Elektromiografi (EMG) telah digunakan secara luas dalam pengenalan gerakan
untuk rehabilitasi atau kontrol prostetik. Salah satu tantangan dalam pengenalan
gerakan berbasis EMG adalah klasifikasi sinyal EMG yang efektif dan akurat.
Dalam penelitian ini, akan dilakukan perbandingkan performa dari ekstraksi fitur
pada domain waktu, domain frekuensi dan domain waktu-frekuensi dengan metode
klasifikasi SVM, KNN dan decision tree terhadap sinyal EMG. Data sinyal EMG
diperoleh dari publik dataset dengan total subjek 36 orang. Metode ekstraksi fitur
pada domain waktu akan menggunakan fitur-fitur umum seperti Root Mean Square
(RMS), mean absolute value (MAV), variance (VAR), zero crossing (ZC) dan
Integrated EMG (IEMG), pada domain frekuensi akan menggunakan fitur-fitur dari
mean frequency (MNF), median frequency (MDF), mean power (MNP), peak
frequency (PKF) dan total power (TP), sedangkan pada domain waktu-frekuensi
akan menggunakan Wavelet transform (WT). Klasifikasi sinyal EMG akan
menggunakan beberapa metode klasifikasi di antaranya Support vector machine
(SVM), k-Nearest Neighbour (K-NN) dan decision tree (DT). Hasil penelitian ini
menunjukkan bahwa ektraksi fitur pada domain frekuensi secara signifikan lebih
baik dari pada domain waktu ataupun domain waktu-frekuensi dalam klasifikasi
sinyal EMG menggunakan metode klasifikasi decision tree dengan akurasi
klasifikasi yang lebih tinggi yaitu 99.26%. Hasil penelitian ini dapat menjadi acuan
dalam pemilihan metode klasifikasi dan ektraksi fitur sinyal EMG yang lebih akurat
dan efektif dalam pengenalan gerakan pada rehabilitasi atau kontrol prostetik.