Meski teknologi Machine Learning dan Deep Learning sudah digunakan secara luas dan menunjukkan tingkat akurasi yang tinggi dalam banyak aplikasi, termasuk di bidang kesehatan, aplikasi dalam deteksi dini penyakit jantung masih memiliki ruang untuk peningkatan. Diperlukan penelitian lebih lanjut untuk meningkatkan akurasi dan efisiensi proses ini. Penelitian ini bertujuan untuk memahami dan memperbaiki proses ekstraksi sinyal EKG dan klasifikasi berbasis Machine Learning dan Deep Learning. Pada dasarnya, penelitian ini bertujuan untuk mengevaluasi dan membandingkan berbagai model, dengan fokus pada model Random Forest dan Convolutional Neural Networks (CNN). Penelitian ini melakukan tinjauan terhadap beberapa penelitian terkait, khususnya yang berfokus pada proses ekstraksi dan klasifikasi sinyal EKG dengan menggunakan Machine Learning dan Deep Learning. Setelah ekstraksi dan klasifikasi data, proses evaluasi dan komparasi dilakukan untuk menentukan model dengan performa terbaik. Dari penelitian yang telah dilakukan, ditemukan bahwa metode Machine Learning pada umumnya menunjukkan tingkat akurasi antara 97.02% - 99.66%, dengan metode Random Forest memiliki akurasi sebesar 97.02%. Sedangkan metode CNN menunjukkan tingkat akurasi yang lebih tinggi, yaitu antara 98.75% - 100%. Dengan demikian, penelitian ini mengkonfirmasi keunggulan CNN dalam proses klasifikasi ini, dan menunjukkan potensi untuk penggunaan lebih lanjut dalam pendeteksian dini penyakit jantung.