Warisan kuliner Kalimantan Selatan yang kaya mencakup banyak hidangan tradisional yang masih asing bagi pengunjung dan platform digital. Meskipun Convolutional Neural Networks (CNN) telah menunjukkan keberhasilan yang luar biasa dalam tugas klasifikasi gambar, penerapannya pada masakan daerah menghadapi tantangan yang unik, terutama saat berhadapan dengan set data yang terbatas dan hidangan yang mirip secara visual. Penelitian ini membahas tantangan-tantangan tersebut dengan mengevaluasi dan mengoptimalkan dua arsitektur CNN yang telah dilatih sebelumnya—EfficientNetB0 dan InceptionV3—untuk klasifikasi makanan Kalimantan Selatan. Dengan menggunakan dataset khusus yang terdiri dari 1.000 gambar yang mencakup 10 hidangan tradisional, kami menyelidiki berbagai strategi penyesuaian untuk memaksimalkan akurasi klasifikasi. Hasil penelitian kami menunjukkan bahwa EfficientNetB0, dengan 30 lapisan yang disetel dengan baik, mencapai akurasi tertinggi sebesar 94,50%, sementara InceptionV3 mencapai akurasi 92,00% dengan 40 lapisan yang disetel dengan baik. Temuan ini menunjukkan bahwa EfficientNetB0 sangat efektif untuk mengklasifikasikan makanan regional dengan data yang terbatas, mengungguli InceptionV3 dalam konteks ini. Penelitian ini memberikan kerangka kerja untuk menerapkan model CNN secara efisien pada dataset kecil yang terspesialisasi, yang berkontribusi pada pelestarian digital warisan kuliner Kalimantan Selatan dan kemajuan dalam klasifikasi makanan daerah. Penelitian ini juga membuka jalan untuk penelitian lebih lanjut yang dapat diterapkan pada kuliner daerah lain yang kurang terdokumentasi. Kerangka kerja yang disajikan dapat digunakan sebagai referensi untuk mengembangkan sistem klasifikasi otomatis dalam konteks budaya yang lebih luas, sehingga dapat memperkaya dokumentasi digital masakan tradisional dan melestarikan keanekaragaman kuliner nusantara untuk generasi mendatang.