<![CDATA[Indra manusia memegang peranan penting dalam mengamati dan berinteraksi dengan lingkungan. Salah satu indera yang paling vital adalah penglihatan, yang difasilitasi oleh mata, yang menyediakan hingga 80% informasi yang dibutuhkan untuk aktivitas sehari-hari. Meskipun penting, kesehatan mata sering kali terabaikan, dan gangguan mata dapat menyebabkan ketidaknyamanan, gangguan penglihatan, atau bahkan kebutaan total. Penyakit seperti katarak, glaukoma, retinopati diabetik, dan kondisi mata umum lainnya menimbulkan ancaman signifikan terhadap kesehatan penglihatan. Indonesia, dengan salah satu tingkat kebutaan tertinggi di dunia, menghadapi tantangan dalam menyediakan perawatan mata yang memadai, terutama di daerah terpencil dengan akses terbatas ke dokter mata. Untuk mengatasi masalah ini, teknik pembelajaran mesin, khususnya Convolutional Neural Networks (CNN), telah digunakan untuk tugas klasifikasi gambar, termasuk analisis gambar medis. Model CNN, terutama arsitektur VGG-19, telah terbukti efektif dalam mengklasifikasikan dan mendiagnosis penyakit mata berdasarkan gambar retina dengan tingkat akurasi 96%. Penelitian ini bertujuan untuk mengimplementasikan metode CNN menggunakan arsitektur VGG-19 untuk mengklasifikasikan berbagai penyakit mata, seperti katarak, glaukoma, retinopati diabetik, dan kondisi mata lainnya. Penelitian ini melibatkan penggunaan kumpulan data berkualitas tinggi yang terdiri dari 800 gambar berlabel di delapan kategori penyakit mata, dengan tujuan mencapai klasifikasi yang akurat. Kumpulan data tersebut diproses terlebih dahulu, dan model pembelajaran mendalam dilatih untuk meningkatkan hasil klasifikasi. Penelitian ini berkontribusi pada potensi penerapan CNN dalam membantu diagnosis penyakit mata.]]>
