Stroke merupakan salah satu penyebab utama kematian dan kecacatan sehingga diperlukan metode diagnosis yang cepat dan akurat. Penelitian ini bertujuan membangun model klasifikasi citra CT-Scan otak ke dalam kategori Normal dan Stroke menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV3Small. Dataset yang digunakan merupakan dataset sekunder dari Kaggle yang terdiri atas 4.814 citra CT-Scan otak, yaitu 2.662 citra Normal dan 2.152 citra Stroke.
Tahapan penelitian meliputi resize, peningkatan kualitas citra menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE), normalisasi, pembagian data menjadi 70% data training, 10% data validation, dan 20% data testing, serta augmentasi pada data training. Model kemudian dilatih menggunakan pendekatan transfer learning, dilanjutkan optimasi hyperparameter menggunakan Random Search, dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa optimasi hyperparameter berhasil meningkatkan validation accuracy dari 68,81% pada model baseline menjadi 86,49%. Kombinasi hyperparameter terbaik diperoleh pada learning rate 0,0001, dropout 0,3, unfreeze layer 10, batch size 16, dan optimizer Adam. Pada data testing, model memperoleh accuracy 84,65%, precision 81,51%, recall 84,92%, dan F1-score 83,18%. Hasil tersebut menunjukkan bahwa MobileNetV3Small yang dioptimasi menggunakan Random Search mampu memberikan performa yang baik dalam mengklasifikasikan citra CT-Scan otak kategori Normal dan Stroke.
Kata Kunci : Stroke, CT-Scan, CNN, MobileNetV3, Random Search, Klasifikasi.