Katarak merupakan penyakit yang menyerang lensa mata dan membuat penderita kesulitan melihat. Katarak dapat terjadi dikarenakan hidrasi (penambahan cairan) lensa atau denaturasi protein pada lensa. Jika katarak tidak ditangani dengan tepat maka kemungkinan akan menyebabkan kebutaan. Oleh karena itu, pendeteksian dini perlu dilakukan agar dapat memberikan penanganan yang sesuai dengan tingkat katarak yang dialami.
Pada penelitian ini, dikembangkan sebuah sistem klasifikasi katarak berbasis CNN dengan arsitektur GoogLeNet. Citra fundus diklasifikasikan kedalam empat kelas yaitu normal, imatur, matur dan hipermatur. Dataset yang digunakan merupakan dataset primer yang dikumpulkan dari beberapa rumah sakit terkait. Dataset berjumlah 399 citra fundus dan diaugmentasi menjadi 1600 citra. Setiap kelas katarak terdiri dari 400 citra yang telah diaugmentasi. Kemudian, dataset melalui proses preprocessing serta pelatihan model dengan pembagian 80% data train dan 20% data test. Proses pelatihan model menggunakan metode cross validation dengan nilai 5-fold untuk menentukan model yang paling optimal.
Sistem klasifikasi katarak menggunakan Convolutional Neural Network (CNN) dengan arsitektur GoogLeNet. Pada penelitian ini diperoleh akurasi terbaik sebesar 92,8% dengan nilai loss sebesar 1,890. Parameter yang digunakan untuk mencapai performansi terbaik yaitu, epoch 50, learning rate 0,0001, optimizer Adam, dan batch size 6.