<![CDATA[Penyakit mata seperti katarak, retinopati diabetik, dan glaukoma merupakan penyebab utama gangguan penglihatan dan kebutaan yang dapat dicegah, namun proses diagnosisnya masih sangat bergantung pada interpretasi manual tenaga medis yang terbatas ketersediaannya. Penelitian ini bertujuan mengembangkan model klasifikasi otomatis berbasis Convolutional Neural Network untuk membedakan empat kondisi mata, yaitu mata normal, katarak, retinopati diabetik, dan glaukoma, menggunakan citra fundus digital. Tiga arsitektur jaringan saraf konvolusional yang telah dilatih sebelumnya, yakni EfficientNetV2B3, EfficientNetV2S, dan ConvNeXtTiny, diimplementasikan menggunakan pendekatan transfer learning dan fine-tuning. Dataset yang digunakan terdiri dari 4.217 gambar fundus berlabel yang terdistribusi merata pada empat kelas, dengan rasio pembagian data latih dan validasi sebesar 80:20. Proses pengembangan model mencakup augmentasi data, optimasi Bayesian untuk penyetelan hiperparameter, serta mekanisme callback untuk pengendalian pelatihan. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan matriks kebingungan. Hasil penelitian menunjukkan bahwa model EfficientNetV2B3 mencapai akurasi validasi tertinggi sebesar 93,48% dengan efisiensi waktu pelatihan yang lebih unggul dibandingkan arsitektur lainnya. Temuan ini mengindikasikan bahwa pendekatan berbasis jaringan saraf konvolusional memiliki potensi signifikan sebagai alat bantu skrining penyakit mata yang efisien dan akurat dalam mendukung tenaga medis.]]>
