Penelitian mengenai klasifikasi gerakan tangan berdasarkan sinyal elektromiogram permukaan dengan machine learning telah dilaksanakan. Data 3 gerakan tangan dijadikan sebagai data yang diklasifikasikan. Variasi lama waktu gerakan 1, 2, dan 3 detik dilakukan untuk menentukan waktu gerakan mana yang memiliki kinerja klasifikasi terbaik. Akuisisi sinyal EMG permukaan (sEMG) dalam penelitian ini menggunakan modul Myoware dengan tiga buah elektroda. Letak ketiga elektroda ini berada pada lengan kanan bawah. Sinyal sEMG terekam kemudian dilakukan pengkondisian sinyal, segmentasi dan perhitungan ektraksi fitur. Ekstrakasi fitur digunakan sebagai masukan klasifikasi gerakan tangan dengan machine learning k-nearest neighbors. Variasi kombinasi fitur dan variasi data (subyek dan gabungan) dilakukan pula untuk mengetahui kinerja klasifikasi terbaik. Nilai klasifikasi berdasarkan fitur tunggal untuk variasi gerakan 1, 2, dan 3 detik diperoleh nilai terbaik pada klasifikasi untuk gerakan 3 detik dimana didapatkan nilai akurasi sebesar 77,24 %, Sensivitas 66,83%, Spesifisitas 83,43% dan MSE 93,00%. Sedangkan kinerja klasifikasi tertinggi berdasarkan fitur gabungan dengan variasi waktu gerakan yaitu gerakan 3 detik dengan nilai Akurasi 82,11%, Sensitivitas 74,35%, Spesifisitas 86,64% dan MSE 71,00%.