<![CDATA[Penyakit paru-paru, seperti pneumonia dan COVID-19, merupakan ancaman serius terhadap kesehatan masyarakat, terutama jika diagnosisnya mengalami keterlambatan. Pendekatan deteksi dini melalui citra X-ray dada banyak digunakan, namun akurasinya sangat bergantung pada kemampuan sistem klasifikasi. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi citra X-ray paru-paru dengan mengimplementasikan metode deep learning menggunakan arsitektur ResNet-101 yang dioptimasi menggunakan teknik Bayesian Optimization. Dataset yang digunakan dalam penelitian ini terdiri dari tiga kelas yaitu Normal, Pneumonia, dan COVID-19, masing-masing sejumlah 1.000 citra. Kinerja model hasil optimasi dibandingkan dengan model baseline pada tiga skenario split data yaitu 90:10, 80:20, 70:30. Hasil penelitian mengindikasikan bahwa model yang telah dioptimasi mampu meningkatkan performa pada seluruh metrik evaluasi mencakup akurasi, presisi, recall, spesifisitas, dan F1-score. Akurasi tertinggi tercatat sebesar 93,83% pada skenario 80:20, melampau akurasi baseline yang sebesar 91,83. Selain itu, kurva akurasi dan loss menunjukkan proses training yang stabil dan konvergen secara cepat tanpa indikasi overfitting yang signifikan. Penerapan Bayesian Optimization terbukti efektif dalam menemukan konfigurasi hyperparameter optimal yang berdampak pada peningkatan dalam tiap metrik evaluasi]]>
