Peningkatan peran model machine learning dalam pengolahan data kompleks seperti sinyal otak EEG menyoroti keberhasilan Extreme Gradient Boosting (XGBoost), yang sebelumnya mencapai akurasi tinggi (hingga 99%) dalam penelitian sebelumnya berupa klasifikasi kondisi mental. Meskipun sistem kontrol rumah pintar berbasis Brain-Computer Interface (BCI) telah dikembangkan, model machine learning spesifik yang digunakan seringkali tidak disebutkan. Penelitian ini mengatasi tantangan variabilitas dan rasio sinyal-ke-noise rendah pada data EEG yang menyulitkan penemuan pola konsisten dengan memanfaatkan XGBoost untuk mengolah dan mengklasifikasikan sinyal EEG demi kontrol perangkat yang akurat. Studi ini bertujuan mengembangkan model machine learning berbasis XGBoost untuk mengklasifikasikan kondisi mata guna mengendalikan perangkat seperti lampu, berkontribusi pada teknologi BCI yang lebih akurat untuk aplikasi smart home yang lebih luas, dan meningkatkan kemampuan individu penyandang disabilitas.

The increasing need for machine learning models to process complex, large datasets like EEG brain signals highlights the proven success of Extreme Gradient Boosting (XGBoost), which achieved high accuracy (up to 99%) in prior research about mental state classification. While smart home control systems using Brain-Computer Interfaces (BCI) have been developed, the specific ML model used was often unspecified. This research addresses the inherent variability and low signal-to-noise ratio of EEG data—challenges that make it difficult to find consistent patterns—by leveraging XGBoost to process and classify EEG signals for accurate device control. The study aims to develop an XGBoost-based machine learning model to classify eye conditions for controlling devices like lights, ultimately contributing to more accurate BCI technology for broader smart home applications and enhancing the capabilities of individuals with disabilities.