Penelitian ini bertujuan untuk menentukan arsitektur deep learning yang paling sesuai untuk klasifikasi kategori buku berdasarkan citra cover serta mengimplementasikan model ke dalam aplikasi. Penelitian menggunakan 662 citra buku yang terbagi menjadi 10 kategori. Metode yang digunakan membandingkan lima arsitektur Convolutional Neural Network (CNN), yaitu ResNet50, ResNet101, VGG16, VGG19, dan AlexNet dengan beberapa konfigurasi epoch. Evaluasi dilakukan menggunakan accuracy, precision, recall, specificity, dan macro-F1. Selain klasifikasi berbasis citra, penelitian juga menguji informasi teks menggunakan OCR serta menggabungkan informasi citra dan teks. Hasil penelitian menunjukkan bahwa ResNet101 merupakan arsitektur CNN yang paling sesuai dengan macro-F1 sebesar 0,722 pada grid terkalibrasi. Pendekatan OCR memperoleh akurasi 57,6%, sedangkan fusi CNN dan OCR mencapai akurasi 69,1%. Hasil tertinggi diperoleh CLIP ViT-L-14-336 menggunakan linear probe dengan akurasi 80,6% dan macro-F1 0,801. Model kemudian diimplementasikan ke dalam aplikasi desktop berbasis Python dan Tkinter untuk klasifikasi melalui kamera maupun unggah citra. Pengujian black box terhadap 20 skenario menunjukkan tingkat keberhasilan sebesar 100%. Hasil penelitian menunjukkan bahwa ResNet101 menjadi arsitektur CNN yang paling sesuai untuk klasifikasi kategori buku pada penelitian ini, sedangkan pemanfaatan informasi tekstual dan model multimodal dapat meningkatkan performa klasifikasi.