Virus corona dapat menyebabkan infeksi saluran pernafasan seperti pneumonia, pilek, bersin, dan batuk pada manusia, sementara pada hewan dapat mengakibatkan diare dan penyakit saluran pernafasan atas. Virus tersebut ditemukan telah menyebar di banyak negara dengan cepat melalui droplet udara. Gejala umum pada pasien positif covid-19 yaitu batuk (57%), demam (34%), dan kesulitan bernafas atau dyspnea (22%). Dikarenakan batuk memiliki presentase tinggi terhadap gejala umum pasien positif covid-19, peneliti memilih untuk menggunakan kecerdasan buatan sebagai alat untuk mendeteksi penyakit COVID-19 menggunakan suara batuk. Penelitian ini bertujuan untuk mengetahui nilai AUC yang dihasilkan oleh model hybrid CNN+LSTM pada klasifikasi penyakit COVID-19 berdasarkan data audio batuk dengan gambar MelSpectogram. Model CNN+LSTM dilatih menggunakan dataset Vifury untuk meningkatkan kinerja dan akurasi dalam mendeteksi COVID-19. Data audio tersebut diolah melalui 2 cara, yaitu dengan fragmentasi dan segmentasi, lalu diubah menjadi gambar mel-spectogram, dan selanjutnya dilakukan pelatihan dan validasi dengan empat arsitektur, yaitu AlexNet, VGG-19, LeNet-5, dan ResNet-152. Performa terbaik dihasilkan oleh data audio fragmentasi dengan arsitektur Lenet-5 dengan parameter terbaik pada epoch 50, batchsize 8, learning rate 0.0001, dan optimizer adam pada durasi 2 detik, nilai AUC nya sebesar 0.99. Performa terbaik yang dihasilkan oleh data audio segmentasi dengan arsitektur ResNet-50 dengan parameter terbaik epoch 60, batch size 16, learning rate 0.0001, dan optimizer adam menghasilkan AUC sebesar 0.96