Glaukoma merupakan penyebab kebutaan terbesar kedua di dunia. Penyakit ini dapat mengakibatkan kebutaan total dan permanen yang disebabkan oleh peningkatan tekanan intraokular (TIO) pada bola mata. Glaukoma dapat didiagnosis menggunakan metode tonometry dan
pachymetry, namun hasil tes metode tersebut sangat bergantung pada kemampuan ophthalmologist yang melakukannya. Penerapan metode deep learning dengan mengimplementasikan computer vision telah banyak diterapkan pada pemeriksaan visual glaukoma menggunakan metode retinal fundus images. Pada penelitian ini klasifikasi glaukoma dilakukan dengan metode transfer learning menggunakan arsitektur EfficientNet dan MobileNet yang akan dibandingkan untuk mengetahui arsitektur mana yang lebih baik berdasarkan nilai tertinggi pada metrik area under the curve (AUC), F1-score, akurasi, dan presisi. Dataset yang digunakan adalah RIM-ONE, G1020, REFUGE, dan PAPILA dengan kelas yang digunakan ialah normal dan glaukoma. Kedua arsitektur dilatih pada data citra dengan augmentasi vertical flipping, horizontal flipping, brightness, dan contrast limited adaptive histogram equalization (CLAHE). Augmentasi yang dilakukan terbagi menjadi skenario tanpa augmentasi, skenario dengan augmentasi, serta skenario dengan augmentasi dan CLAHE. Validasi yang dilakukan pada penelitian ini menggunakan metodestratified k-fold cross-validation dengan nilai k sebesar 5-fold. Evaluasi performa model penelitian ini mendapatkan nilai tertinggi pada metrik AUC sebesar 0,7557, F1-score sebesar 85,06%, akurasi sebesar 77,89%, dan presisi sebesar 82,04% pada model dengan arsitektur MobileNet. Hasil pengujian yang dilakukan menunjukkan arsitektur MobileNet merupakan model terbaik untuk klasifikasi glaukoma pada semua skenario yang digunakan. Selain itu, model yang dilatih menggunakan dataset REFUGE dan RIM-ONE mendapatkan hasil yang lebih baik dibandingkan dataset lainnya pada beberapa skenario yang digunakan.