<![CDATA[Infark miokard merupakan penyebab utama kematian akibat penyakit kardiovaskular di Indonesia. Elektrokardiogram (EKG) merupakan metode yang paling umum digunakan untuk mendeteksi perubahan aktivitas listrik jantung yang berkaitan dengan kondisi ini. Penelitian ini mengembangkan sistem klasifikasi sinyal EKG guna mendeteksi infark miokard menggunakan pendekatan hybrid yang menggabungkan Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM), serta membandingkan performanya dengan arsitektur Bidirectional LSTM (BiLSTM). Metode yang digunakan melibatkan dua model hybrid, yaitu CNN-LSTM dan CNN-BiLSTM, yang berperan dalam menangkap pola temporal dari sinyal EKG. Optimasi hyperparameter dilakukan menggunakan grid search dengan 5-fold cross-validation. Performa model dievaluasi berdasarkan akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil menunjukkan bahwa model CNN-LSTM menghasilkan akurasi sebesar 0,922, presisi 0,921, recall 0,922, F1-score 0,922, dan ROC-AUC 0,974. Model CNN-BiLSTM memberikan sedikit peningkatan performa dengan akurasi 0,923, presisi 0,924, recall 0,923, dan F1-score 0,924, meskipun ROC-AUC sedikit lebih rendah, yaitu 0,973. Meskipun BiLSTM memungkinkan pemrosesan temporal dua arah, peningkatan performa relatif kecil dan tidak signifikan dibandingkan kompleksitas arsitekturnya. Oleh karena itu, CNN-LSTM dinilai lebih efisien namun tetap efektif dalam klasifikasi sinyal EKG infark miokard. Kata kunci— infark miokard, EKG, CNN-LSTM, BiLSTM, klasifikasi sinyal, deep learning]]>
