Penelitian ini bertujuan untuk mengembangkan dan membandingkan model deep learning dalam klasifikasi citra MRI otak untuk deteksi tumor. Dua arsitektur transfer learning, yaitu NasNetMobile dan InceptionV3, diimplementasikan dan dievaluasi menggunakan dataset yang terdiri dari 2870 gambar pelatihan, 179 gambar validasi, dan 394 gambar pengujian, yang mencakup empat kategori: glioma, meningioma, tanpa tumor, dan tumor pituitary. Metodologi penelitian mencakup proses normalisasi citra, augmentasi data, serta pelatihan model menggunakan optimizer Adam dengan learning rate sebesar 0,001. Kinerja model dievaluasi melalui berbagai metrik, termasuk akurasi, presisi, recall, F1-score, dan analisis ROC-AUC. Hasil penelitian menunjukkan bahwa arsitektur InceptionV3 mengungguli NasNetMobile pada semua metrik evaluasi yang digunakan. Pada data validasi, InceptionV3 mencapai akurasi sebesar 90,50%, dibandingkan dengan 85,47% yang dicapai oleh NasNetMobile. Selain itu, InceptionV3 menunjukkan konvergensi yang lebih cepat selama proses pelatihan. Namun, perlu dicatat bahwa InceptionV3 memiliki jumlah parameter yang jauh lebih besar, yang berimplikasi pada kebutuhan komputasi yang lebih tinggi.

This research aims to develop and compare deep learning models in brain MRI image classification for tumor detection. Two transfer learning architectures, namely NasNetMobile and InceptionV3, were implemented and evaluated using a dataset consisting of 2870 training images, 179 validation images, and 394 test images, covering four categories: glioma, meningioma, no tumor, and pituitary tumor. The research methodology includes image normalization processes, data augmentation, and model training using the Adam optimizer with a learning rate of 0.001. Model performance is evaluated through various metrics, including accuracy, precision, recall, F1-score, and ROC-AUC analysis. The results show that the InceptionV3 architecture outperforms NasNetMobile on all evaluation metrics used. On validation data, InceptionV3 achieved an accuracy of 90.50%, compared to 85.47% achieved by NasNetMobile. Additionally, InceptionV3 shows faster convergence during the training process. However, it should be noted that InceptionV3 has a much larger number of parameters, which implies higher computational requirements.