Identifikasi varietas tanaman padi secara manual memerlukan keahlian khusus dan berpotensi menimbulkan kesalahan karena kemiripan karakteristik visual antar varietas. Kondisi tersebut mendorong pemanfaatan teknologi pengolahan citra berbasis deep learning untuk membantu proses identifikasi secara otomatis. Penelitian ini bertujuan membangun sistem klasifikasi varietas tanaman padi serta membandingkan kinerja arsitektur EfficientNetB0 dan VGG19 dalam mengklasifikasikan empat varietas padi, yaitu Kukubalam, Sihasona, Sipera, dan Sipulut. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Dataset citra melalui tahapan preprocessing yang meliputi perubahan ukuran citra, normalisasi, dan augmentasi sebelum proses pelatihan model. Evaluasi dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score, sedangkan pengujian fungsional aplikasi menggunakan metode Black Box Testing. Hasil penelitian menunjukkan bahwa model EfficientNetB0 memperoleh performa terbaik dengan accuracy sebesar 81,02%, macro F1-score sebesar 0,76, dan weighted F1-score sebesar 0,82, lebih baik dibandingkan VGG19 yang memperoleh accuracy sebesar 77,37%, macro F1score sebesar 0,66, dan weighted F1-score sebesar 0,76. Selain itu, hasil Black Box Testing menunjukkan seluruh fungsi aplikasi berjalan sesuai dengan kebutuhan yang telah ditetapkan