Penyakit kardiovaskular saat ini menjadi salah satu penyakit yang banyak menyebabkan kematian secara global, termasuk aritmia. Akan tetapi karena pembacaan sinyal aritmia memerlukan tingkat ketelitian yang tinggi sehingga diperlukan suatu metode yang dapat mengidentifikasi aritmia berdasarkan data sinyal ECG. Untuk itu deep learning disini dapat dimanfaatkan untuk melakukan klasifikasi aritmia, dengan menggunakan transformasi time-frequency untuk mengubah sinyal ECG menjadi bentuk 2D supaya dapat dipelajari oleh CNN (Convolutional Neural Network).
Penelitian menggunakan Teknik Sliding Window berdasarkan jumlah kompleks (PQRST) yang ada di setiap episode. Dimana hasil dari Teknik Sliding Window ini akan digunakan sebagai input untuk transformasi time-frequency. Hasil dari transformasi ini digunakan sebagai input untuk melakukan klasifikasi kelas aritmia menggunakan beberapa arsitektur (ResNet18, VGG16, EfficientNetB0) dari model CNN.
Melalui penelitian ini didapatkan bahwa hasil klasifikasi aritmia menggunakan transformasi sinyal CWT (Continuous Wavelet Transform) dengan arsitektur transfer learning EfficientNetB0 dan juga ukuran window 10 Kompleks lebih unggul dibandingkan dengan kombinasi lainnya. Hasil yang di dapat ialah akurasi sebesar 99%, Presisi 99,1%, Recall 99,1%, F1-Score 99,1%.