Penyakit pernapasan merupakan salah satu penyebab utama kematian di dunia, dengan Chronic Obstructive Pulmonary Disease (COPD) menempati peringkat ketiga tertinggi. Deteksi dini melalui auskultasi paru sangat penting, namun interpretasi suara paru masih bersifat subjektif dan bergantung pada keahlian praktisi. Oleh karena itu, diperlukan sistem klasifikasi otomatis berbasis kecerdasan buatan untuk meningkatkan akurasi dan objektivitas diagnosis. Penelitian ini bertujuan untuk mengukur kinerja klasifikasi suara paru menggunakan teknik ekstraksi fitur berbasis berbagai variasi Spectrogram dan model Long Short-Term Memory (LSTM). Data yang digunakan merupakan gabungan dataset ICBHI 2017 Challenge dan King Abdullah University Hospital (KAUH) yang telah melalui proses segmentasi, augmentasi, dan undersampling sehingga menghasilkan distribusi data lebih seimbang pada 10 kelas penyakit. Data audio dikonversi menjadi stacked spectrogram (STFT, Mel, dan LogMel) dan diproses menjadi urutan input untuk model LSTM. Hasil penelitian menunjukkan bahwa arsitektur LSTM dengan penambahan recurrent dropout dan penggunaan stacked spectrogram mencapai akurasi terbaik sebesar 80,33%. Temuan ini menunjukkan bahwa kombinasi stacked spectrogram dan LSTM mampu mengklasifikasikan suara paru secara otomatis, serta memiliki potensi untuk mendukung proses diagnosis penyakit pernapasan secara lebih akurat dan objektif.