Tanah memiliki peranan krusial dalam sektor pertanian dan pengelolaan lingkungan, namun identifikasi jenis tanah secara manual sering kali memakan waktu serta biaya yang tinggi. Pendekatan deep learning melalui analisis citra telah banyak digunakan sebagai solusi, tetapi studi sebelumnya sering terbatas pada dataset kecil sehingga performa model kurang general terhadap data di lapangan. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan penggunaan metode Transfer Learning untuk mengklasifikasikan citra tanah. Tiga arsitektur pre-trained model, yaitu ResNet50, VGG16, dan EfficientNetB0, dibandingkan guna membedakan sepuluh jenis tanah menggunakan dataset yang lebih besar dan beragam. Fokus utama penelitian ini adalah mengevaluasi arsitektur yang paling optimal dalam membedakan karakteristik visual yang saling mirip antarjenis tanah. Hasil penelitian menunjukkan bahwa arsitektur VGG16 memperoleh performa terbaik dengan test accuracy sebesar 98,68% pada Percobaan ke-14 (ID Percobaan 44). Performa tersebut diperoleh menggunakan optimizer RMSprop dengan learning rate 0,00001, dropout 0,4, dan unfreeze hingga 15 layers, serta konfigurasi fungsi aktivasi Tanh, inisialisasi bobot Normal, dan 256 Dense units. Hasil tersebut menunjukkan bahwa penerapan Transfer Learning mampu menghasilkan performa klasifikasi yang tinggi dalam membedakan sepuluh jenis tanah. Evaluasi classification report juga menunjukkan nilai accuracy sebesar 99% dengan nilai precision, recall, dan F1-score yang tinggi pada seluruh kelas. Penelitian ini berfokus pada klasifikasi citra tanah dan tidak mencakup pembangunan sistem aplikasi.