<![CDATA[Pneumonia merupakan salah satu penyakit paru-paru yang disebabkan oleh bakteri, virus, jamur, ataupun parasit. Kantung udara dipenuhi oleh cairan sehingga menyebabkan sesak dan batuk berdahak. Pengamatan kondisi paru-paru pasien dilakukan paramedis melalui foto rontgen (X-rays). Foto rontgen ini memiliki biaya yang murah di bandingan dengan diagnosis dengan alat medis yang lain yang mempunyai kemiripan fungsinya. Pada penelitian ini mengunakan foto rontgen untuk mendeteksi foto rontgen yang paru paru normal serta yang terkena penyakit pneumonia mengunakan metode Convolutional Neural Network (CNN) yang di preprocessing citra digitalnya dengan standard deviasi. Penelitian ini dilakukan dengan tujuan untuk mengklasifikasikan hasil x-rays kedalam sebuah program untuk mengetahui apakah terdapat pneumonia atau tidak. Dalam penelitian ini menghasilkan akurasi sebesar 98% untuk gambar yang di preprocessing mengunakan standard deviasi serta 90% yang hanya mengunakan metode Convolutional Neural Network (CNN). Hasil tersebut mengunakan data foto rontgen sebanyak 624 gambar yang terdiri dari 2 kelas yaitu kelas paru paru normal dan paru terkena pneumonia. Dari total tersebut dimana total gambar yang normal sebanyak 234 dan yang terkena penyakit 390 gambar. Fungsi aktivasi Convolutional Neural Network (CNN) menggunakan fungsi Rectifier Linear Unit (ReLU), fungsi optimasi Adam, dan epoch sebanyak 200. Optimasi Adam merupakan pengembangan dari optimasi yang sudah ada seperti Stochastic Gradient Descending (SGD), AdaGard, dan RMSProp. Hasil klasifikasi model yang dibangun sebesar 99,98% untuk data latih dengan 100 epoch, dan akurasi pada data uji sebesar 78% yang berarti model mampu mengkualifikasi 78% data uji ke dalam kelas normal dan pneumonia dengan tepat. Berdasarkan hasil pengujian, diperoleh rata-rata nilai akurasi dan rata-rata nilai loss secara sekuensial sebesar 89,58% dan 47,43%. Hasil pengujian ini menunjukkan bahwa metode Convolutional Neural Network (CNN) cukup mampu untuk melakukan klasifikasi kasus pneumonia]]>
