Stres merupakan kondisi psikologis yang muncul ketika individu menghadapi tekanan melebihi kemampuan adaptasinya, dan apabila tidak terdeteksi dapat berdampak negatif terhadap kesehatan fisik maupun mental. Metode penilaian stres yang umum digunakan saat ini masih subjektif, sehingga diperlukan pendekatan lebih objektif melalui analisis sinyal fisiologis, salah satunya Electroencephalography (EEG). Penelitian ini merancang dan mengimplementasikan sistem klasifikasi stres berbasis sinyal EEG menggunakan sensor NeuroSky MindWave Mobile 2 dengan arsitektur dual-ESP32, yaitu ESP32 sebagai jembatan komunikasi dan Waveshare ESP32-S3-Touch-AMOLED-2.06 sebagai unit inferensi sekaligus antarmuka wearable. Metode meliputi akuisisi sinyal, pre-processing berupa band-pass filter 4-30 Hz dan normalisasi z-score, segmentasi epoch 4 detik, serta ekstraksi 11 fitur band power dari lima pita gelombang otak (delta, theta, alpha, beta, gamma) beserta rasio alpha/beta. Model Random Forest dilatih menggunakan dataset EEGMAT dengan SMOTE untuk mengatasi ketidakseimbangan kelas, lalu dikonversi ke kode C melalui micromlgen agar berjalan on-device secara real-time. Pengujian eksternal dilakukan pada 9 subjek dengan 90 sesi pengukuran pada kondisi normal dan stres, menggunakan smartwatch Amazfit Bip 3 sebagai pembanding referensi. Hasil menunjukkan sistem mencapai akurasi 88,89%, presisi 92,68%, recall 84,44%, dan F1-score 88,37%. Sistem wearable yang dikembangkan terbukti mampu mengklasifikasikan kondisi stres secara mandiri dan real-time, dengan akurasi yang layak untuk monitoring personal.