Aritmia merupakan salah satu penyakit kelainan pada irama jantung dan beberapa pasien yang menderita aritmia tidak merasakan gejala apapun, maka perlu adanya otomatisasi deteksi dini untuk aritmia dengan menggunakan elektrokardiogram. Penelitian yang ada telah melakukan klasifikasi dengan beberapa metode data mining. Pada penelitian ini transformasi untuk pemrosesan sinyal menggunakan Discrete Wavelet Transform dimana terjadi proses filterisasi yang memisahkan sebuah sinyal menjadi sinyal berfrekuensi tinggi dan rendah tanpa menghilangkan informasi dari sinyal dan dilakukan dengan dekomposisi dua tingkat. Selanjutnya dilakukan normalisiasi data menggunakan min-max normalization lalu dimasukan ke dalam model klasifikasi menggunakan metode Support Vector Machine dengan kernel Gaussian Radial Basis Function dengan Naive Bayes dan K-Nearest Neighbor. Data yang digunakan masing-masing berjumlah 140 data dengan masing-masing 35 data untuk setiap labelnya. Pada penelitian ini menunjukan hasil pada dekomposisi level 1 didapatkan akurasi tertintinggi pada db7 untuk klasifikasi Support Vector Machine menghasilkan akurasi 73,57%, Naive Bayes 68,57%, K-Nearest Neighbor dengan k=3 menghasilkan akurasi 59,64%, K-Nearest Neighbor dengan k=5 menghasilkan akurasi 63,57% sedangkan pada level 2 didapatkan akurasi tertintinggi pada db6 dan db8 dengan model klasifkasi untuk Support Vector Machine menghasilkan akurasi 70,71%, Naive Bayes 67,50%, K-Nearest Neighbor k=3 menghasilkan akurasi 66,07%, K-Nearest Neighbor dengan k=5 menghasilkan akurasi 65%. Disimpulkan bahwa akurasi tertinggi dihasilkan oleh dekomposisi level 1 dengan klasifikasi Support Vector Machine serta menunjukan bahwa jenis wavelet Daubechies memiliki hasil yang lebih baik dibandingkan wavelet Haar.