yang merepresentasikan normal to mild, mild to moderate, moderate to severe, dan severe. Evaluasi hasil klasterisasi menggunakan Silhouette Score dan Davies-Bouldin Index (DBI) menunjukkan kualitas yang baik dengan nilai Silhouette = 0,64 dan DBI = 0,47. Validasi eksternal dengan instrumen Hamilton Anxiety Rating Scale (HARS) dan Beck Anxiety Inventory (BAI) melalui Adjusted Rand Index (ARI) memperlihatkan kesesuaian yang tinggi dengan akurasi HARS dengan cluster mencapai 97,1%. Temuan ini menegaskan bahwa pendekatan berbasis sinyal fisiologis dapat menjadi alternatif objektif dalam mendeteksi tingkat kecemasan. Penelitian lanjutan dengan sampel lebih luas dan perbandingan algoritma lain masih diperlukan untuk validasi komprehensif.
URI
https://repository.itera.ac.id/depan/submission/SB2509190046
Keyword
Adjusted Rand Index kecemasan K-means Clustering Principal Component Analysis sinyal fisiologis