Di dunia esports, seorang pemain tidak hanya dituntut cepat secara refleks, tetapi juga kuat secara mental. Dalam satu pertandingan, mereka harus fokus tinggi, mengambil keputusan cepat, dan tetap tenang di bawah tekanan. Pertanyaannya: bisakah beban mental ini diukur secara objektif?
Sebuah penelitian terbaru dari 51动漫 mencoba menjawabnya menggunakan pendekatan yang cukup unik攎elalui sinyal keringat kulit, atau yang dikenal sebagai Electrodermal Activity (EDA).
Mengukur Pikiran Lewat Kulit
EDA adalah sinyal fisiologis yang berubah ketika sistem saraf simpatik kita aktif攎isalnya saat stres, tegang, atau fokus tinggi. Dalam penelitian ini, data diambil dari 92 sesi permainan esports (League of Legends) dengan sensor yang dipasang di pergelangan tangan pemain.
Para peneliti kemudian menganalisis dua jenis sinyal utama:
Phasic (respon cepat) 鈫 perubahan singkat akibat stimulus
Tonic (respon lambat) 鈫 kondisi dasar yang lebih stabil
Dengan bantuan machine learning, mereka mencoba mengklasifikasikan apakah pemain berada dalam kondisi beban mental tinggi atau rendah.
Pendekatan Penelitian
Penelitian ini menggunakan pendekatan machine learning untuk mengklasifikasikan tingkat beban mental pemain esports berdasarkan sinyal fisiologis, khususnya Electrodermal Activity (EDA). Berbeda dengan pendekatan umum yang langsung mengaitkan sinyal fisiologis dengan kondisi mental, penelitian ini menekankan pentingnya memahami faktor lain yang memengaruhi sinyal tersebut, seperti durasi aktivitas (time-on-task).
Data yang digunakan berasal dari dataset esports yang mencakup 92 sesi permainan kompetitif. Sinyal EDA diproses melalui beberapa metode dekomposisi, yaitu cvxEDA, sparseEDA, dan Time-Varying Sympathetic Activity (TVSymp), untuk memisahkan komponen phasic dan tonic. Dari hasil dekomposisi tersebut, diekstraksi fitur berupa jumlah puncak sinyal (peak counts) dan laju kemunculannya (peak rates).
Selanjutnya, dilakukan analisis statistik seperti korelasi, partial correlation, serta linear mixed-effects model untuk mengevaluasi hubungan antara sinyal fisiologis dan beban mental yang dilaporkan pemain. Selain itu, digunakan metode validasi Leave-One-Subject-Out (LOSO) untuk memastikan bahwa model yang dibangun mampu melakukan generalisasi antar individu.
Hasil penelitian menunjukkan bahwa meskipun jumlah puncak sinyal EDA meningkat seiring meningkatnya durasi permainan, hubungan antara sinyal tersebut dengan beban mental menjadi lemah setelah faktor waktu dikontrol. Hal ini menunjukkan bahwa sinyal EDA lebih merefleksikan akumulasi aktivitas selama permainan daripada tingkat beban mental itu sendiri.
Dalam tahap klasifikasi, beberapa algoritma machine learning seperti Logistic Regression (LR), Support Vector Machine (SVM), dan XGBoost digunakan. Model terbaik mencapai akurasi sekitar 76% menggunakan fitur EDA saja. Menariknya, penambahan fitur lain seperti Heart Rate Variability (HRV) justru menurunkan performa model, yang menunjukkan adanya variabilitas antar individu yang tinggi.
Secara keseluruhan, penelitian ini menegaskan bahwa interpretasi sinyal fisiologis untuk mengukur beban mental tidak dapat dilakukan secara langsung tanpa mempertimbangkan faktor temporal. Oleh karena itu, pendekatan yang lebih komprehensif diperlukan agar sistem berbasis AI dapat memberikan estimasi kondisi mental yang lebih akurat dan reliabel.
Hasil penelitian ini telah dipublikasikan pada International Journal of Artificial Intelligence (IJAI) Q2 Scopus. Berikut ini adalah link dari artikel tersebut:
Aisy Al Fawwaz, Osmalina Nur Rahma, Sayyidul Istighfar Ittaqillah, Angeline Shane Kurniawan1, Revita Novianti Putri, Richa Varyan, Aura Adinda, Khusnul Ain, Rifai Chai, Classifying mental workload of esports players using machine learning. IAES International Journal of Artificial Intelligence (IJ-AI) Vol. 15, No. 1, February 2026, pp. 469~480,ISSN: 2252-8938, DOI: 10.11591/ijai.v15.i1.pp469-480
Penulis: Osmalina Nur Rahma, S.T., M.Si.
