Kualitas sarang burung walet merupakan faktor penting dalam menentukan nilai jual, sehingga diperlukan sistem klasifikasi yang akurat dan otomatis. Penelitian ini bertujuan mengembangkan model klasifikasi mutu sarang burung walet menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan transfer learning berbasis arsitektur MobileNetV2. Dataset yang digunakan terdiri atas 3.406 citra sarang burung walet yang diperoleh langsung dari petani, kemudian diproses melalui augmentasi agresif dan penghapusan latar belakang guna menyoroti objek utama. Data dibagi secara seimbang ke dalam data pelatihan sebanyak 2.723 citra dan data validasi sebanyak 683 citra, mencakup tiga kelas kualitas: tinggi, sedang, dan rendah. Model dilatih dalam dua tahap, yaitu pelatihan awal (frozen base) dan fine-tuning. Hasil evaluasi menunjukkan peningkatan akurasi dari 93% menjadi 97% setelah proses fine-tuning, dengan nilai precision, recall, dan F1-score rata-rata sebesar 0,97. Hasil confusion matrix memperlihatkan akurasi klasifikasi yang tinggi dan prediksi dominan berada pada diagonal utama. Penelitian ini berkontribusi dalam mengembangkan sistem klasifikasi mutu sarang burung walet berbasis citra dengan akurasi tinggi melalui integrasi pra-pemrosesan berbasis kontur, augmentasi data, dan optimasi arsitektur CNN. Model yang dihasilkan berpotensi untuk diimplementasikan pada industri guna mendukung proses penyortiran sarang burung walet secara objektif dan efisien.