Kendaraan adalah alat transportasi yang sering digunakan oleh masyarakat dalam aktivitas sehari-hari. Namun, seiring berjalannya waktu, jumlah kendaraan semakin meningkat secara signifikan. Oleh karena itu, diperlukan sistem kalsifikasi kendaraan untuk mempermudah pendataan. Berdasarkan penelitian terkait, ResNet-50 memiliki akurasi yang lebih baik dibandingkan arsitektur lainnya. Penelitian ini ditujukan untuk merancang sistem klasifi kasi kendaraan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50. Dataset yang digunakan mencakup tujuh belas jenis kendaraan yang berbeda, dan dalam implementasinya digunakan optimizer Adam dengan beberapa variasi hyperparameter menggunakan Epoch 100. Hasil eksperimen menunjukkan bahwa penggunaan bobot pre trained memberikan peningkatan performa yang signifikan dibandingkan dengan model tanpa bobot pre trained. Model dengan pre-trained mencapai akurasi validasi tertinggi sebesar 95.72% dan akurasi uji sebesar 85.02%, sedangkan model yang dilatih dari awal hanya mencapai akurasi validasi 34.66% dan akurasi uji 32.77%. Selain itu, penelitian ini juga menemukan adanya kesulitan dalam mengklasifikasikan kelas-kelas dengan jumlah data terbatas atau visual yang mirip, seperti Barge dan Limousine, yang sering mengalami misclassification. Dengan demikian, penelitian ini menunjukkan bahwa transfer learning dengan bobot pre-trained sangat efektif dalam meningkatkan akurasi model klasifikasi.