Pengenalan jenis bunga berdasarkan gambar merupakan tantangan dalam image processing dan computer vision dengan struktur bunga yang kompleks dan memiliki karakteristik yang serupa tapi berbeda. Salah satu cara cepat untuk mengidentifikasi bunga yaitu dengan melakukan klasifikasi. Pada penelitian ini melakukan klasifikasi dengan menggunakan dataset ”FlowersData” yang memiliki 5 kelas terdiri dari daisy, dendelion, rose, sunflowers, dan tulip dan membandingkan arsitektur dari metode Convolutional Neural Network yaitu AlexNet dan ResNet-50 yang merupakan arsitektur yang mencapai hasil yang baik dalam tantangan ImageNet Large Scale Visual Classification Challenge (ILSVRC). AlexNet memiliki 5 convolutional layers dan fully connected layers yang dikenal baik dalam klasifikasi. ResNet-50 dikenal dengan residual blocks untuk memecahkan masalah gradien yang hilang. Hasil penelitian yang terbaik dari beberapa percobaan yang dilakukan yaitu untuk AlexNet berada pada pembagian data 90:10 dengan input size 227x227 mendapatkan accuracy 0,835, sedangkan ResNet-50 berada pada pembagian data 80:20 dengan input size 224x224 dengan mendapatkan accuracy 0,79. Penelitian ini menunjukkan bahwa arsitektur AlexNet memiliki hasil terbaik dibandingkan arsitektur ResNet-50 dan hasil ini juga memberikan bukti metode Convolutional Neural Network efektif dalam klasifikasi bunga dan menunjukkan bahwa input size dan pembagian data memiliki pengaruh terhadap hasil evaluasi.