Katarak merupakan penyebab utama kebutaan di seluruh dunia yang dapat didiagnosis dengan berbagai metode. Walaupun banyak metode yang dapat dilakukan diagnosis katarak tidaklah selalu akurat karena dalam sebuah studi kasus mengungkapkan bahwa 15% dari 100 pasien yang didiagnosis menderita katarak ternyata tidak menderita katarak. Hal ini mendorong para peneliti untuk menyelidiki potensi kecerdasan buatan dan pembelajaran mendalam untuk klasifikasi citra mata katarak, dengan tujuan meningkatkan akurasi diagnosis. Metodologi yang digunakan adalah convolutional neural network yang menggunakan tiga arsitektur model yang berbeda. Data yang digunakan untuk penelitian ini adalah data citra yang berkaitan dengan mata katarak dan mata normal, dengan total 1.066 data. Data citra ini terdiri dari 533 citra mata katarak dan 533 citra mata normal. Ketiga model menunjukkan hasil akurasi pelatihan yang berbeda, dengan rata-rata 93,62%. Model 2 menunjukkan akurasi tertinggi, dengan nilai 94,37%. Efektivitas arsitekturnya dievaluasi melalui confusion matrix, yang memberikan wawasan tentang presisi, sensitivitas, spesifisitas, dan F1-score dari model tersebut. Hasil pengujian confusion matrix menggunakan Model 2 menghasilkan nilai accuracy sebesar 89,71%, nilai sensitivity 92,52%, nilai specificity 86,91%, dan nilai F1-Score 90%. Temuan ini menunjukkan bahwa metode convolutional neural network (CNN) merupakan pendekatan yang efektif untuk mendeteksi penyakit katarak pada data citra. Nilai sensitivitas dan spesifisitas yang tinggi menunjukkan bahwa arsitektur model mampu membedakan secara akurat antara citra mata yang terkena katarak dan citra mata normal.