Banjir merupakan ancaman bencana yang sering terjadi di kota Samarinda. Tingkat kerentanan yang tinggi menyebabkan perlunya pengembangan metode yang efektif untuk mendeteksi dan mengklasifikasikan banjir secara cepat dan akurat. Penelitian ini bertujuan untuk menguji tingkat akurasi metode Convolutional Neural Network (CNN) dalam melakukan klasifikasi citra banjir dan tidak banjir yang didapatkan dari CCTV di beberapa simpang empat di kota Samarinda. Penelitian ini menggunakan metode CNN dengan pendekatan Transfer Learning dan arsitektur MobileNet, yang diketahui memiliki kecepatan komputasi yang lebih tinggi dan jumlah parameter yang lebih sedikit tanpa mengurangi akurasi klasifikasi gambar. Data yang digunakan dalam penelitian ini terdiri dari 1150 citra yang diambil dari CCTV yang terletak di beberapa simpang empat di kota Samarinda. Data ini terdiri dari citra banjir, citra tidak banjir dan citra yang menunjukkan kondisi tidak teridentifikasi. Data ini telah diolah dan dibagi menjadi dua skenario dataset. Skenario pertama menggunakan pembagian 60% untuk data pelatihan, 20% untuk data validasi dan 20% untuk data uji. Skenario kedua menggunakan pembagian 80% untuk data pelatihan, 10% untuk data validasi dan 10% untuk data uji. Hasil percobaan menunjukkan bahwa kedua skenario dataset untuk metode Transfer Learning pada CNN mampu mencapai tingkat akurasi yang tinggi dalam klasifikasi. Hasil akurasi dari pelatihan model CNN mencapai tingkat akurasi sebesar 99,14% untuk skenario pertama serta akurasi sebesar 97,45% untuk skenario kedua, dengan tingkat presisi dan recall yang baik untuk dua skenario tersebut. Hal ini menunjukkan bahwa tingginya rasio data untuk pelatihan tidak menunjukkan pengaruh yang lebih baik pada tingkat akurasi dan penggunaan Transfer Learning dengan arsitektur MobileNet pada CNN adalah pendekatan yang efektif dalam mengklasifikasikan citra banjir dan tidak banjir.