Infark Miokard (MI) adalah penyakit kardiovaskular yang serius dengan
tingkat kematian yang tinggi di seluruh dunia. Deteksi dini dan pengobatan
yang konsisten dapat mengurangi kematian dini akibat penyakit kardiovasku-
lar. Namun, model yang efisien diperlukan untuk deteksi dini penyakit jantung
tanpa memerlukan ahli klinis yang terlatih. Penelitian MI menggunakan sinyal
PCG yang mengimplementasikan model pembelajaran ensemble masih jarang
dilakukan dengan akurasi yang buruk dan tingkat deteksi yang rendah. Peneli-
tian ini bertujuan untuk mengimplementasikan model pembelajaran ensembel
untuk mengklasifikasikan MI menggunakan sinyal phonocardiogram (PCG) ke
dalam beberapa kelas yang berbeda. Pada tahap penelitian ini, beberapa algo-
ritma klasifikasi seperti Random Forest dan Logistic Regresion, dan AdaBoost
digunakan sebagai model dasar untuk pembelajaran ensembel berdasarkan fi-
tur yang diekstrak dari sinyal audio. Setelah mengevaluasi kinerja model,
hasilnya dari setiap model menunjukkan boosting 97%, bagging 97%, dan stac-
king memiliki akurasi sebesar 96%. Hasil ini menunjukkan bahwa sistem kami
dapat mengklasifikasikan MI dalam data PCG dengan tepat dan dengan aku-
rasi yang tinggi. Kami percaya bahwa hasil penelitian ini akan meningkatkan
diagnosis dan pengobatan serangan jantung secara lebih efektif dan akurat.
Kata Kunci: multiclass classification, myocardial infarction,
Phonocardiogram (PCG), ensemble learning.
ii