Diagnosis dini penyakit pernapasan sulit dilakukan karena analisis suara paru paru membutuhkan keterampilan profesional medis. Penyakit pernapasan adalah salah satu penyebab utama kematian di dunia, sehingga deteksi dini sangatlah penting. Identifikasi otomatis dimungkinkan oleh kecerdasan buatan. Namun, data suara paru-paru tidak terstruktur, sementara kecerdasan buatan sering kali membutuhkan data yang terstruktur. Oleh karena itu, ekstraksi fitur diperlukan untuk menyusun data suara. Teknik tradisional seperti Mel-Frequency Cepstral Coefficients (MFCC) sering digunakan, tetapi menghasilkan fitur dan informasi yang terbatas secara dimensi dan kedalaman informasi. Penelitian ini menggunakan pendekatan deep feature, yang menghasilkan fitur dengan struktur yang lebih mendalam, sebagai solusi. Penelitian ini menerapkan tiga arsitektur Convolutional Neural Network sebagai deep feature, yaitu VGG-16, DenseNet 121, dan ResNet-50, dengan klasifikasi machine learning, yaitu Random Forest, Support Vector Machine (SVM), Naïve Bayes, dan K-Nearest Neighbors (KNN). Penelitian ini akan mengidentifikasi kombinasi metode terbaik yang optimal. Hasil dari penelitian ini menunjukkan bahwa klasifikasi penyakit pernapasan dapat menggabungkan deep feature dan klasifikasi machine learning. Hasil 10 fold cross validation menunjukkan bahwa ketiga arsitektur CNN berkinerja terbaik pada SVM dengan kernel linier. Akurasi VGG-16 adalah 70,63%, ResNet 50 adalah 64,93%, dan DenseNet-121 adalah 73,58%.