Pneumonia merupakan penyakit pernapasan yang dapat mengancam jiwa, khususnya bagi kelompok rentan seperti anak-anak dan lansia. Diagnosa pneumonia melalui citra X-ray dada memerlukan keahlian medis yang tinggi dan dapat memakan waktu. Oleh karena itu, dalam penelitian ini dikembangkan model klasifikasi pneumonia berbasis ResNet50 yang dibangun dari awal (scratch) untuk mendeteksi pneumonia secara otomatis dan akurat. Dataset yang digunakan dalam penelitian ini adalah Chest X-ray Images (Pneumonia) yang tersedia secara publik di Kaggle, yang terdiri dari dua kategori utama: Normal dan Pneumonia. Model dilatih dengan menggunakan optimizer Adam dan binary cross-entropy loss serta dievaluasi dengan berbagai metrik, seperti accuracy, precision, recall, dan F1-score. Untuk mengatasi tantangan yang dihadapi dalam pelatihan dari awal, langkah preprocessing seperti resize, normalisasi, dan data augmentation diterapkan untuk meningkatkan generalisasi model. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 95%, dengan nilai F1-score sebesar 0.95 untuk kedua kelas. Kurva ROC dengan nilai AUC sebesar 0.99 menunjukkan bahwa model memiliki kinerja klasifikasi yang sangat baik. Meskipun demikian, model masih mengalami beberapa kesalahan klasifikasi pada kasus false negatives, yang dapat diatasi dengan teknik fine-tuning lebih lanjut atau penggunaan transfer learning. Kesimpulan dari penelitian ini adalah bahwa model ResNet50 dari awal mampu memberikan performa yang baik dalam klasifikasi pneumonia, meskipun terdapat tantangan dalam keterbatasan data dan waktu komputasi yang diperlukan. |