Katarak merupakan salah satu penyakit yang dapat menyerang hewan, termasuk kucing, ditandai dengan kekeruhan pada lensa mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan apabila tidak ditangani. Penyakit ini sering kali tidak terdeteksi pada tahap awal, sehingga diperlukan metode diagnosis dini yang akurat. Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) sebagai metode pendeteksian katarak pada kucing melalui analisis gambar mata. Subjek penelitian terdiri dari dataset berjumlah 106 gambar mata kucing, yang meliputi 66 gambar mata normal dan 40 gambar mata katarak. Dataset ini dibagi menjadi data training (85 gambar) dan data validasi (21 gambar). Metode penelitian mencakup beberapa tahapan, yaitu studi literatur untuk mendalami teori terkait, preprocessing data untuk memastikan konsistensi dataset, implementasi model CNN, pelatihan model, dan evaluasi performa model menggunakan confusion matrix. Proses pelatihan model dilakukan selama 100 epoch dengan menggunakan optimizer Adam, yang dikenal mampu mempercepat konvergensi model. Arsitektur CNN yang dirancang terdiri dari tiga lapisan konvolusi, lapisan pooling, dan fully connected layer. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mencapai akurasi sebesar 71% dalam mengklasifikasikan gambar mata kucing menjadi kategori "Normal" atau "Katarak." Meskipun akurasi ini belum optimal, keterbatasan jumlah dataset menjadi faktor utama yang memengaruhi performa model. Temuan ini memberikan kontribusi awal dalam penerapan kecerdasan buatan untuk deteksi penyakit pada hewan, khususnya katarak pada kucing. Penelitian ini juga menegaskan pentingnya menambah jumlah dan keragaman dataset untuk meningkatkan performa model dan mengurangi risiko overfitting. Potensi pengembangan lebih lanjut dari model ini diharapkan dapat mendukung diagnosis yang lebih cepat dan akurat, sehingga meningkatkan kualitas hidup hewan peliharaan.