Penelitian ini melakukan analisis komparatif terhadap tiga arsitektur Convolutional Neural Network (CNN) modern—MobileNetV3, ResNet50, dan EfficientNetB3—untuk aplikasi klasifikasi sampah berbasis pengolahan citra digital. Latar belakang penelitian didasari oleh tantangan pengelolaan sampah di Indonesia yang menghasilkan 21,1 juta ton sampah per tahun dengan hanya 65,71% dikelola dengan baik, dimana proses pemilahan manual masih dominan dan tidak efisien. Dataset custom berisi 2.840 gambar sampah dalam empat kategori (botol plastik, kaleng logam, kardus kertas, dan organik) diimplementasikan menggunakan framework PyTorch pada platform komputasi standar. Evaluasi mencakup metrik akurasi klasifikasi (precision, recall, F1- score) dan metrik efisiensi komputasi (jumlah parameter, ukuran model, waktu inferensi). Hasil menunjukkan ResNet50 mencapai akurasi tertinggi dengan trade-off kompleksitas komputasi besar (25,6 juta parameter), MobileNetV3 unggul dalam efisiensi untuk deployment edge device dengan parameter minimal (5,4 juta), sedangkan EfficientNetB3 memberikan keseimbangan optimal antara akurasi dan efisiensi (12 juta parameter). Analisis trade-off menghasilkan rekomendasi arsitektur spesifik sesuai keterbatasan infrastruktur dan kebutuhan implementasi praktis untuk sistem pengelolaan sampah otomatis yang sustainable.