Tumor otak memiliki beragam tipe, tergantung pada posisi tumor otak tersebut, yang secara garis besar dikategorikan menjadi 3 tipe yakni Glioma, Meningioma, dan Pituitary. Untuk mendeteksi tumor otak digunakan Magnetic Resonance Imaging (MRI) yang menghasilkan citra tumor otak. Metode klasifikasi citra MRI otak yang digunakan pada penelitian ini adalah Deep Learning dengan Convolutional Neural Network (CNN) dengan 2 model skema arsitektur CNN. Model skema 1 terdapat 2 max pooling layer dan 2 hidden layer, sedangkan model skema 2 terdapat 3 max pooling layer dan 4 hidden layer. Dataset yang digunakan memuat citra MRI otak manusia dengan total 7023 citra, dengan rincian 1621 Glioma, 1645 Meningioma, 1757 Pituitary, dan 2000 Notumor. Evaluasi F1-Score model skema 1 dan skema 2 berturut-turut: 96% dan 97%, Sedangkan untuk nilai Accuracy yaitu 98%. Hal ini menunjukkan bahwa nilai F1-Score dan Accuracy, model skema 2 lebih baik. Untuk menguji dataset digunakan 10 fold cross-validation menghasilkan nilai rata-rata Accuracy, F1-Score, Precision, dan Recall berturut-turut 0,8520, 0,8470, 0,8493 dan 0,8504, dengan standar deviasi yang kecil, yaitu berturut-turut 0,0352; 0,0346; 0,0337 dan 0,0353 yang menunjukkan bahwa penyimpangan sebaran nilai semakin mendekati nilai rata-ratanya. nilai metrik F1-score dan accuracy berturut-turut, 97,47% dan 97,39%. Hasil accuracy penelitian ini lebih tinggi dibandingkan dengan beberapa penelitian sebelumnya, yakni dari [1], [2], [3], [5], [7], dan [8], berturut-turut: 94.39%, 97.54%, 97.18%, 96.08%, 96,36%, dan 95.55%.