Makanan merupakan cerminan budaya dan identitas suatu daerah, dan pengenalan makanan tradisional dari gambar sering menghadapi tantangan, terutama ketika makanan tersebut kurang dikenal secara luas. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan menggunakan metode Convolutional Neural Network (CNN) untuk mengklasifikasikan makanan khas daerah Jambi, yang kaya akan kuliner unik namun belum banyak dikenali dalam kajian akademik. Makanan yang dipilih yaitu, gulai tempoyak ikan patin, kue padamaran, kue gandus, gulai tepek ikan, dan kue putri kandis yang merupakan representasi dari keberagaman kuliner Jambi dan penting untuk pelestarian warisan kuliner lokal. Dataset yang digunakan dalam penelitian ini terdiri dari 600 gambar, dengan masing masing jenis makanan diwakili oleh 120 gambar. Proses penelitian dimulai dengan tahap preprocessing dat a, meliputi pengurangan ukuran citra (resize), pembagian data (split data), normalisasi dan augmentasi data untuk meningkatkan kualitas input model. Model klasifikasi dibagun dengan menggunakan MobileNetV2 sebagai base model yang diikuti dengan penambahan lapisan seperti Global Average Pooling 2D, Relu, Dropout dan dense untuk meningkatkan akurasi klasifikasi. Hasil evaluasi menunjukkan bahawa model yang dilatih selama 25 epoch mencapai tingkat akurasi 96%. Hasil evaluasi menunjukkan bahwa metode CNN dengan arsitektur MobileNetv2 mampu mengklasifikasikan citra makanan khas daerah Jambi dengan baik.

Food is a reflection of the culture and identity of a region, and recognizing traditional foods from images often faces challenges, particularly when these foods are not widely known. This study aims to address these challenges by using Convolutional Neural Network (CNN) methods to classify traditional foods from the Jambi region, which boasts unique culinary offerings that are not yet well-documented in academic research. The selected foods such as gulai tempoyak ikan patin, kue padamaran, kue gandus, gulai tepek ikan, and kue putri kandis represent the diversity of Jambi's culinary heritage and are important for preserving local food traditions. The dataset used in this research consists of 600 images, with each type of food represented by 120 images. The research process begins with data preprocessing, including resizing, data splitting, normalization, and augmentation to enhance the quality of the input for the model. The classification model is built using MobileNetV2 as the base model, augmented with additional layers such as Global Average Pooling 2D, ReLU, Dropout, and Dense to improve classification accuracy. Evaluation results show that the model, trained for 25 epochs, achieved an accuracy rate of 96%. The findings indicate that the CNN method with the MobileNetV2 architecture effectively classifies images of traditional foods from the Jambi region..