Klasifikasi jenis bunga secara otomatis merupakan salah satu penerapan penting dalam bidang pengenalan pola dan computer vision. Namun, variasi morfologi yang tinggi serta ketimpangan distribusi data antar kelas sering kali menurunkan performa generalisasi model pembelajaran mendalam (Deep Learning). Penelitian ini bertujuan untuk mengklasifikasikan jenis bunga menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Untuk mengatasi permasalahan variasi citra dan ketimpangan kelas, diterapkan tahapan pra-pemrosesan yang meliputi augmentasi data guna memperkaya variasi sampel latih serta teknik penyeimbangan kelas (class weighting) agar model tidak mengalami bias terhadap kelas mayoritas. Arsitektur AlexNet yang terdiri dari lapisan konvolusi, pooling, dan fully connected layer digunakan untuk mengekstraksi fitur visual secara otomatis dari citra bunga. Berdasarkan hasil pengujian yang dilakukan, model mampu melakukan ekstraksi fitur dan mengenali berbagai kategori jenis bunga dengan tingkat akurasi yang tinggi. Evaluasi performa menggunakan matriks konfusi dan laporan klasifikasi menunjukkan bahwa arsitektur AlexNet efektif dan handal dalam mengklasifikasikan jenis bunga, serta mampu meminimalkan kesalahan klasifikasi pada kelas-kelas yang memiliki kemiripan morfologi.