Penyakit kardiovaskular atau penyakit jantung merupakan penyebab kematian utama di seluruh dunia. Phonocardiography (PCG) menjadi alternatif yang efektif untuk mendeteksi penyakit jantung melalui analisis suara jantung karena hemat biaya, serta sinyal PCG memberikan detail tentang penyakit jantung tertentu. Penelitian ini bertujuan untuk mengembangkan model deteksi otomatis penyakit jantung menggunakan arsitektur deep learning gabungan 1D-CNN dan BiLSTM. Fokus penelitian adalah meningkatkan performa model dengan menghilangkan noise menggunakan Savitzky–Golay filter, mengekstraksi fitur berbasis waktu dan frekuensi, serta mereduksi dimensi fitur dengan Principal Component Analysis. Dataset yang digunakan adalah PhysioNet/CinC 2016 dengan total 3126 rekaman PCG. Model yang diusulkan terdiri dari tiga lapisan convolutional, satu lapisan BiLSTM, dan beberapa lapisan fully connected untuk klasifikasi. Hasil evaluasi menunjukkan bahwa model mencapai sensitivitas 96,16%, spesifisitas 91,02%, akurasi 93,60%, dan skor akhir 93,59%. Dibandingkan dengan metode sebelumnya, pendekatan ini menunjukkan sensitivitas yang lebih tinggi, yang menunjukkan kemampuan mendeteksi suara jantung abnormal secara lebih baik. Kemampuan ini penting untuk diagnosis dini dan pencegahan komplikasi.