Penelitian ini bertujuan untuk menganalisis efisiensi model Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN) dalam mengklasifikasikan Down syndrome pada balita berdasarkan citra wajah. Dataset yang digunakan terdiri dari 5.206 gambar, yang telah melalui tahapan pra pemrosesan seperti konversi grayscale, normalisasi, dan augmentasi. Model CNN dibangun menggunakan lapisan konvolusi, max pooling, batch normalization, dan dropout, sementara RNN mengadopsi arsitektur LSTM. Hasil evaluasi menunjukkan bahwa CNN memiliki performa yang stabil dan efisien dalam klasifikasi citra statis, dengan accuracy 0.9383, precision 0.6772, recall 0.7044, dan F1-score 0.6898 pada data pelatihan accuracy 0.9021, precision 0.9016, recall 0.9021, dan F1-score 0.8936 pada validasi serta accuracy 0.8733, precision 0.8662, recall 0.8733, dan F1-score 0.8619 pada data pengujian. Di sisi lain, RNN menunjukkan performa unggul dalam hal recall, terutama dalam mendeteksi kasus positif, dengan recall tertinggi sebesar 1.0000 dan F1-score 0.8786 pada pelatihan; recall 0.9832 dan F1-score 0.9011 pada validasi serta recall 0.9928 dan F1-score 0.9039 pada pengujian. Meskipun CNN unggul dalam accuracy, precision, RNN lebih direkomendasikan untuk aplikasi yang menuntut sensitivitas tinggi, seperti klasifikasi medis. Penelitian ini menyimpulkan bahwa CNN lebih optimal secara keseluruhan, namun RNN menawarkan keunggulan signifikan dalam deteksi kasus positif pada data baru.