Identifikasi cepat dan akurat spesies Chaetodontidae penting untuk monitoring keanekaragaman hayati laut, namun pendekatan manual tidak skala dan rentan kesalahan pada dataset besar. GAP riset yang kami tangani adalah: (i) ketiadaan kajian yang secara khusus mengombinasikan EfficientNetV2 dengan Bayesian hyperparameter tuning untuk klasifikasi Chaetodontidae, dan (ii) belum adanya evaluasi yang menekankan efisiensi penalaan adaptif beserta dampaknya terhadap performa. Kebaruan (novelty) studi ini ialah perancangan pipeline ringkas-efisien berbasis EfficientNetV2 dengan Bayesian Optimization (10 percobaan) pada learning rate, dropout, dan unfreeze backbone, dipadukan augmentasi kuat (MixUp, CutMix) serta regularisasi (label smoothing, L2). Dataset mencakup 1.427 citra/13 spesies dengan praproses center-crop 80% dan resize 224×224. Konfigurasi terbaik (unfreeze=True, dropout=0,2, LR 3,73×10⁻⁴) mencapai val-accuracy 92,75% dan akurasi uji 97%, dengan precision–recall rata-rata >95%, menunjukkan generalisasi yang baik bahkan pada kelas bermorfologi mirip. Dibanding penalaan manual/grid, pendekatan ini lebih hemat eksperimen sekaligus meningkatkan akurasi. Temuan tersebut menegaskan bahwa integrasi EfficientNetV2 + Bayesian tuning efektif dan siap diadopsi untuk sistem identifikasi–monitoring ikan berbasis citra pada konteks konservasi laut Indonesia.