Penyakit pernapasan seperti COVID-19 dan pneumonia memerlukan diagnosis dini yang cepat dan akurat. Penelitian ini bertujuan mengimplementasikan model Deep Learning berarsitektur MobileNetV2 untuk klasifikasi citra Chest X-Ray ke dalam empat kelas (Normal, COVID-19, Lung Opacity, dan Viral Pneumonia) pada sebuah platform web. Sistem dikembangkan menggunakan integrasi metodologi CRISP-DM dan SDLC Waterfall. Eksperimen pemodelan dievaluasi melalui berbagai skenario pra-pemrosesan dan pendekatan klasifikasi. Hasil pengujian kinerja membuktikan bahwa pendekatan klasifikasi hierarkis (2-step modelling) menjadi skenario paling optimal, di mana MobileNetV2 berhasil mencapai akurasi 91% pada klasifikasi biner dan 95% pada klasifikasi multi-kelas, secara signifikan mengungguli arsitektur CNN konvensional. Integrasi antarmuka sistem menggunakan kerangka kerja Next.js pada sisi frontend dan FastAPI pada backend. Pengujian fungsionalitas Black Box mencatatkan tingkat keberhasilan 100%. Selain itu, evaluasi kepuasan antarmuka yang melibatkan 14 responden menghasilkan skor System Usability Scale (SUS) sebesar 82,68 (Excellent) dan Net Promoter Score (NPS) sebesar +29 (Good). Kesimpulannya, sistem web klasifikasi medis yang dibangun terbukti akurat, efisien, dan mendapatkan tingkat loyalitas yang tinggi dari pengguna sebagai alat bantu skrining kesehatan paru-paru.