Pneumonia adalah infeksi yang menyebabkan peradangan pada kantung udara di paru paru dan dapat berakibat fatal, terutama pada anak-anak. Penelitian ini menggunakan Convolutional Neural Network (CNN) dengan arsitektur ResNet152V2 dan DenseNet 201 untuk mengklasifikasikan citra X-Ray dada dalam mendeteksi pneumonia. Dataset penelitian terdiri dari 5840 citra yang dibagi menjadi dua kelas: Pneumonia dan Normal, dengan pembagian 70% untuk pelatihan, 20% untuk validasi, dan 10% untuk pengujian. Proses preprocessing melibatkan pemisahan data dan pengubahan ukuran citra. Model dikembangkan dengan menerapkan konvolusi menggunakan kernel Sharpen, fungsi aktivasi ReLU, dan Maxpooling2D. Hasil evaluasi menunjukkan bahwa kedua model mencapai akurasi sebesar 91%. Model ResNet152V2 menghasilkan precision 90% untuk kelas Normal dan 91% untuk Pneumonia, serta recall 85% dan 95% masing-masing. DenseNet-201 menghasilkan precision 93% untuk kelas Normal dan 90% untuk Pneumonia, serta recall 81% dan 96% masing-masing. Nilai AUC untuk kedua model menunjukkan kualitas yang sangat baik dalam membedakan antara kedua kelas. Kesimpulannya, kedua arsitektur CNN yang digunakan dalam penelitian ini menunjukkan performa yang baik dalam mendeteksi pneumonia pada citra X-Ray dada, dengan DenseNet-201 menunjukkan sedikit keunggulan dalam beberapa metrik performa.

Pneumonia is an infection that causes inflammation in the air sacs of the lungs and can be deadly, especially for kids. This study uses Convolutional Neural Networks (CNN) with ResNet152V2 and DenseNet-201 architectures to classify chest X-Ray images to detect pneumonia. The dataset has 5840 images divided into two classes: Pneumonia and Normal, split into 70% for training, 20% for validation, and 10% for testing. The preprocessing steps included splitting the data and resizing the images. The models used convolution with a Sharpen kernel, ReLU activation functions, and Maxpooling2D layers. Both models achieved an accuracy of 91%. ResNet152V2 had a precision of 90% for the Normal class and 91% for Pneumonia, with recall rates of 85% and 95%, respectively. DenseNet-201 had a precision of 93% for Normal and 90% for Pneumonia, with recall rates of 81% and 96%, respectively. The AUC values for both models showed excellent ability to distinguish between the two classes. In conclusion, both CNN architectures performed well in detecting pneumonia from chest X-Ray images, with DenseNet-201 showing a slight edge in some performance metrics.