Penelitian ini mengembangkan model klasifikasi citra berbasis deep learning menggunakan arsitektur MobileNetV2 dalam membedakan jamur edible (layak konsumsi) dan poisonous (beracun) sebagai sistem bantu identifikasi yang praktis bagi masyarakat luas. Penelitian ini menggunakan dataset citra jamur yang terdiri dari dua kelas, yaitu edible dan poisonous, yang kemudian dibagi menjadi data latih, data validasi, dan data uji melalui tahapan pra-pemrosesan berupa penyesuaian ukuran citra menjadi 224 × 224 piksel, konversi ke format RGB, normalisasi nilai piksel, serta penerapan augmentasi data untuk meningkatkan variasi data pelatihan. Perancangan model dilakukan dengan menerapkan metode transfer learning menggunakan base model MobileNetV2 berbobot ImageNet yang dikombinasikan dengan custom classification head. Proses pelatihan model dilakukan selama 50 epoch dengan menggunakan optimizer Adam serta didukung oleh mekanisme callbacks seperti EarlyStopping untuk menjaga efisiensi pelatihan. Hasil eksperimen menunjukkan bahwa model mampu melakukan ekstraksi fitur visual secara efektif dengan kinerja yang stabil, ditandai dengan pemulihan bobot terbaik pada epoch ke-30 dengan nilai validation loss minimum sebesar 0,1964. Kinerja model menunjukkan hasil yang baik dengan capaian akurasi sebesar 98% pada data latih, 96% pada data validasi, dan 92,2% pada data uji. Hasil tersebut mengindikasikan bahwa model berbasis MobileNetV2 memiliki kemampuan klasifikasi yang baik, efisien secara komputasi, serta layak untuk digunakan sebagai sistem bantu identifikasi jamur berbasis citra.