Locked In Syndrome (LIS) merupakan kondisi dimana penderita sadar tetapi tidak dapat bergerak atau berkomunikasi secara verbal karena kelumpuhan total. Salah cara untuk berkomunikasi penderita LIS yaitu berkomunikasi melalui aktivitas sinyal otak atau dinamakan Electroencephalogram (EEG). Penelitian ini menggunakan ekstraksi fitur Fast Fourier Transform (FFT) untuk merepresentasikan sinyal dalam domain waktu diskrit dan domain frekuensi dari subjek S01-1Aj sebagai data penelitian dan menghasilkan data dengan 5 kelas yaitu kelas kosong, kelas gambar, kelas baca, kelas hati , kelas bayangkan. Data hasil ekstraksi akan digunakan untuk pembuatan model mesin pembelajaran jaringan syaraf tiruan (JST) dan klasifikasi kata menggunakan algoritma backpropagation yang akan divisualisasikan menggunakan arduino yang dipasangkan LCD. Hasil penelitian ini menghasilkan aplikasi klasifikasi kata berbasis sinyal EEG. Dalam pengujian mesin pembelajaran untuk data latihan menghasilkan tingkat akurasi 92,5% dan pada uji coba pada 5 kelas data uji coba menghasilkan tingkat akurasi tertinggi sebesar 47%, precision 47% dan recall 46%.

Locked In Syndrome (LIS) is a condition in which the patient is conscious but unable to move or communicate verbally due to total paralysis. One way to communicate with LIS sufferers is to communicate through brain signal activity or it is called the Electroencephalogram (EEG). This study uses Fast Fourier Transform (FFT) feature extraction to represent the signal in the discrete time domain and frequency domain of the S01-1Aj subject as research data and produces data with 5 classes, namely empty class, picture class, reading class, heart class, imaginary class. . The extracted data will be used for making machine learning models for artificial neural networks (ANN) and word classification using the backpropagation algorithm which will be visualized using an Arduino paired with an LCD. The results of this study produce a word classification application based on EEG signals. In machine learning testing for exercise data, it produced an accuracy rate of 92.5% and in testing on 5 classes the trial data produced the highest accuracy rate of 47%, precision 47% and recall of 46%.