Peningkatan beban kerja dan tekanan dalam dunia industri modern, khususnya pada sektor seperti pertambangan dan transportasi, dapat memicu gangguan stres dan pola tidur yang buruk. Pemantauan kondisi kesehatan mental dan fisiologis pekerja menjadi hal yang krusial, namun metode konvensional seperti kuesioner bersifat subjektif dan tidak efektif untuk pemantauan jangka panjang. Oleh karena itu, proyek akhir ini mengembangkan sebuah sistem prediksi stres dan pola tidur berbasis data Heart rate Variability (HRV) yang diambil dari smartwatch. Pengembangan sistem ini menggunakan algoritma Machine Learning, yaitu Long Short-Term Memory (LSTM) dan Random Forest, untuk menganalisis data fisiologis seperti detak jantung (heart rate), Inter-Beat Interval (IBI), serta fitur-fitur Heart rate Variability (HRV) lainnya untuk mengklasifikasikan kondisi pengguna dalam kategori stres (normal, fatigue, atau stress) serta pola tidur (normal, insomnia, atau kurang tidur berat). Data sensor dikumpulkan melalui aplikasi Android pada smartwatch dan dikirim secara otomatis ke server untuk dianalisis. Proses pengumpulan data sensor dilakukan selama 14 hari dari 3 partisipan, kemudian dikirim ke server untuk dianalisis secara periodik. Hasil evaluasi model menunjukkan tingkat akurasi prediksi yang cukup tinggi, yaitu berada pada kisaran 90% hingga 99%, sehingga membuktikan bahwa integrasi antara teknologi Wearable dan Machine Learning dapat digunakan sebagai alat bantu untuk mendeteksi stres dan pola tidur. Pengembangan sistem ini diharapkan dapat mendukung peningkatan kesehatan kerja dan pencegahan risiko yang diakibatkan oleh stres berkepanjangan atau gangguan tidur.
Kata kunci: HRV, Smartwatch, Machine Learning, Stres, Pola Tidur, Wearable, Android.