Pertumbuhan pesat industri esports, yang telah menjadi fenomena global dengan jumlah penggemar mencapai 273 juta pada tahun 2022 dan diproyeksikan meningkat hingga 318 juta pada tahun 2025. Industri ini tidak hanya menjadi sektor olahraga yang kompetitif, tetapi juga memiliki pengaruh budaya dan ekonomi yang signifikan. Atlet esports dihadapkan pada kondisi kompetitif yang intens, dengan tuntutan kognitif dan fisik yang sangat tinggi. Mereka harus mempertahankan konsentrasi penuh, membuat keputusan cepat, beradaptasi secara strategis, dan berkomunikasi secara presisi, sering kali di bawah tekanan waktu yang ketat. Hal ini menyebabkan beban kerja mental yang berat, yang jika tidak dikelola dengan baik dapat berujung pada penurunan performa, kelelahan, kecemasan, hingga burnout.
Penelitian ini menyoroti pentingnya memantau dan mengelola beban kerja mental, tidak hanya untuk meningkatkan performa pemain tetapi juga untuk menjaga kesehatan mental mereka dalam jangka panjang. Sebelumnya, evaluasi beban kerja mental sering dilakukan menggunakan alat ukur subjektif seperti NASA-Task Load Index (NASA-TLX). Namun, metode ini memiliki keterbatasan karena bergantung pada persepsi individu.
Dengan perkembangan teknologi pemantauan fisiologis, kini dimungkinkan untuk melengkapi laporan subjektif dengan data objektif, seperti HRV dan EDA. Kombinasi data ini memberikan pemahaman yang lebih komprehensif tentang beban kerja mental, terutama dalam lingkungan esports yang penuh tekanan. Pendekatan berbasis pembelajaran mesin juga disebutkan sebagai alat yang membantu menganalisis pola kompleks dalam data fisiologis, memberikan prediksi yang lebih akurat terkait beban kerja mental.
Penelitian ini berupaya menjembatani kesenjangan dalam memahami tuntutan kognitif unik pada atlet esports, dengan menggunakan pendekatan holistik yang menggabungkan data subjektif dan fisiologis. Hal ini diharapkan dapat memberikan dasar untuk strategi inovatif dalam mengoptimalkan kinerja dan menjaga kesejahteraan para pemain di lingkungan kompetitif.
Penelitian menggunakan dataset dari 96 peserta yang mencakup data HRV, EDA, dan laporan subjektif selama 21 pertandingan kompetitif. Algoritma pembelajaran mesin seperti Support Vector Machine (SVM) digunakan untuk klasifikasi beban kerja mental dengan akurasi 81,97% dan AUC 0,8824. Fitur HRV seperti SDNN (Standard Deviation of NN intervals) dan CV (Coefficient of Variation) menunjukkan respons sistem saraf otonom terhadap beban kognitif. Temuan ini bermanfaat bagi pelatih dan pemain esports untuk memantau beban kerja mental secara real-time, mengoptimalkan strategi pelatihan, dan meningkatkan kesejahteraan atlet. Keterbatasan penelitian ini hanya melibatkan pria muda dan menggunakan klasifikasi biner untuk beban kerja mental, sehingga hasilnya mungkin kurang representatif untuk kelompok lain.
Penulis: Osmalina Nur Rahma, S.T., M.Si.
Hasil penelitian ini telah dipublikasikan pada IEEE Access Q1 Scopus. Berikut ini adalah link dari artikel tersebut:
https://ieeexplore.ieee.org/document/10813170?source=authoralert
A. Fawwaz, O. N. Rahma, K. Ain, S. I. Ittaqillah and R. Chai, “Measurement of Mental Workload Using Heart Rate Variability and Electrodermal Activity,” in IEEE Access, vol. 12, pp. 197589-197601, 2024, doi: 10.1109/ACCESS.2024.3521649.
