Aritmia merupakan masalah kesehatan yang signifikan dan memerlukan deteksi yang tepat serta cepat untuk mencegah dampak serius, termasuk henti jantung mendadak. Metode pembelajaran mesin semakin banyak digunakan untuk mengotomatiskan deteksi aritmia dari sinyal elektrokardiogram (ECG). Studi ini mengevaluasi tiga algoritma yang umum digunakan—Random Forest, Support Vector Machine (SVM), dan Jaringan Saraf Tiruan (JST)—pada dataset ECG yang tidak seimbang dengan lima kelas aritmia. Dataset terdiri dari 175.729 sampel, di mana 87,36% data termasuk dalam kelas normal (N), sementara kelas lain seperti F dan Q masing-masing memiliki kurang dari 0,2%. Langkah prapemrosesan mencakup normalisasi, pemilihan fitur, dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Model dengan bobot kelas digunakan untuk mengatasi ketidakseimbangan data, dan kinerjanya dievaluasi menggunakan metrik presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Jaringan Saraf Tiruan mencapai kinerja terbaik dengan F1-score sebesar 99,51%, diikuti oleh Random Forest (99,31%) dan SVM (98,95%). Meskipun model ini mampu mengklasifikasikan kelas mayoritas dengan baik, model tersebut mengalami kesulitan dalam mengklasifikasikan kelas minoritas seperti F dan Q, yang menunjukkan perlunya teknik lanjutan untuk menangani ketidakseimbangan kelas yang ekstrem. Penelitian ini memberikan pemahaman tentang kelebihan dan keterbatasan algoritma dalam klasifikasi aritmia, serta menjadi dasar bagi penelitian selanjutnya di bidang ini.