Aritmia, salah satu subset penting dari penyakit kardiovaskular dan penyebab utama morbiditas serta mortalitas, disebabkan oleh detak jantung yang tidak teratur sehingga mengganggu irama normal jantung. Deteksi aritmia yang akurat sangat penting untuk diagnosis dan pengobatan yang tepat waktu, yang dapat dicapai melalui sinyal elektrokardiogram (EKG). Studi ini menyajikan model hibrida Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) untuk klasifikasi aritmia, dengan memanfaatkan representasi spektrogram dari sinyal ECG. CNN mengekstraksi fitur spasial dan temporal dari spektrogram, sementara SVM mengklasifikasikan lima kelas aritmia: Normal (N), Supra-ventricular premature (S), Ventricular escape (V), Fusion of ventricular and normal (F), dan Unclassified (Q). Teknik pra-pemrosesan seperti denoising wavelet dan Short-Time Fourier Transform (STFT) diterapkan untuk meningkatkan kualitas sinyal dan memfasilitasi ekstraksi fitur yang lebih kuat. Model yang diusulkan dilatih dan dievaluasi menggunakan MIT-BIH Arrhythmia Database, dengan hasil weighted F1-score sebesar 0.985, menunjukkan kemampuannya dalam menangani dataset yang tidak seimbang secara efektif. Metrik per kelas menunjukkan presisi, recall, dan F1-score yang tinggi untuk kelas mayoritas serta performa yang baik untuk kelas yang kurang terwakili, meskipun ada ketidakseimbangan yang melekat. Temuan ini menyoroti potensi model hibrida untuk klasifikasi aritmia dengan mengintegrasikan kekuatan ekstraksi fitur dari CNN dan kemampuan klasifikasi yang presisi dari SVM. Penelitian selanjutnya di masa yang akan datang dapat mengatasi ketidakseimbangan dataset melalui teknik augmentasi dan mengeksplorasi generalisasi model dengan pengujian pada dataset yang lebih besar dan beragam, membuka jalan untuk penerapannya dalam skenario klinis dunia nyata.