Sampah merupakan permasalahan serius yang berkontribusi terhadap pencemaran lingkungan. Sampah kemasan anorganik merupakan salah satu jenis sampah yang paling banyak ditemukan dan sulit terurai. Pengelolaan sampah kemasan anorganik dapat dilakukan dengan pemilahan sampah sebagai upaya pertama sebelum dilakukan pengolahan lain seperti daur ulang. Meski demikian, pemilahan sampah saat ini masih sulit dilakukan di fasilitas pengelolaan sampah oleh tenaga manusia, sehingga diperlukan rancangan sistem yang dapat membantu proses pemilahan sampah.  Sebagai suatu objek yang memiliki fitur visual, pemilahan sampah kemasan anorganik dapat dilakukan menggunakan klasifikasi citra. Convolutional Neural Network (CNN) merupakan bagian deep learning, yang sangat efektif dalam memproses kumpulan data gambar dan klasifikasi objek. Pada penelitian ini CNN dimanfaatkan untuk klasifikasi objek berupa sampah kemasan anorganik dengan input berupa gambar. Lima arsitektur pre-trained CNN yaitu Xception, Inception V3, ResNet-50, Resnet-50 V2, dan DenseNet-201 dipilih yang terbaik lalu dilakukan tuning untuk mengklasifikasikan enam kelas sampah kemasan anorganik yaitu botol plastik HDPE, botol plastik PET, botol dan jar kaca, kaleng, kardus, dan plastik kemasan fleksibel. Hasil penelitian menunjukkan bahwa pre-trained CNN Densenet 201 merupakan arsitektur terbaik. Selain itu Densenet 201 disertai tuning mengalami peningkatan performansi dari Densenet 201 murni dengan akurasi 95,31% untuk set validasi dan 95,6% untuk set testing serta 0.96 untuk presisi, 0.96 untuk recall dan 0.96 untuk F1-score.