Deteksi dini tumor otak sangat krusial untuk meningkatkan peluang kesembuhan dan mengurangi risiko komplikasi serius. Namun dalam praktiknya, proses deteksi berbasis teknologi masih menghadapi tantangan efisiensi, khususnya dalam hal kecepatan dan biaya layanan kesehatan. Secara teknis, model machine learning telah terbukti efektif dalam mengklasifikasikan tumor otak, tetapi pelatihan dan inferensinya memerlukan sumber daya komputasi besar, yang tidak selalu tersedia atau efisien. Penelitian ini menawarkan solusi berupa optimalisasi penerapan model machine learning pada lingkungan cloud menggunakan AWS SageMaker. Evaluasi dilakukan terhadap tujuh konfigurasi instans berdasarkan metrik teknis dan biaya, seperti average response time, latency, throughput, penggunaan CPU dan RAM, serta biaya operasional. Dengan pendekatan Analytical Hierarchy Process (AHP), instance ml.m6i.xlarge dipilih sebagai konfigurasi paling optimal dengan bobot global tertinggi (0.7040), karena memberikan keseimbangan terbaik antara performa dan efisiensi biaya. Instance ml.m4.xlarge menempati posisi kedua (0.6958) dengan keunggulan pada biaya rendah dan responsivitas tinggi, sementara ml.m5d.xlarge menonjol dalam akurasi dan throughput, namun kurang efisien secara biaya. Hasil pengujian menunjukkan bahwa pemilihan instans yang tepat secara signifikan memengaruhi performa dan efisiensi proses deteksi tumor. Oleh karena itu, pemanfaatan cloud computing secara cerdas dapat menjadi langkah strategis untuk menghadirkan layanan deteksi medis yang lebih cepat, murah, dan akurat berbasis machine learning.

Kata kunci: AWS SageMaker, Cloud Computing, Machine Learning, Performance Optimization, Tumor Otak.