Penelitian ini membahas penerapan empat arsitektur Deep Learning, yaitu CNN, LSTM, RNN, dan GRU untuk klasifikasi sinyal electrocardiogram (ECG) dalam mendeteksi jenis aritmia jantung. Dataset yang digunakan adalah MIT-BIH Arrhythmia dengan lima kelas: Normal, Atrial Premature, Premature Ventricular Contraction, Fusion of Ventricular and Normal, serta Fusion of Paced and Normal. Setiap model diuji dalam hal akurasi, precision, recall, dan F1-Score. Hasil pengujian menunjukkan bahwa model CNN memberikan performa terbaik dengan akurasi sebesar 0.98, precision 0.92, recall 0.90, dan F1-Score 0.91. GRU juga menunjukkan performa yang sangat baik dengan akurasi 0.98 dan F1-Score 0.90. Model LSTM menunjukkan hasil cukup baik namun masih lemah dalam mengklasifikasi kelas tertentu, sedangkan RNN memiliki performa terendah. Hasil ini menunjukkan bahwa CNN dan GRU merupakan model yang paling efektif dan konsisten untuk klasifikasi sinyal ECG pada deteksi aritmia jantung.