Banyak masyarakat kesulitan membedakan hewan yang tampak serupa secara visual namun berasal dari spesies atau kelompok taksonomi yang berbeda. Misalnya, burung gereja rumah dan eurasia memiliki bentuk serupa, ikan koi dan ikan mas kerap tertukar, serta kucing kuwuk yang sering dikira kucing domestik. Kesalahan ini berdampak pada edukasi keanekaragaman hayati. Penelitian ini mengembangkan sistem klasifikasi taksonomi hewan berbasis Convolutional Neural Network (CNN) dengan pendekatan multi-output multi-class classification untuk mengenali tujuh hewan melalui lima level taksonomi (kelas, ordo, famili, genus, spesies). Dataset terdiri dari 6998 citra pelatihan dan 160 citra uji validasi dari Google. Model terbaik (D3-M2) diterapkan dalam dua metode deployment: Edge AI dan Cloud AI. Hasil evaluasi menunjukkan akurasi rata-rata 90,15% dengan F1-score terbaik pada level famili (76,30%) dan terendah pada level spesies (57,83%). Uji kondisi nyata menunjukkan performa terbaik pada pencahayaan terang dan jarak 60 cm, sementara pengujian performa menunjukkan Edge AI sebagai metode paling responsif dengan latensi hanya 0,17 detik dan dapat bekerja secara offline, sehingga dipilih sebagai metode terbaik untuk implementasi di perangkat mobile.