didiagnosa menggunakan standar ECG. dengan menggunakan ECG, para dokter dapat menganalisis aktifitas elektrik jantung dan menentukan tipe dari Aritmia yang diderita oleh pasien. Pada penelitian ini, proses pengenalan Aritmia dilakukan secara otomatis menggunakan pendekatan jaringan saraf tiruan. Proses ini dibagi menjadi tiga tahap yaitu; pemrosesan data, ekstraksi fitur dan proses pengenalan oleh jaringan saraf. Pada proses pengolahan data awal, sinyal ECG disegmentasi menjadi satuan beat dengan menggunakan puncak gelombang R sebagai pivot, dan dilanjutkan dengan proses baseline wander removal dan outlier removal. Transformasi Wavelet kemudian dilakukan untuk mengekstraksi dan mereduksi fitur. Setiap beat tunggal kemudian diklasifikasi menjadi 6 dan 12 kelas menggunakan metode baru yang dikembangkan disebut Fuzzy-Neuro Learning Vector Quantization (FNGLVQ) yang merupakan adaptasi metode Fuzzy-Neuro kedalam GLVQ yang dikembangkan oleh A.Sato. Hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengenalan beat Aritmia 6 kelas menggunakan metode FNGLVQ sebesar 98.53% dan untuk 12 kelas sebesar 96.33% dimana metode yang dikembangkan memberikan hasil yang lebih baik daripada GLVQ sebesar 97.03% dan 94.13% untuk 6 kelas dan 12 kelas. Disamping itu, FNGLVQ memberikan hasil yang lebih baik untuk data yang tidak seimbang dengan nilai rata-rata recall mencapai 86.23% lebih baik dari GLVQ sebesar 82.12%.