Epilepsi merupakan salah satu gangguan neurologis yang ditandai dengan serangan kejang berulang, yang dapat mengganggu kualitas hidup penderitanya. Deteksi dini kejang sangat penting untuk manajemen dan pengelolaan kondisi pasien secara efektif. Penelitian ini bertujuan untuk mengembangkan model prediksi kejang pada pasien epilepsi menggunakan sinyal EEG (Electroencephalography) dengan memanfaatkan metode machine learning. Dalam penelitian ini, dilakukan perbandingan antara tiga metode klasifikasi machine learning, yaitu Random Forest, SVM dan XGBoost, serta berbagai teknik ekstraksi fitur seperti Common Spatial Pattern (CSP), DWT, fitur statistik, dan domain frekuensi. Pada penelitian ini digunakan data dari 7 pasien yang berasal dari Children’s Hospital Boston yang dimana total rekaman yang diuji berkisar 68 jam. Data EEG yang digunakan akan melalui proses preprocessing seperti segmentasi, band pass filter, labeling data dan balancing data sebelum dianalisis untuk mengekstrak fitur-fitur relevan yang kemudian digunakan sebagai input untuk model prediksi. Hasil pengujian menunjukkan bahwa kombinasi metode XGBoost dengan ekstraksi fitur CSP menghasilkan akurasi prediksi yang paling optimal, yaitu sebesar 88%. Sedangkan untuk hasil sensitifitas yang paling optimal ditunjukkan oleh kombinasi XGBoost dengan ekstraksi fitur DWT dengan nilai 87%. Temuan ini mengindikasikan bahwa pendekatan tersebut efektif dalam memanfaatkan pola spasial pada sinyal EEG untuk mendeteksi potensi kejang. Penelitian ini juga menyarankan perlunya penelitian lanjutan dengan jumlah sampel data yang lebih besar dan eksplorasi metode serta teknik ekstraksi fitur lainnya untuk lebih meningkatkan performa model prediksi di masa depan.
