Deteksi dini Myocardial Infarction (MI) sangat penting untuk mengurangi angka kematian akibat penyakit kardiovaskular. Namun, penelitian tentang penggunaan sinyal PCG untuk deteksi MI masih terbatas, dan kompleksitas komputasi model pembelajaran mendalam sering kali menghalangi aplikasi praktis. Studi ini mengembangkan model lightweight deep learning berbasis Convolutional Neural Network (CNN) untuk mendeteksi MI menggu nakan sinyal PCG. Model ini dirancang agar efisien secara komputasi dengan tetap mem pertahankan akurasi diagnostik yang tinggi. Teknik prapemrosesan seperti denoising dan ekstraksi fitur diterapkan untuk meningkatkan kinerja model. Evaluasi dilakukan dengan membandingkan tiga fungsi aktivasi utama: ReLU, Leaky ReLU, dan PReLU, serta men guji performa model pada perangkat berbeda, yaitu laptop Windows 11 dan Raspberry Pi. Model dengan Leaky ReLU mencapai spesifikasi tertinggi dengan spesifisitas 97,1%, sensitivitas 97,8%, dan akurasi 97,5%. Pada skenario kedua, model lightweight CNN den gan fungsi aktivasi PReLU yang dimodifikasi diterapkan pada Raspberry Pi. Hasil menun jukkan bahwa implementasi ini menghasilkan akurasi validasi 93,3% dan akurasi pengujian 94,6%, dengan waktu pemrosesan 12,0 ms dan penggunaan memori sebesar 139848 KB. Meskipun performa lebih rendah dibandingkan implementasi di laptop, model ini tetap me nunjukkan potensi untuk aplikasi pada perangkat dengan sumber daya terbatas. Hasil ini menunjukkan bahwa model Lighweight CNN dapat digunakan untuk deteksi MI yang lebih cepat dan hemat biaya, serta berpotensi diaplikasikan dalam perangkat portabel berbiaya rendah untuk pemantauan kesehatan jantung.