Klasifikasi jenis tanah adalah metode untuk memisahkan karakteristik tanah yang berbeda- beda dan mengkategorikan tanah ke dalam kelompok-kelompok tertentu berdasarkan kesamaan karakteristik yang dimilikinya. Namun klasifikasi manual jenis tanah dianggap sulit untuk mengidentifikasi beberapa jenis tanah yang berbeda namun memiliki karakteristik serupa. Arsitektur jaringan saraf tiruan seperti VGG16 merupakan pilihan populer dalam penyelesaian masalah klasifikasi citra atau gambar. Berdasarkan landasan tersebut, penulis ingin melakukan analisis VGG-16 yang memiliki performa yang lebih baik pada kasus klasifikasi jenis tanah. Metodologi penelitian melibatkan pengumpulan dataset yang terdiri dari citra tanah dengan variasi tekstur dan warna yang signifikan. Kemudian, model CNN VGG16 dilatih menggunakan dataset ini untuk mengklasifikasikan jenis tanah. Hasil eksperimen menunjukkan bahwa VGG16 secara signifikan unggul dalam klasifikasi gambar tanah. VGG16 mencapai akurasi (95.91%) dan nilai loss yang rendah (0.1298), menunjukkan kemampuannya dalam mengklasifikasikan data secara akurat. Presisi tinggi (92.05%), recall baik (91.05%), dan F1-score yang tinggi (91.05%) menggambarkan kemampuan VGG16 dalam mengidentifikasi dan mengklasifikasikan sampel secara tepat. Waktu pelatihan yang lebih singkat dan waktu inferensi yang lebih efisien (20 menit 54 detik dan 2362ms) membuat VGG16 menjadi pilihan yang lebih baik untuk prediksi cepat pada kelas data yang sedikit.