Klasifikasi aritmia yang akurat sangat penting untuk diagnosis dan pengo-
batan jantung yang efektif. Baru-baru ini, banyak studi yang berfokus pada
diagnosis aritmia; namun, akurasi mereka masih belum optimal, dan mereka
kurang dalam interpretasi model yang dapat membantu para ahli. Studi ini
mempersembahkan beberapa model akurat untuk klasifikasi aritmia dengan
memanfaatkan Convolutional Neural Network 1D (CNN1D) yang digabungk-
an dengan mekanisme Attention dan Gated Recurrent Units (GRU), Convo-
lutional Neural Network 1D (CNN1D) yang digabungkan dengan Gated Re-
current Units (GRU), serta Convolutional Neural Network 1D (CNN1D) yang
digabungkan dengan Long-Short Term Memory (LSTM). Untuk mengurangi
noise pada sinyal ECG, kami menggunakan metode denoising yang disebut
Butterworth filter, yang memastikan ekstraksi fitur yang lebih akurat dari da-
ta elektrokardiogram (ECG). Model ini dirancang untuk mengklasifikasikan
sepuluh jenis aritmia seperti: Paced Beat, Atrial Premature Contraction, Fu-
sion of Ventricular and Normal Beat, Left Bundle Branch Block Beat, Normal
Beat, Right Bundle Branch Block Beat, Premature Ventricular Contraction,
Nodal (Junctional) Escape Beat, Non-conducted P-wave (Blocked APB), dan
Isolated QRS-like Artifact. Selain itu, untuk memberikan transparansi dan
interpretabilitas pada prediksi model, kami menerapkan teknik Explainable
Artificial Intelligence (XAI) menggunakan Layer-wise Relevance Propagation
(LRP). Hasil eksperimen menunjukkan bahwa model yang kami usulkan men-
capai akurasi tinggi dalam klasifikasi aritmia, dengan akurasi keseluruhan se-
besar 96,8%, presisi sebesar 96,8%, sensitivitas sebesar 96,8%, dan skor F1
sebesar 96,8%. Integrasi LRP tidak hanya membantu dalam memvalidasi ki-
nerja model tetapi juga memberikan wawasan yang dapat diambil tindakan
bagi para klinisi, yang berpotensi meningkatkan hasil pasien.