Indonesia, sebagai negara dengan keanekaragaman hayati yang luar biasa, menjadi habitat bagi berbagai spesies ular. Konflik antara manusia dan ular seringkali menimbulkan dampak serius, terutama ketika gigitan ular dapat mengancam kesehatan manusia. Identifikasi spesies ular menjadi aspek kunci dalam penanganan konflik ini. Penelitian ini bertujuan untuk menguji arsitektur ConvNeXt sebagai arsitektur terbaru yang mampu mencapai akurasi tertinggi pada dataset ImageNet, guna meningkatkan akurasi identifikasi spesies ular. Dengan berfokus pada teknologi Deep Learning, khususnya Convolutional Neural Network (CNN), Transfer Learning diterapkan menggunakan arsitektur ConvNeXt, memungkinkan pengetahuan dari dataset gambar yang luas sebelumnya untuk diterapkan pada identifikasi spesies ular. Hasil penelitian menunjukkan bahwa varian ConvNeXtXLarge berhasil mencapai accuracy, precision, recall dan F-1 Score sebesar 92% dalam mengklasifikasi 18 spesies ular. Meskipun memberikan hasil yang memuaskan, perhatian khusus diberikan pada efisiensi model terkait waktu pelatihan yang dapat memakan waktu paling lama. Dalam perbandingan dengan model-model CNN terdahulu, ConvNeXtXLarge belum melampaui performa VGG-16 dan DenseNet121 dalam semua evaluasi metrik yang diadopsi.

Kata kunci :Deep Learning, Convolutional Neural Network, ConvNeXt, Transfer Learning, Klasifikasi Gambar, Spesies Ular, Klasifikasi Spesies Ular