Aritmia merupakan ganguan yang terjadi pada irama jantung. Gejala ini bisa dirasakan ketika jantung berdetak lebih cepat dari biasanya atau keti- ka jantung berdetak lebih lambat dari biasanya. Aritmia memiliki jenis yang berbeda-beda, salah satunya adalah atrial brillation (AF) dan premature ven- tricular contraction (PVC). Dalam dunia medis saat ini sudah banyak metode yang digunakan untuk mendeteksi aritmia jenis AF dan PVC. Metode paling umum yang sering digunakan untuk mendeteksi aritmia ini adalah dengan menggunakan metode ECG. Sedangkan penerapan PPG untuk mendeteksi aritmia masih sangat minim, dikarenakan proses klasi kasi pada sinyal PPG yang masih terbilang sulit. PPG merupakan metode yang digunakan untuk mengetahui kondisi sistem kardiovaskular dengan mengukur perubahan volu- me darah pada jaringan kulit. Agar dapat mendeteksi aritmia jenis AF dan PVC pada sinyal PPG dibutuhkan suatu sistem klasi kasi. Dalam penelitian ini akan dibandingkan dan dianalisis tiga metode algoritma klasi kasi yaitu, neural network dengan backpropagation, learning vector quantization (LVQ), dan random forest (RF). Hasil pengujian menunjukkan bahwa algoritma kla- si kasi terbaik dari ketiga algoritma yang diusulkan adalah algoritma neural network dengan backpropagation (BPNN) yang menghasilkan akurasi sebesar 95%. Dengan akurasi pada sinyal AF, PVC, dan Normal sebesar 96%, 96%, dan 99%. Sedangkan algoritma random forest (RF) ada diurutan kedua dan algoritma learning vector quantization (LVQ) ada pada urutan terakhir.