Kasus gangguan penglihatan dan kebutaan di Indonesia masih tinggi, dengan penyebab utama meliputi katarak, glaukoma, dan retinopati diabetik. Telah dilakukan implementasi klasifikasi kelainan mata dari citra fundus menggunakan tiga model Convolutional Neural Network (CNN) yaitu AlexNet, VGG-16, dan VGG-19. Pelatihan model dilakukan dengan dua skenario pembelajaran: learning rate tetap dan learning rate yang berubah. Hasil menunjukkan bahwa penggunaan learning rate yang berubah meningkatkan performa model dibandingkan dengan learning rate tetap. Model AlexNet mencapai akurasi, presisi, recall, dan skor F1 tertinggi dalam skenario learning rate yang berubah, diikuti oleh VGG-16 dan VGG-19. Sebaliknya, model dengan learning rate menunjukkan performa yang lebih rendah. Model AlexNet dengan learning rate tetap memperoleh akurasi 0,84; presisi 0,84; recall 0,84; dan skor F1 0,84; sedangkan dengan learning rate berubah meningkat menjadi akurasi 0,86; presisi 0,86; recall 0,86; dan skor F1 0,86. Model VGG-16 dengan learning rate tetap memiliki akurasi 0,80; presisi 0,81; recall 0,80; dan skor F1 0,80; sementara dengan learning rate berubah meningkat menjadi akurasi 0,85; presisi 0,85; recall 0,85; dan skor F1 0,85. Model VGG-19 dengan learning rate tetap mencapai akurasi 0,81; presisi 0,81; recall 0,81; dan skor F1 0,81; sedangkan dengan learning rate berubah meningkat menjadi akurasi 0,83; presisi 0,84; recall 0,83; dan skor F1 0,83.