Penyakit tumor otak merupakan penyakit yang disebabkan oleh pertumbuhan sel otak yang tidak normal di dalam maupun di sekitar otak dengan secara tidak wajar dan tidak terkontrol. Kasus tumor otak di Indonesia menempati urutan ke-15 sebagai penyakit dengan jumlah kasus terbanyak dan dengan jumlah rata-rata kematian 15.310 kasus dalam lima tahun terakhir. Kematian tersebut dikarenakan terlambatnya penanganan dan pertolongan dini menyebabkan pasien telah dalam kondisi stadium tinggi sebelum datang ke unit medis. Dengan mendeteksi dini tumor otak diharapkan membantu dalam peningkatan perawatan dan pencegahan sifat tumor yang menyebar dengan mengklasifikasikan tumor menggunakan deep learning dengan metode Convolutional Neural Network. Penelitian ini bertujuan untuk mengetahui kinerja yang dihasilkan oleh arsitektur CNN yaitu VGG-16, VGG-19, LeNet-5, AlexNet, ResNet-50, dan ResNet-152 dalam klasifikasi tumor otak. Dataset yang digunakan untuk pelatihan dan pengujian yaitu gambar tumor otak dengan warna RGB , yang memiliki 3 kelas yaitu meningioma (708 gambar), glioma (1426 gambar), pituitary (930 gambar). Ukuran dataset diubah sebanyak empat kali , kemudian dibagi menjadi 80:20 untuk data latih dan data uji. Hasil pengujian menunjukkan bahwa arsitektur AlexNet mendapatkan kinerja yang terbaik, yaitu dengan nilai accuracy 0,96, precisiion 0,96, recall 0,96, dan f1-score 0,96, dengan parameter ukuran input 227x227x3, ukuran batch 8, optimizer adam, learning rate 0,0001, dan iterasi sebanyak 50.

Kata kunci: Tumor Otak, Deep Learning, Convolutional Neural Network, Kinerja, RGB