Tumor adalah pertumbuhan abnormal dalam tubuh, terdiri dari sel-sel ekstra. Umumnya sel lama mati, dan yang baru mengambil tempat pada sel lama. Kadang-kadang, proses ini berlangsung tidak sesuai sehingga sel-sel baru terbentuk dan sel-sel tua tidak mati. Berdasarkan Global Cancer Observatory tahun 2020, kasus tumor otak di Indonesia menempati urutan ke-15 sebagai penyakit dengan jumlah kasus terbanyak dan jumlah rata-rata kematian 15.310 kasus dalam lima tahun terakhir. 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 ResNet50 dan MobileNet untuk mengklasifikasikan jenis tumor otak dari gambar MRI. Data MRI yang digunakan dalam penelitian ini berasal dari sumber Kaggle. Tujuan penelitian ini adalah menerapkan algoritma CNN dengan arsitektur ResNet dan MobileNet untuk mendeteksi tumor otak dan mengukur tingkat akurasi untuk mendeteksi penyakit tumor otak. Penelitian ini menggunakan arsitektur ResNet50 dan MobileNet untuk klasifikasi citra dan ekstraksi fitur tekstur. Hasil penelitian menunjukkan bahwa menggunakan arsitektur ResNet50 dan MobileNet dalam CNN mendapatkan tingkat akurasi 81% pada ResNet50 dan 99% untuk MobileNet.

A tumor is an abnormal growth in the body, made up of extra cells. Generally, old cells die, and new ones take the place of the old ones. Sometimes, this process goes awry so that new cells form and old cells do not die. Based on the Global Cancer Observatory in 2020, brain tumor cases in Indonesia rank 15th as the disease with the highest number of cases and an average number of deaths of 15,310 cases in the last five years. 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 CNN models with ResNet50 and MobileNet architectures to classify brain tumor types from MRI images. The MRI data used in this study comes from the Kaggle source. The purpose of this research is to apply CNN algorithm with ResNet and MobileNet architecture to detect brain tumor and measure the accuracy level to detect brain tumor disease. This research uses ResNet50 and MobileNet architecture for image classification and texture feature extraction. The results show that using ResNet50 and MobileNet architectures in CNN gets an accuracy rate of 81% on ResNet50 and 99% for MobileNet.