<![CDATA[Toksoplasmosis okular merupakan infeksi retina yang disebabkan oleh parasit Toxoplasma gondii dan berpotensi menyebabkan kebutaan permanen. Deteksi menggunakan metode ophthalmoscopy konvensional sangat bergantung pada keahlian dokter spesialis mata dan rentan terhadap subjektivitas interpretasi. Penelitian ini bertujuan menganalisis dan membandingkan performa arsitektur Convolutional Neural Network (CNN) VGG16 dan VGG19, masing-masing dalam skenario standar dan termodifikasi, untuk klasifikasi toksoplasmosis okular pada citra fundus retina. Dataset yang digunakan berjumlah 411 citra dengan pembagian 70% training, 15% validation, dan 15% testing. Ketidakseimbangan kelas pada data pelatihan ditangani melalui augmentasi selektif pada kelas minoritas (Healthy), meningkatkan jumlahnya dari 92 menjadi 195 citra. Prapemrosesan Contrast Limited Adaptive Histogram Equalization (CLAHE) dengan clip limit 2,0 dan tile grid size 8×8 diterapkan secara independen pada seluruh subset data. Hasil pengujian menunjukkan VGG16 Termodifikasi meningkatkan akurasi dibandingkan VGG16 Standar dari 87,10% menjadi 88,71%, sedangkan VGG19 Termodifikasi meningkatkan akurasi secara signifikan dibandingkan VGG19 Standar dari 80,65% menjadi 91,94%. Perbandingan kedua arsitektur pada skenario termodifikasi menunjukkan VGG19 Termodifikasi menghasilkan performa tertinggi dengan akurasi 91,94%, presisi 91,11%, sensitivitas 97,62%, dan F1-Score 94,25%, unggul dibandingkan VGG16 Termodifikasi pada seluruh metrik evaluasi kecuali sensitivitas yang setara. Model VGG19 Termodifikasi selanjutnya diimplementasikan pada Ocular Toxoplasmosis Detection Device, menghasilkan akurasi 88,71%, presisi 97,30%, sensitivitas 85,71%, dan F1-Score 91,14%. Kata Kunci— Ocular Toxoplasmosis, CLAHE, CNN VGG16, CNN VGG19 ]]>
