Kentang (Solanum tuberosum L.) merupakan komoditas pangan penting yang rentan terhadap berbagai penyakit daun seperti early blight, late blight, bacterial wilt, hama, dan nematoda. Identifikasi penyakit secara manual sering kali memakan waktu lama dan kurang akurat karena gejala antarpenyakit tampak serupa. Untuk menjawab tantangan tersebut, penelitian ini mengusulkan pemanfaatan arsitektur MobileNetV3-Large dengan pendekatan transfer learning melalui teknik layer freezing dan fine-tuning sebagai solusi. Metodologi penelitian mencakup penggunaan dataset dari platform Kaggle yang diproses melalui normalisasi dan augmentasi citra. Model dibangun dengan arsitektur MobileNetV3-Large yang awalnya dibekukan pada lapisan dasar, kemudian dilanjutkan dengan pembukaan sebagian lapisan atas untuk fine-tuning menggunakan learning rate rendah. Proses pelatihan dilakukan dalam dua tahap, diikuti evaluasi pada skenario klasifikasi 3, 5, dan 6 kelas penyakit dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa fine-tuning meningkatkan performa model secara konsisten. Akurasi tertinggi diperoleh pada skenario 3 kelas sebesar 99,69%, pada 5 kelas sebesar 95,23%, dan pada 6 kelas sebesar 93,22%. Jika dibandingkan dengan metode CNN (96%) dan VGG-19 (97,8 %), yang digunakan pada penelitian sebelumnya, peningkatan akurasi yang dicapai model MobileNetV3-Large mencapai +1,89 % di 3 kelas dibanding VGG-19. MobileNetV3 terbukti lebih unggul baik dari segi akurasi. Kesimpulannya, pendekatan transfer learning dengan layer freezing pada MobileNetV3 efektif untuk klasifikasi penyakit daun kentang, serta berpotensi besar diimplementasikan pada sistem pertanian presisi berbasis perangkat mobile.