Abstrak Penelitian ini membahas perbandingan performa empat arsitektur Convolutional Neural Network (CNN) dalam klasifikasi tumor otak menggunakan citra histopatologi. CNN telah membuktikan efektivitasnya dalam meningkatkan akurasi dan efisiensi diagnosis medis berbasis citra. Penelitian ini membandingkan empat arsitektur populer, yaitu ResNet, AlexNet, InceptionNet, dan VGG12, menggunakan dataset citra histopatologi dengan total 2.145 gambar yang terbagi menjadi subset pelatihan (70%), validasi (15%), dan pengujian (15%). Hasil penelitian menunjukkan bahwa model VGG12 mencapai akurasi terbaik sebanyak 98,0%, diikuti oleh InceptionNet dengan akurasi 97,3%. Model ResNet memperoleh akurasi 94,3%, sedangkan AlexNet memiliki akurasi 93,2%. Selain itu, model VGG12 membuktikan performa yang konsisten dengan angka precision, recall, dan F1-Score yang tinggi, menjadikannya pilihan unggul untuk aplikasi medis. Penelitian ini memberikan wawasan mendalam mengenai kelebihan dan keterbatasan masing-masing arsitektur CNN, serta panduan implementasi untuk mendukung pengembangan aplikasi diagnosis medis berbasis citra secara efisien dan akurat.
Kata Kunci: CNN, Resnet, Alexnet, Inception, Vgg12, Tumor Otak, Citra Histopathological