Kelelahan pada atlet seringkali menyebabkan terjadinya cedera. Deteksi kelelahan seringkali
muncul setelah cedera tersebut terjadi. Pentingnya untuk mendeteksi kelelahan otot sebelum terlihat,
tidak hanya untuk mencegah cedera, tetapi juga mengingkatkan kinerja atlet. Beberapa tahun
terakhir ini telah banyak diajukan metode untuk melakukan pengenalan pola sinyal EMG. Dari
sekian banyak literatur mengusulkan penggunaaan fitur time domain yaitu menggunakan metode
Discrete Wavelet Transform (DWT) sebagai parameter yang tepat dalam proses ektraksi ciri jika
dibandingkan dengan fitur frekuensi. Namun beberapa literatur masih memberikan hasil klasifikasi
yang rendah hal ini disebabkan karena beberapa penelitian belum menemukan jenis mother
wavelet tertentu dari Discrete Wavelet Transform (DWT) yang sangat mempengaruhi proses pengenalan
pola sinyal. Nilai akurasi yang diperoleh dari keseluruhan proses klasifikasi sinyal sangat
dipengaruhi oleh hasil pada tahap ekstraksi ciri yang tepat. Untuk menyelesaikan masalah di atas,
tugas akhir ini mengusulkan pengembangan algoritma ektraksi ciri pada sinyal EMG dengan membandingkan
4 jenis mother wavelet yang berbeda dari DWT yaitu jenis Wavelet Deubechies (db2),
Wavelet Coiflets (coif1), Wavelet Haar (haar) dan Wavelet Symlets (sym2) untuk meningkatkan
hasil akurasi pada proses klasifikasi. Hasil pengujian performansi menunjukkan bahwa algoritma
yang diusulkan berhasil mencapai rata-rata akurasi 86.87% dan spesifisitas 72.18%.