Electroencephalogram (EEG) merupakan alat non-invasif yang digunakan untuk memantau aktivitas otak dan mendiagnosis berbagai gangguan neurologis dan psikologis, termasuk skizofrenia. Skizofrenia adalah gangguan mental kronis yang memengaruhi jutaan orang di seluruh dunia. Analisis sinyal EEG secara manual membutuhkan waktu yang lama dan melelahkan, sehingga diperlukan pendekatan otomatis berbasis teknologi. Penelitian ini bertujuan mengembangkan sistem deteksi skizofrenia berbasis deep learning menggunakan data sinyal EEG. Data yang digunakan bersifat non-publik dan berbentuk raw signal data yang melalui tahap prapemrosesan dan data yang diekstraksi fitur menggunakan metode Real Fast Fourier Transform (RFFT). Dua arsitektur model yang diuji dalam penelitian ini adalah 1D Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Hasil pengujian menunjukkan bahwa model 1D CNN dengan bantuan feature extraction menggunakan RFFT memberikan hasil klasifikasi terbaik dengan akurasi sebesar 99%. Model terbaik ini kemudian diintegrasikan ke dalam aplikasi web sebagai alat bantu diagnosis skizofrenia berbasis EEG dan dilakukan User Acceptance Test (UAT) oleh peneliti dengan skor sebesar 82.0% untuk model dan 91.45% untuk aplikasi web.