Komunikasi antarmanusia tidak hanya berlangsung lewat kata-kata. Bahasa tubuh, ekspresi wajah, posisi tubuh, hingga respons fisiologis yang kerap tidak disadari juga ikut menyampaikan pesan. Sejumlah penelitian menyebutkan porsi komunikasi dapat didominasi oleh unsur nonverbal: 55% melalui bahasa tubuh, 38% lewat intonasi suara, dan 7% dari kata-kata yang diucapkan (Mehrabian & Ferris, 1967). Temuan ini menegaskan pentingnya memahami bahasa tubuh untuk membantu membaca kondisi emosional dan psikologis seseorang.
Dalam perkembangan teknologi digital, perangkat wearable atau perangkat yang dapat dikenakan—seperti jam tangan pintar, gelang kesehatan, hingga cincin pintar—mulai digunakan untuk mendeteksi dan menganalisis kondisi tubuh secara otomatis. Perangkat ini mengumpulkan data fisiologis, antara lain denyut jantung, pola tidur, aktivitas fisik, dan tingkat stres secara real-time. Namun, kemampuan wearable untuk “membaca” bahasa tubuh tidak hanya bertumpu pada sensor perangkat keras, melainkan juga pada pengolahan data dan algoritma dalam sains data.
Selama ini, bahasa tubuh sering dinilai sulit diukur secara objektif karena bergantung pada pengamatan manusia dan dapat bersifat subjektif. Melalui sensor, algoritma, dan analisis data, informasi yang sebelumnya sulit dikuantifikasi dapat diolah menjadi indikator yang lebih terukur. Meski begitu, ketepatan dan konsistensi perangkat wearable dalam menafsirkan bahasa tubuh masih menjadi perdebatan, terutama ketika dihadapkan pada kondisi nyata yang kompleks.
Sains data sebagai “otak” perangkat wearable
Wearable device memanfaatkan berbagai sensor yang saling melengkapi untuk membaca kondisi tubuh. Accelerometer dan gyroscope digunakan untuk mendeteksi gerakan serta posisi tubuh. Sensor EDA (electrodermal activity) menilai konduktivitas kulit yang dapat berkaitan dengan reaksi emosional, sedangkan ECG memantau variasi detak jantung.
Data mentah dari sensor kemudian diproses dalam tahapan sains data. Pada tahap awal, data dibersihkan untuk mengurangi bias akibat pergerakan sensor dan menghapus noise. Berikutnya, sistem mengekstraksi fitur untuk menangkap pola penting, seperti konduktivitas kulit dan variabilitas detak jantung (heart rate variability/HRV). Setelah itu, algoritma machine learning diterapkan untuk mengklasifikasikan aktivitas atau kondisi pengguna. Dalam kerangka ini, sains data berperan mengubah sinyal fisiologis menjadi interpretasi, misalnya peningkatan konduktivitas kulit yang diikuti lonjakan detak jantung dapat dibaca sebagai indikasi stres, termasuk kecemasan atau potensi ketidakjujuran (Widowati & Purwantini, 2024).
Uji efektivitas: akurasi bervariasi sesuai kompleksitas
Sejumlah studi berbasis data telah menguji kemampuan perangkat wearable dalam menganalisis bahasa tubuh melalui indikator fisiologis. Studi tentang HRV yang melibatkan 100 peserta, misalnya, melaporkan sistem deteksi berbasis sains data mampu memprediksi tingkat stres dengan akurasi 80% (Widowati & Purwantini, 2024). Temuan ini dinilai lebih konsisten dibanding pengamatan manual.
Dalam konteks keselamatan berkendara, penelitian lain menguji perangkat wearable pada pengemudi dengan pendekatan algoritma Decision Tree untuk menilai sinyal PPG (photoplethysmogram) atau sinyal denyut jantung. Sistem tersebut dilaporkan mencapai akurasi klasifikasi 80% dengan waktu pemrosesan 2,6 detik (Fuad et al., 2025), menunjukkan potensi penggunaan secara real-time.
Namun, akurasi tidak selalu tinggi ketika sistem diminta membedakan emosi dengan intensitas yang lebih rumit. Penelitian lain mencatat bahwa saat pengelompokan emosi dibuat lebih kompleks—misalnya membedakan ketegangan sedang dan tinggi—akurasi menjadi terbatas, sekitar 60% (Arabian et al., 2023). Ini mengindikasikan bahwa semakin kompleks aspek bahasa tubuh yang ingin ditafsirkan, semakin besar tantangan pengolahan data dan pemodelannya.
Penerapan di kesehatan mental, keselamatan berkendara, dan interaksi manusia-teknologi
Di bidang kesehatan mental, wearable seperti smartwatch yang didukung algoritma sains data dapat membantu mengenali peningkatan stres berdasarkan pola HRV pengguna. Perangkat juga dapat memberikan rekomendasi intervensi otomatis, seperti latihan pernapasan (Karmeliyah, 2024).
Teknologi wearable juga dimanfaatkan untuk keselamatan berkendara, terutama untuk mengidentifikasi kelelahan atau kantuk pada pengemudi. Dengan menganalisis perubahan pola detak jantung dan respons fisiologis yang berkaitan dengan menurunnya fokus, sistem dapat memberi peringatan dini yang berpotensi menurunkan risiko kecelakaan akibat kelelahan (Alarnaout, Zaki, Kotb, & Alakkoumi, 2025).
Sementara itu, pada ranah interaksi manusia dan teknologi, analisis sinyal fisiologis digunakan untuk mengenali kondisi emosional pengguna saat berinteraksi dengan perangkat. Pendekatan ini dikenal sebagai komputasi afektif, yang memungkinkan sistem menyesuaikan respons—misalnya tampilan atau cara perangkat menyajikan informasi—berdasarkan variabel yang teridentifikasi (Papakostas, Troussas, & Krouska, 2025).
Tantangan: kualitas data, generalisasi model, dan privasi
Di balik potensinya, pemaknaan bahasa tubuh melalui wearable masih menghadapi sejumlah hambatan. Gangguan data akibat pergeseran sensor dapat memunculkan bias. Selain itu, model juga sulit digeneralisasi karena perbedaan biologis antarindividu, serta keterbatasan data pelatihan yang benar-benar mencerminkan keragaman manusia. Isu privasi turut menjadi perhatian utama karena data fisiologis termasuk kategori sensitif (Ruotsalo, 2024).
Karena itu, pengembangan model yang lebih personal dan kerja sama lintas disiplin dinilai penting untuk meningkatkan akurasi sekaligus memastikan penerapan yang etis. Penulis juga merekomendasikan prioritas pembentukan kumpulan data yang lebih besar dan beragam, pengembangan model yang disesuaikan, serta penyusunan regulasi perlindungan data fisiologis agar pemanfaatan teknologi wearable dapat berjalan lebih aman dan bertanggung jawab.
