Identifikasi jenis jamur secara visual merupakan tantangan tersendiri karena beberapa jenis jamur beracun memiliki kemiripan tampilan dengan jamur yang aman dikonsumsi. Penelitian ini bertujuan untuk mengklasifikasikan jenis jamur konsumsi dan non-konsumsi dari citra digital menggunakan arsitektur MobileNetV1 dengan pendekatan transfer learning. Dataset yang digunakan terdiri dari 1.200 citra yang diperoleh dari Kaggle, mencakup 10 jenis jamur dengan 120 citra per kelas, yang dibagi ke dalam tiga skenario pembagian data yaitu 70:15:15, 80:10:10, dan 90:5:5 dengan empat variasi konfigurasi hyperparameter untuk menentukan konfigurasi model terbaik. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score berdasarkan hasil confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa model MobileNetV1 dengan transfer learning mampu menghasilkan performa klasifikasi yang sangat baik. Skenario 1 dengan pembagian data 70:15:15, learning rate 0.001, batch size 32, dan dropout 0.3 memberikan hasil terbaik dengan accuracy sebesar 98.33%, precision 98.5%, recall 98.2%, dan F1-score 98.2%. Analisis kesalahan klasifikasi menunjukkan bahwa ada hubungan antara konsistensi sudut pengambilan gambar, sehingga dilakukan audit dan pelatihan ulang yang meningkatkan test accuracy menjadi 98.89% tanpa kesalahan klasifikasi lintas kategori keamanan. Model kemudian diimplementasikan ke dalam aplikasi untuk memudahkan dalam mengidentifikasi jenis jamur beserta kategori kelayakan konsumsinya.