Penyakit COVID-19 kini dikenal sebagai penyakit baru dari varian Severe Acute Respiratory Syndrome CoronaVirus 2 (SARS-CoV2). Gejala umum di awal penyakit adalah demam (83-98%), kelelahan atau myalgia, batuk kering (76-82%) dan sesak napas (31-55%). Karena batuk merupakan gejala umum pada penyakit COVID-19 maka peneliti memanfaatkan kecerdasan buatan sebagai alat bantuk untuk mendeteksi penyakit COVID-19 berdasarkan suara batuk. Penelitian ini bertujuan untuk membandingkan kinerja enam arsitektur CNN yang berbeda (VGG-16, VGG-19, LeNet-5, AlexNet, ResNet-50, dan ResNet-152) untuk mendeteksi COVID-19 berdasarkan suara batuk menggunakan gambar mel-spectrogram. Enam arsitektur CNN ini dilatih dan divalidasi menggunakan dataset Virufy. Data audio diproses untuk menghasilkan gambar mel-spectrogram, yang digunakan sebagai input untuk arsitektur-arsitektur CNN tersebut. Performa terbaik didapatkan oleh arsitektur AlexNet menggunakan ukuran input 227x227 dengan AUC tertinggi sebesar 0.930303. Penelitian ini memberikan bukti bahwa CNN efektif dalam mendeteksi penyakit COVID-19 berdasarkan suara batuk menggunakan gambar mel-spectrogram dan menunjukkan bahwa ukuran input memiliki pengaruh pada performa arsitektur. Kontribusi utama dari penelitian ini adalah mengidentifikasi arsitektur CNN dengan performa terbaik untuk tugas deteksi COVID-19 berdasarkan suara batuk. Penelitian ini juga memberikan dasar yang diperlukan untuk memilih metode CNN yang tepat untuk digunakan dalam deteksi awal COVID-19.