Salah satu indikator penting dalam perkembangan kognitif anak terhadap kemampuan komunikasi, proses pembelajaran, dan literasi adalah kemampuan bahasa, tetapi pengukuran kemampuan bahasa masih sering dilakukan dengan pendekatan konvensional seperti tes akademik dan observasi yang mengarah ke subjektif dan belum bias merepresentasikan aktivitas otak secara langsung. Urgensi penelitian ini mengatasi keterbatasan subjektif konvensional menjadi pendekatan klasifikasi kategori kemampuan bahasa anak menggunakan sinyal electroencephalography (EEG). Tujuan penelitian ini adalah mengembangkan pendekatan klasifikasi kategori kemampuan bahasa anak berbasis sinyal EEG sebagai indikator objektif menggunakan algoritma Random Forest dan ekstraksi fitur wavelet. Data EEG yang digunakan adalah Kumar EEG Imagined Speech Dataset untuk mendukung pengujian karakteristik sinyal EEG yang berkaitan dengan aktivitas bahasa dan pengembangan tahapan pengolahan serta ekstraksi fitur. Sedangkan kategori kemampuan bahasa anak dioperasionalkan berdasarkan nilai akademik bahasa anak yang diperoleh dari tiga sekolah dasar di Yogyakarta. Tahapan penelitian ini, yaitu pra-pemrosesan data, ekstraksi fitur dengan Discrete Wavelet Transform (DWT), klasifikasi menggunakan algoritma Random Forest, dan evaluasi model. Hasil penelitian ini menunjukkan performa klasifikasi yang memuaskan dengan akurasi 0.86, precision 0.89, recall 0.83, dan f1-score 0.83, Hasil penelitian ini menunjukkan adanya potensi karakteristik fitur EEG yang dapat dimanfaatkan untuk membedakan kategori kemampuan bahasa yang ditetapkan berdasarkan data nilai akademik. Penelitian ini memberikan kontribusi awal dalam menghubungkan representasi neurofisiologis sinyal EEG dengan kategori kemampuan bahasa anak melalui pendekatan machine learning.
Copyrights © 2026