Pneumonia merupakan infeksi yang menyebabkan peradangan pada kantong udara di satu atau kedua paru-paru yang biasanya disebabkan oleh bakteri, virus, dan jamur. Untuk mendeteksi penyakit pneumonia ini bisa menggunakan rontgen (X-Ray) ataupun CT scan. Akan tetapi yang sering digunakan adalah X-Ray karena lebih terjangkau. X-Ray juga memiliki kekurangan yaitu sulitnya mendeteksi penyakit tersebut. Sehingga untuk mendiagnosanya memerlukan waktu yang lama. Penyakit pneumonia ini sudah banyak dilakukan penelitian menggunakan metode CNN-ELM, SVM,KNN, dan mendapatkan akurasi sebesar 93,59% dan 80,77% untuk CNN-ELM, 62,66% dan 59,2% untuk SVM, 91,15% dan 93,63% untuk KNN.
Tugas akhir ini bertujuan untuk merancang dan membandingkan performa dari sistem untuk mampu mengklasifikasikan penyakit pneumonia. Pada penelitian ini klasifikasi dibagi menjadi 3 kelas, yaitu pneumonia bakteri, pneumonia virus, dan paru-paru normal. Dataset yang digunakan adalah Chest X-Ray dari Paul Mooney yang dapat diakses melalui website Kaggle yang berisi 5857 citra, tetapi pada penelitian ini hanya menggunakan 3000 citra, dimana 1000 citra untuk kelas normal, 1000 citra untuk kelas pneumonia virus, dan 1000 citra untuk kelas pneumonia bakteri.
Pada penelitian ini pengolahan citra menggunakan metode Convolution Neural Network (CNN). Penelitian ini juga akan menggunakan optimizer, yaitu Adaptive Momentum (Adam), Root Mean Square Propagation (RMSprop), Maximum Adaptive Moment Estimation (AdaMax), dan Nesterov-Accelerated Adaptive Moment Estimation (Nadam). Hasil akhir penelitian ini menunjukkan model terbaik yaitu pada optimasi Adam menggunakan learning rate 0.0001, batch size 8, dan epoch 100 dengan akurasi data latih 100% dan data uji 89,67%.