Pneumonia merupakan penyakit infeksi pada paru-paru sekaligus salah satu penyebab utama kematian di dunia. Diagnosis pneumonia umumnya dilakukan oleh seorang radiolog melalui analisis citra rontgen dada, yang merupakan proses memakan waktu serta berisiko menimbulkan kesalahan diagnostik. Teknologi deep learning, khususnya Convolutional Neural Network (CNN), menawarkan solusi diagnosis otomatis dengan tingkat akurasi yang tinggi. Penelitian ini membandingkan performa berbagai arsitektur CNN pre-trained, antara lain ResNet (50, 101, 152), InceptionV3, VGG-16, DenseNet (121, 169), MobileNet (V1, V2), serta EfficientNet (B1, B7) dalam mendeteksi pneumonia menggunakan citra rontgen dada. Dataset yang digunakan terdiri atas 441 citra pneumonia yang diperoleh dari Rumah Sakit Pusat Pertamina dan 234 citra normal yang diunduh dari repositori Mendeley Data. Data tersebut dibagi menjadi tiga bagian, yaitu data latih (541 citra), data validasi (134 citra), dan data uji (675 citra), dengan tahap praproses yang meliputi rescaling dan data augmentation. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, serta analisis confusion matrix. Hasil eksperimen menunjukkan bahwa arsitektur DenseNet-169 memberikan kinerja terbaik dengan akurasi sebesar 99,40% dan F1-score sebesar 0,9954. Sementara itu, arsitektur EfficientNet-B7 menunjukkan kinerja terendah dengan akurasi sebesar 65,33%. Penelitian ini menunjukkan pentingnya pemilihan arsitektur CNN yang tepat untuk penerapan di bidang klinis.