Atrial Fibrillation (AF) adalah salah satu jenis aritmia yang dapat menyebabkan stroke dan pada kasus terburuk pasien berpotensi gagal jantung. Beberapa penelitian AF yang sudah ada memiliki akurasi yang belum optimal, seperti penelitian yang dilakukan oleh Rofi’i tahun 2016 dan Ipin tahun 2008. Penelitian ini menjawab permasalahan diatas dengan mengembangkan sebuah prototype yang memiliki akurasi, sensitivitas, dan spesifisitas yang lebih baik. Sistem yang dikembangkan akan menggunakan K-Nearest Neighbor (KNN) sebagai classifier deteksi AF. Untuk mencapai objektif, penelitian ini melakukan studi literature terkait AF, melakukan eksperimen terhadap beberapa algoritma classifier berbasis KNN, dan menerapkan hasil KNN terbaik yang diperoleh dari tahap sebelumnya pada prototype. Hasil yang didapatkan menunjukkan bahwa metode Euclidean Distance dengan k=7 adalah metode pengukuran jarak terbaik pada KNN dengan rata-rata akurasi 93,45536% sensitivitas 95,38491% dan spesifisitas 89,98265% pada saat training. Implementasi pada prototype membuktikan bahwa algoritma tersebut mampu mendeteksi AF dengan akurat.