Klasifikasi untuk objek wisata masih menjadi topik yang dapat dikembangkan lebih lanjut dikarenakan variasi keragaman tempat wisata dan sudut pandang pengambilan gambar sangatlah mempengaruhi distribusi fitur. Kemudian, karateristik dari objek wisata terutama wisata alam sangatlah beragam dan memiliki kemiripan dan bahkan dalam perspeksi manusia permasalahan ini cukup susah untuk mengetahui ini objek wisata mana, apalagi bila belum mengetahui objek wisata tersebut. Penelitian ini menggunakan Convolutional Neural Network(CNN) sebagai metode dasar untuk melakukan ekstraksi fitur pada gambar terutama bentuk, posisi dan tekstur. Penelitian ini menggunakan dataset yang diambil dari internet(scrapping) dengan jumlah 30 kelas dengan rasio 200 data per-kelas. Penelitian ini membandingkan berbagai arsitektur model CNN seperti VGG16 dan ResNet50 yang telah di latih dengan dataset Place365 atau Imagenet (Pre-trained). Sebagai tambahan, penelitian ini juga membandingkan hasil dataset dari non-augmentasi dan yang telah di augmentasi. Pada shallow CNN(self-design) dengan kombinasi max-pooling mendapatkan 51%, pada VGG16 Place365 mendapatkan 90% dan ResNet50 mendapatkan 89%. Validasi akurasi yang di dapatkan pada model VGG16 Place365 melampaui penelitian sebelum nya yang bahkan hanya menggunakan kurang dari 30 kelas, sehingga kombinasi metode yang di gunakan dalam penelitian ini bisa dibilang jauh lebih baik(robust) terhadap permasalahan klasifikasi objek wisata.