Karies gigi adalah salah satu masalah kesehatan mulut yang paling umum di seluruh dunia. Proses diagnosis karies gigi secara manual membutuhkan keahlian khusus dan sering kali membutuhkan waktu yang cukup lama, sehingga pendekatan berbasis Artificial Intelligence (AI) menjadi solusi potensial untuk meningkatkan efisiensi dan akurasi. Penelitian ini bertujuan untuk mengimplementasikan metode transfer learning berbasis ResNext, dikombinasikan dengan teknik augmentasi data, untuk mendeteksi karies gigi dengan lebih akurat dari dataset gambar intraoral. Metodologi penelitian meliputi pengumpulan dataset intraoral, membagi data ke dalam set pelatihan, validasi, dan pengujian, dan melakukan augmentasi data menggunakan teknik seperti teknik rotasi, flipping, zoom, dan penyesuaian kecerahan. Model transfer learning menggunakan ResNext50 dan ResNext101 dengan bobot awal dari ImageNet, sementara ResNet50 digunakan sebagai baseline untuk perbandingan. Evaluasi model dilakukan berdasarkan metrik akurasi, presisi, recall, dan F1-score dengan menggunakan confusion matrix. Hasil percobaan menunjukkan bahwa ResNext50 dengan 3 layer mencapai hasil terbaik dengan akurasi 90% dan skor false negative 1 yang meminimalkan diagnosis karies yang terlewat.