Penyakit mata yang mempengaruhi retina seringkali menjadi masalah yang mempengaruhi kualitas hidup pasien. Citra Optical Coherence Tomography (OCT) adalah jenis citra medis yang digunakan untuk mendiagnosis dan memantau penyakit pada struktur dalam tubuh manusia, terutama pada mata. Metode Convolutional Neural Network (CNN) diketahui mampu menghasilkan akurasi yang lebih tinggi pada data gambar. Penelitian ini mengembangkan model CNN yang dapat mengklasifikasikan penyakit mata pada hasil citra OCT dengan akurasi yang tinggi, serta memperbaiki waktu pelatihan model dengan mempertimbangkan penggunaan optimizer Rectified Adam dan optimizer Adabelief. Model dilatih, divalidasi, dan diuji menggunakan dataset citra retina pada mata dari hasil OCT yang memiliki 4 kelas yaitu, mata normal, Choroidal Neovascularization (CNV), Diabetic Macular Edema (DME), dan Drusen. Model juga dilatih dengan penggabungan hyperparameter batch size, learning rate, dan epoch untuk mendapatkan kombinasi terbaik untuk menghasilkan kinerja berupa nilai akurasi dan recall yang optimal. Berdasarkan hasil pengujian, model CNN menggunakan optimizer Adabelief dengan kombinasi hyperparameter batch size 64, learning rate 0.001, dan epoch 100 menghasilkan akurasi terbaik yaitu 94.72% dan recall yaitu 92.06%. Sedangkan model CNN yang menggunakan optimizer Rectified Adam dengan kombinasi hyperparameter batch size 64, learning rate 0.002, dan epoch 100 menghasilkan nilai akurasi dan recall yaitu 94.31% dan 93.97%.