Tumor otak adalah salah satu penyebab kematian paling umum di dunia, dengan prevalensi yang tinggi di berbagai wilayah, termasuk Afrika, Asia, Amerika Tengah, dan Selatan. Di Indonesia, terdapat sekitar 300 kasus tumor otak yang terdiagnosis setiap tahunnya, menyerang tidak hanya orang dewasa tetapi juga anak-anak. Deteksi dini dan pengobatan yang tepat sangat penting untuk meningkatkan harapan hidup pasien. Penelitian ini bertujuan untuk mengembangkan teknik klasifikasi citra tumor otak menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur EfficientNetB1 dan VGG16. Dataset yang digunakan berasal dari MRI tumor otak yang diklasifikasikan ke dalam empat jenis: Pituitary Tumor, Meningioma Tumor, Glioma Tumor, dan Non-Tumor. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score..Dataset kemudian dibagi menjadi tiga subset masing-masing dengan rasio 70% training, 10% validasi, dan 20% testing. Setelah proses pelatihan menggunakan dua model CNN, VGG16 dan EfficientnetB1, diperoleh akurasi yang sangat baik, masing-masing sebesar 81% untuk VGG16 dan 80% untuk EfficientnetB1.Penelitian ini diharapkan dapat memberikan kontribusi dalam bidang medis, khususnya dalam meningkatkan akurasi diagnosis tumor otak.

Brain tumors are one of the leading causes of death worldwide, with a high prevalence in various regions, including Africa, Asia, Central, and South America. In Indonesia, around 300 cases of brain tumors are diagnosed each year, affecting not only adults but also children. Early detection and proper treatment are crucial to improving patients' survival rates. This research aims to develop an image classification technique for brain tumors using Convolutional Neural Network (CNN) methods with the EfficientNetB1 and VGG16 architectures. The dataset used comes from brain tumor MRIs classified into four types: Pituitary Tumor, Meningioma Tumor, Glioma Tumor, and Non-Tumor. Evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The dataset was then divided into three subsets with ratios of 70% for training, 10% for validation, and 20% for testing. After the training process using the two CNN models, VGG16 and EfficientNetB1, excellent accuracy was achieved, with 81% for VGG16 and 80% for EfficientNetB1. This research is expected to contribute to the medical field, particularly in improving the accuracy of brain tumor diagnosis.