Sinyal Electroencephalogram (EEG) merupakan sinyal yang dapat menjadi sumber informasi untuk penelitian gangguan fungsi otak seperti epilepsi.Sinyal EEG yang dideteksi pada serangan epilepsi menghasilkan pola yang memungkinkan dokter untuk membedakannya dari kondisi normal. Namun, analisis secara visual tidak mungkin dilakukan secara terus menerus. Pada penelitian ini diajukan metode klasifikasi sinyal EEG menggunakan Power Spectral Density (PSD) berbasis metode Welch, Principle Component Analysis (PCA), dan Multi Layer Perceptron Backpropagation.Terdapat 3 tahapan utama pada penelitian ini, pertama pengolahan data sinyal EEG menggunakan Power Spectral Density (PSD) berbasis metode Welch, kemudian Principle Component Analysis (PCA) sebagai metode pengurangan dimensi pada data sinyal EEG dan Multi Layer Perceptron Backpropagation untuk mengklasifikasikan sinyal. Berdasarkan hasil uji coba, metode yang diusulkan tersebut berhasil mendapatkan akurasi yang tinggi untuk 80-20% training testing yaitu 99,68%. Dari hasil evaluasi tersebut, disimpulkan bahwa metode yang diusulkan dapat digunakan sebagai proses klasifikasi sinyal EEG secara otomatis.