Siamese convolutional network adalah suatu arsitektur neural network yang dilatih untuk mengetahui kesamaan antara dua buah input melalui analisa perbedaan dari dua buah fitur atau sering disebut sebagai similarity learning. Salah satu keunggulan siamese convolutional network adalah dapat mengatasi permasalahan jumlah data yang tidak seimbang antar kelas. Penelitian ini bertujuan untuk mengimplementasikan siamese convolutional network sebagai similarity learning untuk dapat digunakan pada proses klasifikasi. Keuntungan lain yang didapatkan melalui penggunaan similarity learning untuk klasifikasi adalah adanya citra pembanding yang dapat digunakan sebagai referensi dalam penentuan sebuah kelas. Data yang digunakan untuk klasifikasi adalah data citra chest x-ray penyakit pneumonia yang dibagi
menjadi 3 kelas yaitu kondisi normal, bacterial pneumonia, dan viral pneumonia. Penyakit pneumonia dipilih karena merupakan salah satu penyakit yang menyebabkan jumlah kematian yang cukup besar dan salah satu penyebabnya adalah pengobatan yang berbeda-beda untuk setiap jenis pneumonia. Oleh karena itu, penting untuk mengetahui penyebab dari penyakit pneumonia. Berdasarkan uji coba arsitektur dan hyperparameter, arsitektur siamese convolutional network yang digunakan terdiri dari 2 convolutional network yang masing-masing terdiri dari 14 layer (9 convolutional layer dan 5 max pooling layer), cosine distance sebagai connection function, dan fully connected layer yang memiliki 2 hidden layer. Hyperparameter yang digunakan berupa learning rate sebesar 0.001, dropout rate sebesar 0.5, dan comparison size sebesar 20 citra. Hasil terbaik yang didapatkan dari penggunaan siamese convolutional network adalah sebesar 80.03% untuk tingkat akurasi dan 79.59% untuk nilaifl score.