Klasifikasi citra tutupan lahan berdasarkan kerapatan vegetasi, terkhusus pada jenis data citra yang diambil melalui UAV, lebih banyak menggunakan metode deep learning berupa CNN dengan pelatihan dari awal, dimana CNN dengan pelatihan dari awal mempunyai kelemahan yaitu memerlukan jumlah data yang besar dan proses pelatihan model yang lama. Berdasarkan masalah tersebut maka diajukan metode dengan menerapkan transfer learning dengan arsitektur CNN Inception-V3 untuk mendapatkan akurasi model yang lebih tinggi memanfaatkan dataset yang ada dengan waktu yang lebih cepat.  Dataset yang digunakan diambil dari Mendeley Data yang berjumlah 3000 citra tutupan lahan dengan 1000 citra pada masing-masing kelasnya. Dataset dibagi berdasarkan kerapatan vegetasinya yaitu bare, heavily grazed, dan softly grazed. Penelitian ini membandingkan model CNN Inception-V3 yang menggunakan transfer learning dengan model CNN Inception-V3 tanpa transfer learning. Hasil dari penelitian ini adalah model Inception-V3 dengan transfer learning menghasilkan akurasi yang lebih baik dari pada model Inception-V3 tanpa transfer learning, dengan perbandingan akurasi 95,33% untuk model Inception-V3 dengan transfer learning dan 93,83% untuk model Inception-V3 tanpa transfer learning. Selain itu, waktu pelatihan model Inception-V3 dengan transfer learning juga lebih cepat dari pada model Inception-V3 tanpa transfer learning, yaitu 4 menit 47 detik untuk rata-rata pelatihan 100 epoch model Inception-V3 dengan transfer learning dan 10 menit 48 detik untuk rata-rata pelatihan 100 epoch model Inception-V3 tanpa transfer learning. Kemudian, pelatihan lanjutan dengan teknik fine-tuning pada model Inception-V3 dengan transfer learning mampu meningkatkan akurasi model dari 95,33% menjadi 97,67%.