Fibrilasi atrium adalah kelainan yang terjadi pada jantung dimana denyut yang diciptakan oleh jantung tidak beraturan dan cepat. Metode paling umum yang digunakan untuk mendeteksi adanya fibrilasi atrium adalah melalui pengambilan sinyal elektrokardiogram. Namun, ada kemungkinan setelah menganalisis sinyal yang sudah didapat dari elektrokardiogram tanda-tanda fibrilasi atrium tidak terdeteksi dan akhirnya berujung dengan kesalahan diagnosis. Sudah banyak studi yang dilakukan untuk meneliti kasus-kasus yang berkaitan dengan deteksi fibrilasi atrium. Banyak diantaranya menggunakan bantuan machine learning untuk mendeteksi ada atau tidaknya tanda-tanda fibrilasi atrium. Penelitian ini dilakukan dengan tujuan mengeksplorasi algoritma klasifikasi pada machine learning yang bisa digunakan untuk mendeteksi keberadaan fibrilasi atrium pada sinyal elektrokardiogram. Algoritma klasifikasi yang digunakan dalam penelitian ini merupakan algoritma klasifikasi Extreme Learning Machine (ELM), Relevance Vector Machine (RVM), dan Self-Organizing Maps (SOM). Hasil dari penelitian ini menunjukan bahwa model klasifikasi Relevance Vector Machine (RVM) memiliki performa yang lebih baik daripada kedua algoritma klasifikasi yang lain dengan nilai akurasi sebesar 93,75%, nilai sensitivitas sebesar 98,24%, dan nilai spesifisitas sebesar 89,09%.
Kata Kunci: Fibrilasi Atrium, Machine Learning, Extreme Learning Machine, Relevance