Aritmia merupakan gangguan irama jantung yang menuntut deteksi dini dan pemantauan kontinu, sementara pendekatan konvensional sering terkendala ketidakseimbangan kelas dan keterbatasan pemodelan konteks temporal panjang. Penelitian ini merancang dan mengevaluasi tiga arsitektur Transformer—BERT, Encoder-only, dan Decoder-only—untuk klasifikasi aritmia berbasis sinyal EKG pada dua skema segmentasi: detak jantung (N, L, R, V, Q) dan irama jantung (N, AFIB, VFL). Dataset MIT-BIH Arrhythmia, Atrial Fibrillation, dan Malignant Ventricular Arrhythmia digunakan; ketidakseimbangan kelas ditangani melalui augmentasi sintetis terarah menggunakan Conditional ECG-GAN (CECG-GAN). Evaluasi meliputi akurasi, sensitivitas, spesifisitas, dan F1-score, serta uji implementasi web–IoT (backend Flask, inferensi TensorFlow Serving, frontend React.js) dengan target latensi < 200 ms. Hasil menunjukkan BERT konsisten unggul pada kedua segmentasi: pada detak jantung (model bertuning) mencapai akurasi 99,55%, sensitivitas 98,75%, spesifisitas 99,66%, dan F1-score 98,79%; pada irama jantung mencapai akurasi 97,60%, sensitivitas 97,31%, spesifisitas 98,83%, dan F1-score 97,45%. Model Decoder-only dan Encoder-only menjadi kompetitif setelah penalaan hiperparameter dan augmentasi, dengan akurasi mendekati 97–98% dan spesifisitas > 98% pada skenario terbaik. Uji fungsional sistem web–IoT membuktikan keterlaksanaan end-to-end dengan latensi < 200 ms dan akurasi fungsional 100% pada beragam skenario, menegaskan kesiapan untuk pemantauan real-time. Disimpulkan bahwa BERT layak menjadi pilihan utama, Decoder-only memerlukan penalaan agresif, dan Encoder-only stabil khususnya untuk segmentasi irama; agenda lanjutan diarahkan pada validasi patient-wise/lintas-dataset, kalibrasi probabilitas, serta distilasi/kuantisasi untuk efisiensi di perangkat tepi.