Glaukoma merupakan penyakit mata dengan karakteristik khusus seperti kerusakan saraf optik neuropati dan kelainan lapang pandang. Peningkatan tekanan intraokular merupakan faktor resiko utama penyebab glaukoma. Menurut World Health Organization (WHO), penyebab kebutaan kedua di dunia setelah katarak adalah glaukoma. Dokter mata biasanya mendeteksi glaukoma dengan menggunakan perhitungan parameter Cup to Disc Ratio (CDR) menggunakan perangkat yang mahal serta relatif terbatas. Penelitian ini dilakukan untuk mengatasi masalah tersebut dengan membuat sistem yang dapat mengklasifikasikan glaukoma melalui citra fundus menggunakan model Convolutional Neural Network (CNN). Penelitian menggunakan arsitektur Residual Network-34 untuk mengklasifikasikan lima jenis glaukoma yaitu early, moderate, deep, OHT dan normal. Masukan dari sistem berupa citra fundus yang terdiri dari total 1.980 citra, terbagi menjadi 80% data latih dan 20% data uji. Analisa sistem dilakukan dengan membandingkan pengaruh penggunaan tiga optimizer yang berbeda, yaitu: Adam, SGD dan RMSprop, pengaruh nilai epoch, dan pengaruh nilai batch size. Dari hasil penelitian didapatkan bahwa sistem mampu melakukan klasifikasi glaukoma dengan akurasi 89%-91% menggunakan optimizer Adam dengan learning rate 0.001, nilai epoch 50 dan batch size 32.
Kata Kunci: Convolutional Neural Network, Glaucoma, ResNet-34, Optimizer