Rancang Bangun Sistem Pemantauan Gejala Depresi Berbasis Sinyal EEG-EKG, Internet of Things, dan Support Vector Machine

Latar Belakang. Diagnosis depresi secara klinis saat ini masih bergantung padawawancara subjektif dan peralatan medis yang mahal. Tujuan. Penelitian ini bertujuan merancang alat portabel untuk pemantauan gejala depresi secara objektif dan kuantitatif. Metode. Sistem ini mengukur sinyal Elektroensefalogram (EEG) dan Elektrokardiogram (EKG) menggunakan mikrokontroler ESP32-S3 dan penguat berbasis TL074. Sinyal EEG diproses menjadi Power Spectral Density (PSD) melalui kalkulasi Fast Fourier Transform (FFT), sedangkan sinyal EKG diproses menjadi Heart Rate Variability (HRV) melalui perhitungan interval R-R. Data tersebut kemudian dikirim menuju server awan (AWS EC2) berbasis Internet of Things (IoT) untuk diklasifikasikan oleh model Support Vector Machine (SVM). Hasil. Pengujian perangkat keras terhadap peralatan standar medis menunjukkan tingkat akurasi pengukuran EEG sebesar 82,62%, serta akurasi pengukuran EKG mencapai 98,92% untuk denyut jantung dan 99,99% untuk interval R-R. Kualitas Signal-to-Noise Ratio (SNR) sebesar 6,10–19,68 dB pada sinyal EEG dan 27,17–44,24 dB pada sinyal EKG, dengan daya baterai hingga 3 jam 22 menit. Pengujian IoT dengan tingkat waktu tunda dan kehilangan paket yang sesuai standar ITU-T. Pada tahap pengklasifikasian SVM, gabungan PSD dan HRV menggunakan kernel Radial Basis Function (RBF) pada skenario mata terbuka menghasilkan akurasi 76,00%, presisi 90,91%, spesifisitas 90%, dan Area Under the Curve (AUC) 0,77. Kesimpulan. Alat portabel yang dirancang mampu mengukur sinyal EEG dan EKG secara terintegrasi dengan sistem IoT dan AI untuk mengklasifikasikan subjek bergejala depresi secara objektif.