Metode RT-PCR dalam mendeteksi COVID-19 memerlukan biaya yang besar dan memakan waktu yang cukup lama. Metode lain yang diapat digunakan untuk deteksi awal yaitu dengan pemeriksaan gejala klinis, pemeriksaan patologi, dan radiografi. Salah satu gejala radiografis adalah adanya Ground Glass Opacity (GGO) yang muncul pada hasil Citra X-Ray dada maupun citra CT. Tantangan bagi tenaga kesehatan dalam membaca dan mendeteksi GGO karena infeksi COVID-19 dengan mata telanjang. CNN berpotensi untuk dapat melakukan deteksi secara otomatis dari citra radiografis. Pendekatan deep learning seperti CNN tidak dapat langsung diterapkan karena memerlukan sumber daya yang besar.Tensorflow.js dapat menjadi solusi dengan membawa kemampuan deep learning dengan sumber daya yang sedikit. Penelitian ini mengusulkan penerapan CNN dalam mendeteksi adanya infeksi COVID pada citra X-Ray dan CT-Scan menggunakan Tensorflow.JS dengan berbasis web. Dataset yang digunakan berjumlah 7,232 citra X-Ray dan 2,482 citra CT. Model CNN dibuat dengan kedalaman 4 layer konvolusi, learning rate 0.001, dan ditraining sebanyak 75 epoch. Model kemudian ditempatkan sebagai assets dalam aplikasi web dan akan diakses oleh Tensorflow.js dalam javascript untuk melakukan prediksi. Hasil pengujian menunjukkan bahwa model mempunyai performa yang menjajikan dan berhasil mengklasifikasikan citra COVID dan non-COVID (Normal) dengan hasil akhir Accuracy, Precision, Recall, dan F1-Score berturut-turut 96%, 95%, 96%, dan 96% pada dataset X-Ray serta 94%, 94%, 95% dan 94% pada dataset CT-Scan. Penggunaan Tensorflow.js sebagai API dalam aplikasi berperan dalam membawa kemampuan deteksi dari model CNN dengan antar muka yang lebih mudah digunakan.