Klasifikasi tumor otak pada citra Magnetic Resonance Imaging (MRI) membutuhkan pembelajaran fitur yang kuat karena perbedaan visual antar kelas sering kali sangat halus, khususnya antara glioma dan meningioma. Penelitian ini bertujuan meningkatkan akurasi dan stabilitas klasifikasi multi-class tumor otak dengan memperkaya representasi fitur serta mengarahkan perhatian model pada pola MRI yang paling diskriminatif. Model yang diusulkan merupakan arsitektur hybrid dengan dua backbone paralel, yaitu DenseNet121 dan MobileNetV2. Pada masing-masing jalur backbone diterapkan Convolutional Block Attention Module (CBAM) untuk memperkuat fitur penting, kemudian dilakukan late fusion dengan menggabungkan (concatenate) dua vektor fitur sebelum tahap prediksi akhir. CBAM meningkatkan kinerja dengan melakukan penimbangan adaptif pada kanal yang merepresentasikan informasi relevan terkait tumor misalnya intensitas dan tekstur, sekaligus menekan respons yang kurang informatif. Selain itu, CBAM memperkuat fokus spasial pada area yang selaras dengan inti dan batas tumor, sehingga mengurangi gangguan dari jaringan normal maupun artefak dan menurunkan kebingungan antar kelas. Evaluasi kinerja dilakukan menggunakan 10-fold cross-validation pada dataset Figshare serta pembagian data hold-out standar pada dataset Sartaj Bhuvaji. Pada dataset Figshare (3 kelas), model mencapai accuracy 0,9892, precision 0,9880, recall 0,9876, F1-score 0,9877, dan AUC 0,9995. Sementara itu, pada dataset Sartaj Bhuvaji (4 kelas), model memperoleh accuracy 0,9816, precision 0,9814, recall 0,9848, F1-score 0,9829, dan AUC 0,9984. Hasil tersebut menunjukkan bahwa fusi dua backbone meningkatkan keragaman fitur dan CBAM efektif mengurangi kebingungan antar kelas, sehingga mendukung generalisasi yang stabil pada dataset MRI yang berbeda. Model ini terbukti lebih akurat dalam membedakan tumor yang tampak mirip, terutama glioma dan meningioma, serta mempertahankan performa tinggi pada evaluasi lintas dataset.