Tumor otak adalah pertumbuhan sel yang tidak normal di sekitar otak yang dapat mengganggu fungsi otak. Data dari National Cancer Institute menunjukkan bahwa tingkat kematian akibat tumor otak adalah 4,4 per 100.000 orang setiap tahun. Penelitian epidemiologi tentang tumor otak belum banyak dilakukan di Indonesia. Berbagai jenis tumor otak, seperti meningioma, glioma, adenoma hipofisis, dan metastasis otak, ditemukan dalam penelitian di rumah sakit umum di Medan. Penelitian ini menggunakan teknologi berbasis Convolutional Neural Network (CNN) untuk menganalisis citra Magnetic Resonance Imaging (MRI) untuk mendukung diagnosis yang lebih cepat dan akurat. Penelitian ini berfokus pada penerapan model CNN dengan arsitektur VGG-16 dan Xception untuk mengklasifikasikan jenis tumor otak dari gambar MRI. Data MRI yang digunakan dalam penelitian ini berasal dari sumber Kaggle. Tujuan penelitian ini adalah untuk menerapkan metode CNN dan meningkatkan akurasi dalam klasifikasi tumor otak sehingga dapat membantu tenaga medis untuk membuat keputusan klinis dan merencanakan perawatan pasien. Penelitian ini menggunakan arsitektur VGG16 dan Xception untuk klasifikasi citra dan ekstraksi fitur tekstur. Hasil penelitian menunjukkan bahwa menggunakan arsitektur VGG-16 dan Xception dalam CNN mendapatkan tingkat akurasi 92% pada VGG-16 dan 91% untuk Xception.

Brain tumors are abnormal cell growth around the brain that can interfere with brain function. Data from the National Cancer Institute shows that the death rate from brain tumors is 4.4 per 100,000 people every year. Epidemiological research on brain tumors has not been carried out much in Indonesia. Various types of brain tumors, such as meningioma, glioma, pituitary adenoma and brain metastases, were discovered in research at a public hospital in Medan. This research uses Convolutional Neural Network (CNN) based technology to analyze Magnetic Resonance Imaging (MRI) images to support faster and more accurate diagnosis. This research focuses on applying the CNN model with the VGG-16 and Xception architecture to classify brain tumor types from MRI images. The MRI data used in this study came from Kaggle sources. The aim of this research is to apply the CNN method and increase accuracy in brain tumor classification so that it can help medical personnel to make clinical decisions and plan patient care. This research stage to manage the data mining process, and uses the VGG16 and Xception architecture for image classification and texture feature extraction. The research results show that using the VGG-16 and Xception architecture in CNN obtains an accuracy rate of 92% on VGG-16 and 91% for Xception.