Myocardial Infarction (MI), yang dikenal sebagai serangan jantung, adalah penyakit jantung yang menyebar luas dan menjadi salah satu penyebab utama kematian global. Deteksi dini dan pengobatan yang cepat sangat penting untuk mengurangi kematian terkait MI, Penanganan yang terlambat dapat menyebabkan kerusakan miokard yang tidak dapat diperbaiki, gagal jantung kronis, atau kematian jantung mendadak. Kesalahan diagnosis atau diagnosis yang terlambat memberikan beban signifikan pada sistem layanan kesehatan serta membebani pasien dengan penderitaan berkepanjangan dan kecacatan jangka panjang. Elektrokardiogram (EKG) 12-lead adalah alat vital untuk penilaian awal MI karena aksesibilitas, non-invasif, dan biayanya yang efisien. Namun, interpretasi EKG manual bisa menjadi sulit karena variabilitas dan noise pada sinyal. Keterbatasan personel non-spesialis juga dapat menyebabkan salah diagnosis atau diagnosis yang terlambat. Hal ini menyoroti kebutuhan mendesak akan sistem diagnostik otomatis canggih yang menggunakan pemrosesan sinyal dan pembelajaran mesin untuk meningkatkan akurasi dan efisiensi. Penelitian ini mengusulkan kerangka kerja ensemble learning yang dapat ditafsirkan dan efisien untuk deteksi dan lokalisasi MI menggunakan LightGBM. Metodologi ini memanfaatkan ekstraksi fitur morfologis dari sinyal EKG 12- lead dari database Physikalisch-Technische Bundesanstalt (PTB), mengikuti proses penghilangan noise dan segmentasi detak jantung. LightGBM dipilih karena efisiensi komputasi yang unggul, kecepatan pelatihan yang lebih cepat, dan penggunaan memori yang lebih sedikit, sehingga sangat cocok untuk dataset EKG berdimensi tinggi. Penelitian ini mencapai akurasi 99.89% untuk deteksi dan lokalisasi MI dengan parameter yang telah dituning dan 99.81% dengan parameter default, yang menunjukkan potensi metode ini untuk diagnosis MI yang akurat dan efisien.