Epilepsi adalah gangguan neurologis yang mempengaruhi banyak individu, dengan serangan kejang sebagai gejala utamanya. Penelitian ini memiliki tujuan mengembangkan sistem otomatis untuk mengenali pola-pola yang terkait dengan serangan kejang berdasarkan sinyal EEG. Pada sinyal EEG pasien epilepsi terdapat empat buah kondisi yaitu interictal, preictal (preseizure), ictal (seizure), dan postictal (post-seizure). Pendeteksian kondisi preseizure dilakukan untuk memprediksi kejang pada pasien epilepsi. Deteksi kondisi preseizure dilakukan dengan menggunakan machine learning dimana sistem dapat secara otomatis mendeteksi kondisi preseizure berdasarkan berkas-berkas yang sudah dimasukkan pada pelatihan dalam membuat machine learning. Pada penelitian ini digunakan machine learning dengan menggunakan dua buah metode sebagai perbandingan yaitu metode K-Nearest Neighbor (KNN) dan metode Long Short Term Memory (LSTM). Kedua metode tersebut digunakan untuk memprediksi adanya kondisi preseizure pada sinyal EEG pasien. Dalam proses prediksi terdapat lima buah tahapan yaitu preprocessing, segmentasi, ekstraksi fitur, pengklasifikasian, dan prediksi akhir. Sistem yang telah dirancang kemudian diterapkan dalam aplikasi berbasis python dengan tujuan memudahkan para pengguna dalam menggunakannya. Sistem pada penelitian ini diuji menggunakan data 10 pasien dari CHB-MIT dengan jumlah 150 rekaman dan total durasi 147 jam. Dihasilkan sistem mampu memberikan nilai sensitivitas sebesar 80%, spesifisitas sebesar 92%, dan akurasi sebesar 91% dengan menggunakan metode KNN dan sensitivitas sebesar 82%, spesifisitas sebesar 87%, dan akurasi sebesar 86% dengan menggunakan metode LSTM. Dengan pemahaman yang lebih baik tentang penyebab dan pola kejang, penelitian ini diharapkan dapat memberikan pembaharuan terhadap metode dalam penanganan pasien epilepsi.