Proyek ini bertujuan untuk mengembangkan model pembelajaran mesin dalam mengklasifikasikan gestur tangan berdasarkan sinyal sEMG. Sinyal ini diambil dari dataset NinaPro DB5, yang merupakan kumpulan data yang mencakup berbagai gerakan tangan. Penelitian ini mencakup beberapa tahap, mulai dari pemuatan dan pengolahan data, preprocessing, hingga evaluasi model menggunakan metrik akurasi dan loss. Model LSTM dipilih karena kemampuannya dalam menangkap informasi temporal dari sinyal sEMG yang kompleks. Hasil penelitian menunjukkan bahwa model LSTM yang dilatih pada data exercise A mencapai akurasi tertinggi 77%, untuk exercise B, akurasi tertinggi adalah 71%, dan exercise C mencapai 68%. Akurasi yang cukup tinggi ini menunjukkan kemampuan model LSTM dalam mengklasifikasikan gerakan tangan dengan baik berdasarkan sinyal sEMG. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan antarmuka yang memungkinkan kontrol perangkat prostetik dan rehabilitasi yang lebih alami bagi pengguna. Proyek ini juga menyediakan metodologi yang dapat diadaptasi oleh peneliti lain dalam bidang biomedis dan pengolahan sinyal.
Kata Kuci : klasifikasi, sEMG, ninapro DB5, LSTM.