Peningkatan kasus tumor otak setiap tahun menuntut adanya metode deteksi yang cepat dan akurat untuk membantu proses diagnosis. Citra MRI (Magnetic Resonance Imaging) merupakan salah satu metode pencitraan yang sering digunakan dalam identifikasi tumor otak. Namun, analisis citra MRI secara manual memerlukan keahlian tinggi dan waktu yang cukup lama. Oleh karena itu, pengembangan sistem klasifikasi otomatis berbasis Deep Learning sangat penting untuk meningkatkan efisiensi dan keakuratan diagnosis tumor otak. Penelitian ini mengimplementasikan metode Convolutional Neural Network (CNN), yang merupakan salah satu pendekatan Deep Learning, untuk klasifikasi jenis tumor otak berdasarkan citra MRI. Model CNN dibangun dan dilatih untuk mengenali pola visual dari setiap jenis tumor dan mengklasifikasikannya dengan tingkat akurasi yang tinggi. Hasil pengujian menunjukkan bahwa model CNN yang diimplementasikan mampu mencapai akurasi sebesar 93.55%, dengan sensitivitas dan spesifisitas yang cukup tinggi pada klasifikasi masing-masing jenis tumor. Implementasi sistem ini diharapkan dapat memberikan kontribusi dalam dunia medis, khususnya dalam mendukung diagnosa tumor otak secara lebih cepat dan efisien. Selain itu, penelitian ini memberikan dasar bagi pengembangan model klasifikasi tumor otak yang lebih lanjut dengan mempertimbangkan teknik peningkatan akurasi dan efisiensi pada proses deteksi tumor.

The increasing incidence of brain tumors every year demands a fast and accurate detection method to aid the diagnostic process. Magnetic Resonance Imaging (MRI) is one of the most commonly used imaging methods for identifying brain tumors. However, manual analysis of MRI images requires high expertise and is time-consuming. Therefore, developing an automatic classification system based on Deep Learning is crucial to enhance the efficiency and accuracy of brain tumor diagnosis. This study implements a Convolutional Neural Network (CNN) method, which is a Deep Learning approach, to classify types of brain tumors based on MRI images. The CNN model is built and trained to recognize visual patterns of each tumor type and classify them with high accuracy. Testing results show that the implemented CNN model achieves an accuracy of 90.31%, with high sensitivity and specificity in classifying each tumor type. The implementation of this system is expected to contribute to the medical field, particularly in supporting faster and more efficient brain tumor diagnosis. Additionally, this research provides a foundation for further development of brain tumor classification models by considering techniques to enhance accuracy and efficiency in tumor detection.