Diagnosis penyakit jantung dari citra Elektrokardiogram (EKG) merupakan tantangan klinis karena memerlukan interpretasi manual yang subjektif dan memakan waktu. Penelitian ini mengembangkan sistem klasifikasi otomatis dengan input berupa citra EKG 12-lead dan output berupa salah satu dari empat kelas diagnostik.
Otomatisasi interpretasi EKG sangat penting untuk meningkatkan efisiensi dan standardisasi diagnosis. Namun, penelitian yang ada seringkali hanya fokus pada satu arsitektur deep learning dengan satu metode persiapan data, sehingga belum ada studi sistematis yang membandingkan dampak berbagai strategi representasi data dan arsitektur secara adil.
Penelitian ini menggunakan pendekatan dua tahap. Pertama, dilakukan eksplorasi tiga strategi representasi data untuk menentukan pipeline preprocessing yang paling efektif. Kedua, pipeline terbaik tersebut digunakan untuk melatih dan membandingkan kinerja tiga arsitektur transfer learning multi-input yang berbeda, yaitu MobileNetV2, ResNet50, dan InceptionV3, guna menemukan model dengan performa paling unggul.
Hasil eksperimen menunjukkan bahwa strategi preprocessing yang memisahkan sinyal 12-lead dan long-lead memberikan kinerja terbaik. Pada tahap perbandingan model, arsitektur ResNet50 menunjukkan performa paling unggul dengan mencapai akurasi tes final sebesar 94,09% dan F1-Score makro 93,89%. Penelitian ini membuktikan bahwa arsitektur multi-input berbasis ResNet50, yang didukung oleh pipeline data yang optimal, merupakan solusi yang efektif dan andal untuk klasifikasi penyakit jantung dari citra EKG.
Kata Kunci: klasifikasi ekg, deep learning, transfer learning, convolutional neural network, pemrosesan citra, multi-input model