Stroke dapat diartikan sebagai gangguan fungsi sistem saraf yang terjadi secara mendadak dan disebabkan oleh tersumbatnya pembuluh darah yang terjadi di otak. Umumnya upaya yang digunakan untuk mengurangi jumlah pasien stroke yaitu dengan metode diagnosis menggunakan Magnetic Resonance Imaging (MRI). Namun, biaya pemeriksaan menggunakan metode MRI relatif mahal dan tidak portabel. Salah satu cara untuk mengatasi permasalahan tersebut yaitu menggunakan alat Electroencephalograph (EEG) untuk mendeteksi sinyal stroke pada bagian otak.
Pada penelitian sebelumnya pengolahan sinyal stroke EEG telah dilakukan menggunakan metode Brain Symmetry Index dan Hilbert Huang Transform (BSI-HHT). Akan tetapi, pada penelitian tersebut tidak membahas secara spesifik tentang seleksi kanal pada sinyal stroke EEG. Dengan adanya permasalahan tersebut, pada penelitian ini penulis akan mengolah sinyal stroke EEG menggunakan metode Spatial selection yang dimodifikasi menggunakan metode Fast Fourier Transform (FFT). Data yang digunakan adalah 8 data pasien stroke dan 8 data sehat yang hasil akurasinya akan dibandingkan. Proses klasifikasi yang dilakukan yaitu menggunakan metode k- Nearest Neighbor (k-NN) dan Extreme Learning Machine (ELM).
Pada implementasi klasifikasi k-NN memiliki hasil optimal mencapai nilai 1 pada saat nilai k = 1 dengan hasil akurasi yang sama dengan data normal pada beberapa wilayah. Sedangkan pada klasifikasi ELM memiliki peningkatan pada wilayah Highmean 0,027 dari data normal yaitu data Highmean dengan hasil 0,859 dan data normal sebesar 0,832. Dan pada implementasi metode Spatial Selection ini dapat menemukan komposisi kanal yang relevan pada setiap data.
Kata Kunci: Stroke, Electroencephalogram (EEG), Spatial Selection.