Elektroensefalografi (EEG) adalah metode pengamatan elektrofisiologis untuk merekam aktivitas listrik dari otak. Sinyal EEG tersebut direkam menggunakan aktif AgCl elektroda, ditempatkan menurut standar internasional dengan system 10-20. Extreme Gradien Boosting adalah algoritma yang ditingkatkan berdasarkan gradien boosting decision tree dan dapat membangun boosted trees secara efisien dan beroprasi secara pararel. Pada penelitian ini menggunakan data hasil perekaman sinyal EEG yang sudah melalui tahapan ekstraksi. Data hasil ekstaksi dilakukan tahapan preprocessing dan proses klasifikasi menggunakan algoritma Extreme Gradien Boosting (XGBoost) untuk divisualisasikan menggunakan aplikasi berbasis desktop. Hasil dari klasifikasi mengggunakan algoritma Extreme Gradien Boosting dengan menghasilkan accuracy 96%, precision 96% dan recall 96%.

Electroencephalography (EEG) is an electrophysiological observation method for recording the electrical activity of the brain. The EEG signal was recorded using an active AgCl electrode, placed according to the international standard 10-20 system. Extreme Gradient Boosting is an improved algorithm based on gradient boosting decision trees and can build boosted trees efficiently and operate in parallel. In this study, the data from the recording of the EEG signal has gone through the extraction stage. The extracted data is carried out in the preprocessing and classification process using the Extreme Gradient Boosting (XGBoost) algorithm to be visualized using a desktop-based application. The results of the classification using the Extreme Gradient Boosting algorithm produce 96% accuracy, 96% precision and 96% recall.