Kanker payudara merupakan penyakit yang signifikan di Indonesia, terutama pada populasi perempuan, dengan prevalensi yang meningkat secara global. Penyebab utama kanker payudara adalah pertumbuhan sel-sel payudara yang tidak terkendali, disebabkan oleh perubahan genetik yang abnormal dalam regulasi pertumbuhan sel. Data dari Globocan tahun 2020 menunjukkan bahwa kanker payudara menempati posisi teratas dalam jumlah kasus kanker baru di Indonesia, dengan 68.858 kasus baru atau sekitar 16,6% dari total kasus kanker baru yang dilaporkan sebanyak 396.914 kasus. Tingkat kematian akibat kanker payudara selama periode tersebut mencapai lebih dari 22 ribu jiwa. Diagnosa yang tepat dan akurat merupakan hal yang penting, namun seringkali terdapat kesalahan dalam proses manual oleh para praktisi medis, termasuk kesalahan dalam estimasi ukuran objek pada citra. Oleh karena itu, pengembangan sistem pengolahan citra digital yang menggunakan pendekatan deep learning, seperti Convolutional Neural Network (CNN) dengan Arsitektur DENSENET, MOBILENET, dapat menjadi solusi yang efektif untuk mendukung diagnosis otomatis pada citra MRI. Penelitian ini menggunakan dataset berjumlah 1400 data yang di bagi menjadi 1120 untuk data pelatihan,140 untuk data pengujian,140 untuk data validasi dari Kaggle dan berhasil mencapai tingkat akurasi sebesar 100% untuk arsitektur DENSENET, dan 97% untuk arsitektur MOBILENET dalam klasifikasi kanker payudara.

Breast cancer is a significant disease in Indonesia, especially in the female population, with prevalence increasing globally. The main cause of breast cancer is uncontrolled growth of breast cells, caused by abnormal genetic changes in the regulation of cell growth. Data from Globocan in 2020 shows that breast cancer occupies the top position in the number of new cancer cases in Indonesia, with 68,858 new cases or around 16.6% of the total new cancer cases reported of 396,914 cases. The death rate from breast cancer during that period reached more than 22 thousand people. Correct and accurate diagnosis is important, but there are often errors in manual processing by medical practitioners, including errors in estimating the size of objects in the image. Therefore, the development of a digital image processing system that uses a deep learning approach, such as a Convolutional Neural Network (CNN) with DENSENET, MOBILENET architecture, can be an effective solution to support automatic diagnosis of MRI images. This research used a dataset of 1400 data which was divided into 1120 for training data, 140 for testing data, 140 for validation data from Kaggle and succeeded in achieving an accuracy level of 100% for the DENSENET architecture, and 97% for the MOBILENET architecture in breast cancer classification.