Elektromiografi (EMG) merupakan sebuah proses deteksi, analisis dan pemanfaatan sinyal listrik yang berasal dari kontraksi otot. Sinyal yang diperoleh disebut dengan elektromiogram atau sinyal mioelektrik. EMG banyak dimanfaatkan untuk proses rehabilitasi serta pencegahan terjadinya kelelahan pada otot manusia, EMG juga dimanfaatkan oleh pusat-pusat kebugaran untuk menganalisis kebugaran seseorang melalui informasi yang terekam dari sinyal otot seseorang. Namun, studi tentang kelelahan otot belum banyak dilakukan ataupun diteliti. Penelitian ini dilakukan untuk mengisi gap tersebut, dengan melakukan studi Ekstraksi fitur pada kelelahan otot berbasis sinyal EMG menggunakan Discrete Wavelet Transform (DWT). Penelitian ini dimaksudkan untuk mengetahui penerapan Ekstraksi fitur berbasis sinyal EMG untuk mendeteksi kelelahan otot. Sehingga diharapkan dengan hasil studi ini dapat mengungkap atau menemukan algoritma ekstraksi fitur terbaik untuk mendeteksi kelelahan otot. Untuk menyelesaikan masalah diatas, tugas akhir ini mengusulkan pengembangan algoritma ekstraksi fitur pada sinyal EMG dengan membandingan 3 jenis mother wavelet yang berbeda dari DWT yaitu Wavelet Deubechies, Wavelet Coiflets dan Wavelet Symlets untuk meningkatkan hasil akurasi pada proses klasifikasi. Hasil pengujian performansi menunjukkan bahwa algoritma dengan mother wavelet Deubechies dengan pengklasifikasian menggunakan KNN berhasil mencapai akurasi, spesifisitas dan sensitivitas tertinggi dengan rata-rata akurasi Daubechies berhasil mencapai nilai terbaik dibandingkan dengan DWT lainnya dengan nilai Sensitivitas 95.09%, spesifisitas 96% dan Akurasi 95.09% dari 10 subjek yang diujikan dengan mengambil wavelet terbaik dari daubechies dan level dekompisisi terbaik.