Penelitian ini berfokus pada deteksi infark miokard (Myocardial Infar-
ction) menggunakan metode hybrid deep learning pada sinyal phonocardio-
gram (PCG). Kami mengusulkan model hybrid yang menggabungkan Convo-
lutional Neural Network (CNN) dengan Long Short-Term Memory (LSTM),
Bidirectional LSTM (BiLSTM), dan Gated Recurrent Unit (GRU). Kinerja
algoritma-algoritma ini dibandingkan untuk menentukan yang paling efektif
dalam deteksi infark miokard (Myocardial Infarction). Ekstraksi fitur meli-
batkan enam metode yaitu wavelet, MFCC, ZCR, Spectral Cotrast, Shannon
Entropy, dan RMS, menghasilkan 46 fitur untuk analisis.
Analisis menunjukkan bahwa model CNN-LSTM, CNN-BiLSTM, dan CNN-
GRU non-tuning menunjukkan model yang kurang robust karena inkonsistensi
dalam dataset pelatihan dan validasi. Namun, versi tuning dari model-model
tersebut menunjukkan peningkatan signifikan. CNN-LSTM yang di tuning
mencapai akurasi 92.86%, presisi 94.38%, dan skor F1 93.33%. Tuning CNN-
BiLSTM menghasilkan akurasi yang serupa tetapi presisi dan skor F1 sedikit
lebih rendah. Secara mencolok, model Tuning CNN-GRU mengungguli yang
lain, mencapai akurasi tertinggi 94.05%, presisi 92.47%, dan skor F1 94.51%,
menunjukkan konsistensi yang kuat antara dataset pelatihan dan validasi. Stu-
di ini menekankan pentingnya penyetelan dalam meningkatkan kinerja dan
keandalan model hybrid deep learning dalam deteksi penyakit kardiovaskular.