Jamur merupakan salah satu komponen keanekaragaman hayati yang kaya akan nutrisi dan senyawa bioaktif, namun beberapa spesies mengandung toksin berbahaya bagi manusia. Identifikasi jenis jamur secara manual memerlukan keahlian khusus dan rentan terhadap kesalahan, sehingga diperlukan solusi otomatis berbasis kecerdasan buatan. Penelitian ini bertujuan untuk menerapkan arsitektur EfficientNetB1 berbasis Convolutional Neural Network (CNN) guna mengklasifikasikan jenis jamur serta mengevaluasi performanya menggunakan Confusion Matrix. Tantangan utama dalam klasifikasi citra jamur adalah karakteristik data yang tidak seimbang (imbalanced data), yang dapat menyebabkan bias pemodelan terhadap kelas mayoritas. Data yang digunakan diperoleh dari Kaggle (Mushroom Images Classification) dengan total 6.714 gambar yang terbagi menjadi 9 kelas jenis jamur. Tahapan preprocessing yang diimplementasikan meliputi penghapusan data korup, oversampling untuk penyeimbangan kelas, dan augmentasi gambar. Pengujian dilakukan melalui variasi hyperparameter pada batch size (32, 64, 128) dan jumlah epoch (10, 20, 30, 40, 50). Hasil eksperimen menunjukkan bahwa konfigurasi hyperparameter optimal dicapai pada batch size 32 dan epoch 30 dengan perolehan akurasi tertinggi sebesar 0.9183 dalam waktu pelatihan 15,0 menit. Penerapan teknik imbalance learning berhasil mendongkrak performa kelas minoritas secara signifikan, seperti peningkatan nilai recall pada kelas Entoloma sebesar 9,59% (dari 0.8219 menjadi 0.9178). Dalam analisis perbandingan antar-arsitektur, EfficientNet-B1 mengungguli arsitektur lainnya dengan nilai akurasi 0.9183, presisi 0.9188, recall 0.9183, dan F1-Score 0.9182, dibandingkan MobileNetV2 (0.7996) dan InceptionV3 (0.8099). Penelitian ini membuktikan bahwa EfficientNet-B1 mampu memberikan tingkat akurasi yang reliabel dan efisiensi komputasi yang seimbang untuk klasifikasi citra jamur.