Kemajuan di pengolahan sinyal biomedis khususnya pada sinyal EEG, mendorong digunakannya untuk dianogsis kerusakan otak, dan untuk pengaplikasiannya salah satunya BCI. BCI menggunakan sinyak dari otak (EEG) sebagai input yang digunakan untuk mengontrol peralatan lain seperti computer, kursi roda dan lain-lain. Tujuan dari penelitian ini adalah untuk melihat akurasi pada pengklasifikasian 3 kondisi klasifikasi tiga kondisi (imajinasi gerakan tangan kanan dan kiri serta pengucapan kata) berbasis data EEG menggunakan metode (support vector machine). Ada 3 subjek dan diberi 2 sesi untuk tiap subjeknya, jenis kegiatan pada perekamanya (klasifikasi tiga kondisi (imajinasi gerakan tangan kanan dan kiri serta pengucapan kata). Frekuensi sampling data EEG adalah 512 Hz, dilakukan bandpass filter antara frekuensi 8 Hz dan 30 Hz. Setelah pra-pemrosesan signal di dekomposisi tingkat 5 dan di transformasi wavelet menggunakan daubechies 5. Setelah itu sinyal dihitung nilai power spectrum density dan didapat hasil ekstraksi ciri. Setalah itu dilakukan klasifikasi dengan multiclass SVM dan 4-fold cross validation untuk menghitung akurasinya. Hasil penelitian dengan menggunakan transformasi wavelet dan metode multiclass SVM mendapatkan akurasi untuk pengujian tiap subjek didapat rerata akurasi 78.70% dan untuk pengujian gabung akurasinya 67.67%.

Advancements in biomedical signal processing tecniques Electroencephalography (EEG) signals, widely used in the diagnosis of brain diseases and in the application field was Brain Computer Interface (BCI). BCI uses signals from brain (EEG) as a input to control other devices such as a computer, wheel chair, etc. The aim of this work is to see how accurate classification 3 condition (right hand and left hand movement imagery and random generating word) using EEG data. 3 subject there were two seasion for each subject, and three possible types :right hand movement, left hand movement imagery, and random generating word. The EEG data was sampled at 512 Hz, bandpass filtered between 8 and 30 Hz. After the preprocessing of EED data, then data to decomposision level 5, and used mother wavelet daubechies 5 as mother wavelet. Signal calculate with power spectrum density method of feature exctraction. Then for classification using multiclass SVM and 4-fold cross validation for accuracy classification. Result for this work using wavelet transformation and multiclass SVM accuracy for each subject for 3 subject get average accuracy to 78.70% and for mixed subject accuracy amounted to 67.67%.

Kata Kunci : EEG, BCI, SVM, wavelet.