Identifikasi buah tropis berbasis citra digital menghadapi tantangan multidimensi akibat keragaman morfologi intra-kelas (seperti variasi tingkat kematangan pada pisang) dan kesamaan visual antar-kelas (misalnya kemiripan geometris antara mangga dan nanas), diperparah oleh kondisi lingkungan lapangan yang tidak terkontrol seperti pencahayaan dinamis dan latar belakang kompleks. Untuk mengatasi masalah ini, penelitian ini mengusulkan strategi adaptasi spesifik domain pada arsitektur EfficientNetB0 melalui integrasi blok lapisan kustom yang terdiri dari Dense Layer 256-neuron dengan aktivasi swish, normalisasi lapisan (Layer Normalization), dan Spatial Dropout 0.3, serta mekanisme kalibrasi bertahap (gradual unfreezing) yang membuka lapisan konvolusional secara progresif. Dataset sebanyak 5.200 citra buah tropis Indonesia (pisang, mangga, nanas, durian, rambutan) diperkuat dengan teknik augmentasi dinamis berbasis domain knowledge, termasuk color jitter terarah dan random erasing untuk meniru variasi kondisi riil. Hasil eksperimen menunjukkan pencapaian akurasi validasi 88.7% dan F1-score rata-rata 0.87, yang mengungguli kinerja MobileNetV2 sebesar 6.4% dalam uji komparatif. Implementasi operasional dalam sistem FruitScan-ID membuktikan efektivitas metode ini dengan mengurangi kesalahan identifikasi manual hingga 40%, menawarkan solusi komputasi tepi (edge-computing) yang hemat sumber daya untuk otomasi industri pertanian tropis.