Jantung merupakan organ vital yang terpenting dalam tubuh manusia namun juga sangat rentan terkena berbagai macam penyakit berbahaya yang dapat mengakibatkan jiwa terancam. Berdasarkan rekapan data dari World Health Organization (WHO), sekitar 31% dari populasi dunia atau sekitar 17,9 Juta orang meninggal setiap tahunnya akibat penyakit jantung. Hal ini bisa terdeteksi dengan menggunakan Elektrokardiogram (EKG). Menggunakan EKG dalam mengidentifikasi penyakit AF pada penderita, tak jarang lepas dari gangguan (noise) sehingga masih sulit untuk dideteksi. Karena itu, penelitian ini memanfaatkan sinyal EKG untuk tahapan klasifikasi detak jantung dengan menggunakan Dicrete Wavelet Transformation sebagai preprocessing dan Convolution Neural Network (CNN) sebagai model untuk tahapan klasifikasi pada sinyal EKG untuk 1 data dimensi. Dataset yang digunakan diambil dari Physionet.org sebanyak 3 class yaitu Normal (N), Atrial Fibrillation (AF) dan lainnya (O). Pada tugas akhir ini, dilakukan pengujian berdasarkan pada jenis optimizer yang digunakan (Adam, Adamax, Nadam, RMSProp, dan SGD), mengubah nilai learning rate, dan batch size serta parameter pendukung lainnya yang digunakan akan ditinjau dari Akurasi, presisi, Recall, dan F1-Score. Dataset yang digunakan sebanyak 768 untuk tahapan klasifikasi dan dibagi tiga yaitu 614 data train, 61 untuk data validasi yang telah diambil dari data train dan 154 dataset untuk data tes. Berdasarkan hasil pengujian, didapatkan Optimizer terbaik dengan menggunakan Adam dengan tingkat akurasi 66%, Presisi 67%, recall 66%, dan F1-Score 66% untuk learning rate 0,001 dan iterasi 100 epoch karena tingkat overfitting yang dihasilkan jauh lebih baik daripada jenis optimizer lainnya. Kata Kunci: EKG, Convolutional Neural Network (CNN), Klasifikasi, Discrete Wavelet Transform (DWT).