Tutupan lahan merupakan kenampakan material fisik di permukaan bumi yang terdiri dari area bervegetasi dan tidak bervegetasi. Pemantauan atau analisis vegetasi sangat penting dalam konservasi sumber daya alam dan pengelolaan lingkungan. Analisis vegetasi dapat dilakukan dengan cara melakukan klasifikasi vegetasi. Metode yang telah banyak digunakan dalam klasifikasi citra vegetasi adalah CNN, namun CNN memiliki kelemahan yaitu memerlukan jumlah data yang besar untuk proses pelatihan. Berdasarkan masalah tersebut maka penelitian ini mengajukan metode CNN dengan menerapkan data augmentation dalam melakukan klasifikasi vegetasi pada tutupan lahan. Penelitian ini akan menggunakan arsitektur Inception-V4 pada metode CNN. Dataset yang digunakan diambil dari Mendeley data yang berjumlah 3000 citra vegetasi yang terdiri dari 3 kelas yaitu bare, sedang, dan tinggi, dengan masing-masing kelas berjumlah 1000 citra. Hasil dari penelitian ini adalah CNN dengan arsitektur Inception-V4 dan data augmentation menghasilkan accuracy, precision, recall, dan f1-score sebesar 97%, 96.97%, 97.18%, dan 97.03%. Sedangkan CNN dengan arsitektur Inception-V4 tanpa data augmentation menghasilkan accuracy, precision, recall, dan f1-score sebesar 90.33%, 91.03%, 90.35%, dan 90.48%. Hasil tersebut membuktikan bahwa performa CNN dengan arsitektur Inception-V4 dan data augmentation lebih baik dibandingkan CNN dengan arsitektur Inception-V4 tanpa data augmentation, dengan peningkatan accuracy, precision, recall, dan f1-score secara berturut-turut sebesar 6.67%, 5.94%, 6.83%, 6.55%.