Tumor otak adalah penyakit serius dengan dampak signifikan terhadap kesehatan. Deteksi dini melalui pencitraan MRI (Magnetic Resonance Imaging) sangat penting untuk diagnosis yang tepat. Namun, analisis citra MRI secara manual memerlukan waktu dan keahlian khusus, sehingga metode otomatis berbasis deep learning menjadi solusi efisien. Penelitian ini mengevaluasi kinerja tiga arsitektur deep learning VGG16, InceptionV3, dan hybrid VGG16-Inception dalam mendeteksi tumor otak pada citra MRI. Model-model ini dilatih dengan berbagai pengaturan batch size 32 dan 64 dan jumlah epoch 15, 25, dan 35. Dalam penelitian ini dataset yang digunakan berasal dari platform Kaggle yang berjumlah 4600 citra tumor otak. Tumor otak dibagi menjadi dua kelas yaitu Healthy and Brain Tumor. Hasil penelitian menunjukkan bahwa model VGG16 dengan batch size 64 dan epoch 35 mencapai akurasi tertinggi sebesar 99,34% dengan pixel 128x128. Penelitian ini menegaskan pentingnya pemilihan hyperparameter yang tepat untuk meningkatkan performa model. Penelitian ini berkontribusi pada pengembangan metode deteksi otomatis tumor otak, yang dapat meningkatkan akurasi diagnosis dan efisiensi dalam bidang medis.

Brain tumors are a serious disease with significant health impacts. Early detection through Magnetic Resonance Imaging (MRI) is crucial for accurate diagnosis. However, manual analysis of MRI images requires time and specialized expertise, making automated methods based on deep learning an efficient solution. This study evaluates the performance of three deep learning architectures—VGG16, InceptionV3, and hybrid VGG16-Inception—in detecting brain tumors on MRI images. These models were trained with various configurations of batch sizes (32 and 64) and epochs (15, 25, and 35). The dataset used in this research, consisting of 4600 brain tumor images, was sourced from the Kaggle platform. The brain tumors were categorized into two classes: Healthy and Brain Tumor. The results show that the VGG16 model with a batch size of 64 and 35 epochs achieved the highest accuracy of 99.34% with a resolution of 128x128 pixels. This study highlights the importance of selecting the appropriate hyperparameters to enhance model performance. It contributes to the development of automated brain tumor detection methods, which can improve diagnostic accuracy and efficiency in the medical field.