Myocardial Infraction (MI) merupakan salah satu kondisi umum penyakit kardiovaskular dimana kondisi ketika area di otot jantung mati atau rusak secara permanen. Dalam studi ini, diperkenalkan deteksi MI menggunakan statistik segmen ST dengan berbagai fitur seperti rata-rata (f1), deviasi standart (f2), maksimal (f3), minimal (f4), dan tengah (f5). Normalisasi dari agar data yang diperoleh skala atau rentang yang telah ditentukan. Berbagai algoritme pembelajaran mesin (machine learning) digunakan untuk mendeteksi MI dan membandingkan kinerja setiap algoritme machine learning. Algoritma machine learning yang digunakan adalah Jaringan Syaraf Tiruan (JST) , K-Nearest Neighbours (K-NN), dan Linear Discriminant Analysis (LDA). Penelitian menunjukan bahwa hasil akurasi deteksi MI yang tertinggi menggunakan klasifikasi metode K-NN dan LDA dengan fitur gabungan (f4f2) dan (f1f3f4f5) masing-masing 98,85%. Nilai sensitivitas yang tertinggi menggunakan klasifikasi metode LDA sebesar 94,44% dengan fitur gabungan (f1f3f4f5) di lead avl, sedangkan nilai spesifisitas yang tertinggi menggunakan klasifikasi metode JST, K-NN, dan LDA dengan fitur (f1), fitur gabungan (f4f2), dan (f1f3f4f5) masing-masing 100%. Kinerja sensitivitas terendah menggunakan metode JST dengan fitur tunggal (f1) dari lead v1 sebesar 0%. Kinerja deteksi MI nilai tertinggi untuk masing-masing klasifikasi menggunakan lead yang berbeda begitu juga dengan fitur, sehingga secara keseluruhan hasil terbaik di penggunaan lead tidak bisa ditentukan dan memperoleh hasil yang berbeda-beda.