Aritmia merupakan gangguan irama jantung yang umum terjadi dan elektrokardiogram (EKG) sudah diakui sebagai standar baku (gold standard) dalam mendeteksi aritmia, namun keterbatasan ketersediaan data medis berlabel menjadi tantangan besar dalam melatih model deep learning secara efektif. Penelitian ini bertujuan untuk mengeksplorasi penerapan Few-Shot Learning (FSL) dalam prediksi aritmia berbasis sinyal EKG, dengan pendekatan metric-based. Metode yang diusulkan memanfaatkan berbagai model pre-trained sebagai feature extractor untuk merepresentasikan sinyal EKG dalam bentuk vektor fitur berdimensi tinggi, yang selanjutnya dipetakan ke ruang embedding. Proses pembelajaran dilakukan secara episodik dengan skema 2-way classification dan pengaturan 1-shot, 5-shot, serta 10-shot, menggunakan beberapa metode FSL, yaitu Prototypical Networks, Matching Networks, Relation Networks, dan Siamese Networks, dengan pemisahan kelas antara fase meta–training dan meta–testing. Hasil eksperimen menunjukkan bahwa pendekatan FSL mampu melakukan generalisasi yang efektif pada skenario data terbatas, dengan performa terbaik diperoleh oleh kombinasi representasi fitur HuBERT-ECG dan Relation Networks. Pendekatan tersebut mencapai akurasi sebesar 82,30% pada skenario 1-shot, 87,30% pada skenario 5-shot, dan 87,46% pada skenario 10-shot, serta menunjukkan peningkatan yang konsisten seiring bertambahnya jumlah contoh pendukung. Secara keseluruhan, penelitian ini menyimpulkan bahwa kualitas representasi fitur awal memiliki peran krusial dalam keberhasilan FSL, dan bahwa pembelajaran berbasis metrik merupakan pendekatan yang efektif untuk klasifikasi aritmia berbasis EKG dalam kondisi keterbatasan data.