Epilepsi adalah penyakit otak yang tidak menular dan memengaruhi sekitar 50 juta orang di dunia. Sinyal electroencephalogram (EEG) memberikan informasi penting tentang aktivitas listrik otak. Epilepsi bisa terdeteksi melalui analisis sinyal EEG, tetapi prosesnya rumit, membutuhkan keterampilan manusia, dan memakan waktu. Deteksi prakejang pada pasien epilepsi merupakan tantangan dalam bidang neurologi. Dalam penelitian ini, kami memfokuskan pada pengembangan metode deteksi prakejang menggunakan sinyal EEG dan menggunakan pendekatan metode Long Short-Term Memory (LSTM). Dalam analisisnya. Sinyal EEG direkam dari pasien epilepsi selama periode tertentu, dan kemudian dilakukan pemrosesan dan analisis menggunakan metode LSTM. LSTM adalah jenis jaringan saraf rekuren (RNN) yang terkenal karena kemampuannya dalam memodelkan dan mempelajari urutan data. Pendekatan LSTM memungkinkan pemodelan yang lebih baik terhadap karakteristik dinamis sinyal EEG, termasuk pola sebelum terjadinya prakejang. Dalam penelitian ini, kami menggunakan dataset sinyal EEG yang terdiri dari pasien epilepsi dengan prakejang dan tanpa prakejang. Data tersebut dibagi menjadi set pelatihan dan set pengujian untuk melatih dan menguji model LSTM. Proses pelatihan model dilakukan dengan mengoptimalkan parameter dan menyesuaikan bobot jaringan LSTM berdasarkan data pelatihan. Hasil eksperimen menunjukkan bahwa metode LSTM mampu mendeteksi prakejang pada pasien epilepsi dengan tingkat akurasi 98.44% dengan menggunakan optimizer RMSprop. Penelitian ini memberikan kontribusi dalam pengembangan teknik deteksi prakejang pada pasien epilepsi menggunakan sinyal EEG dan metode LSTM. Hasil-hasil penelitian ini dapat digunakan sebagai dasar untuk pengembangan sistem deteksi prakejang yang lebih lanjut.