Alcoholism adalah kondisi seseorang dimana orang tersebut mengkonsumsi dan kecanduan terhadap minuman keras (alkohol). Salah satu cara mengetahui seseorang termasuk alcoholic (pecandu alkohol) atau tidak dengan cara merekam aktifitas yang terjadi di otak dengan cara menempelkan elektroda logam dan media konduktif pada kulit kepala atau bisa disebut dengan Electroencephalography (EEG). Dalam penelitian ini, sinyal EEG akan diklasifikasikan ke dalam dua kategori yaitu pecandu alkohol dan normal. Penelitian ini diawali dengan preprocessing menggunakan Independent Component Analysis (ICA), dimana pada proses preprocessing sinyal – sinyal EEG dibersihkan dari noise. Setelah sinyal bersih dari noise kemudian dilakukan ektraksi fitur menggunakan Discrete Wavelet Transform (DWT). Setelah didapatkan fitur dari sinyal EEG, kemudian dilakukan proses seleksi fitur menggunakan Genetic Algortihm (GA) guna mencari fitur – fitur terbaik dari sinyal EEG. Setelah fitur – fitur terbaik didapatkan barulah dilakukan proses klasifikasi menggunakan jaringan saraf tiruan Counterpropagation Network (CPN). Penelitian ini menghasilkan akurasi tertinggi yaitu 78,7% yang terjadi pada scenario 4. Jadi, dalam kasus ini metode CounterPropagation Network (CPN) kurang cocok digunakan untuk proses klasifikasi sinyal EEG.

Alcoholism is a person's condition where the person consumes and is addicted to alcohol. One of the ways to know someone including alcoholic (alcoholics) or not by recording the activities that occur in the brain by attaching metal electrodes and conductive media on the scalp or can be called with Electroencephalography (EEG). In this study, EEG signals will be classified into two categories: alcoholics and normal. This research begins with preprocessing using Independent Component Analysis (ICA), where in preprocessing process EEG signals are cleaned from noise. After the clean signal from the noise then performed feature extraction using Discrete Wavelet Transform (DWT). After the feature of the EEG signal, then the feature selection process using Genetic Algortihm (GA) to find the best features of the EEG signal. After the best features are obtained then do the process of classification using Counterpropagation Network (CPN) neural network. This study yields the highest accuracy of 78,7% that occurs in scenario 4. So, in this case the CounterPropagation Network (CPN) method is less suitable for EEG signal classification process.