Ilmu kecerdasan buatan dan komputer vision sangat bermanfaat untuk memudahkan deteksi penyakit di bidang kedokteran. Deteksi penyakit dengan berbasis komputer dapat mengefisienkan waktu. Akan tetapi dentifikasi dan deteksi tumor pada citra MRI membutuhkan keseriusan dan memakan waktu. Karena adanya keberagaman struktur ukuran, bentuk dan intensitas citra, maka diperlukan ketelitian dalam mengenali antara struktur yang organ asli dengan yang penyakit. Beberapa penelitian sebelumnya mencoba mengusulkan metode untuk identifikasi tumor otak agar menghasilkan presisi yang tepat. Pada penelitian sebelumnya metode berbasis neural network mempunyai presisi yang baik. Kami mengusulkan lima arsitektur Convolutional Neural Network (CNN) untuk identifikasi tumor otak (glioma, meningioma, notumor, dan pituitary) citra MRI. Tujuan penelitian ini menyusun arsitektur CNN yang optimal dalam mengidentifikasi tumor. Kami menggunakan dataset dari kaggle dengan total data training 5712, dan testing 1311. Dari lima arsitektur CNN yang diusulkan, akurasi yang paling tinggi adalah 82.2% pada arsitektur c dengan jumlah total parameter 29605060. Arsitektur CNN yang baik mempunyai layer convolution yang banyak. Kami juga membandingkan arsitektur usulan dengan transfer learning CNN (Inception, ResNet-50, dan VGG16), dan dengan arsitektur transfer learning CNN akurasinya lebih tinggi dibandingkan arsitektur usulan Kami.