Deteksi dini penyakit paru-paru seperti COVID-19, pneumonia, dan lung opacity sangat penting untuk meningkatkan efektivitas pengobatan dan menekan penyebaran penyakit. Namun, analisis citra medis seperti X-ray dan CT scan dengan metode konvensional sering kali memakan waktu dan rentan terhadap kesalahan manusia. Oleh karena itu, pendekatan berbasis kecerdasan buatan diperlukan untuk meningkatkan kecepatan dan akurasi deteksi. Penelitian ini mengembangkan model YOLOv11 yang telah dimodifikasi untuk mendeteksi empat kategori penyakit paru-paru, yaitu COVID-19, pneumonia, lung opacity, dan normal. Modifikasi dilakukan dengan mengintegrasikan Depthwise Separable Convolution dan blok ELAN untuk meningkatkan efisiensi komputasi tanpa mengurangi akurasi. Selain itu, teknik layer freezing dieksplorasi guna mengoptimalkan model untuk perangkat dengan keterbatasan daya komputasi. Hasil penelitian menunjukkan bahwa model YOLOv11 Modifikasi berhasil mencapai precision sebesar 0.96638, recall sebesar 0.95154, mAP50 sebesar 0.98591, dan mAP50-95 sebesar 0.96061. Teknik freeze 10 layer memberikan performa terbaik, sedangkan freeze all layer menyebabkan penurunan akurasi yang signifikan. Penelitian ini memberikan kontribusi pada pengembangan model deep learning yang akurat dan efisien untuk deteksi penyakit paru-paru, terutama untuk aplikasi pada perangkat dengan keterbatasan sumber daya komputasi. Temuan ini menunjukkan bahwa YOLOv11 Modifikasi memiliki potensi besar untuk mendukung tenaga medis dalam mendeteksi penyakit paru-paru dengan cepat dan andal.