<![CDATA[Klasifikasi warna bunga mawar merupakan tugas visi komputer yang sederhana namun memiliki potensi penerapan dalam penyortiran dan penilaian mutu pada rantai pasok florikultura. Penelitian ini membandingkan tiga arsitektur transfer learning, yaitu EfficientNetB0, MobileNetV2, dan ResNet50, untuk mengklasifikasikan citra mawar ke dalam empat kelas warna: merah, pink, putih, dan kuning. Dataset publik yang digunakan terdiri atas 3.000 citra dengan ketidakseimbangan kelas sekitar 3:1. Evaluasi dilakukan menggunakan protokol yang ketat melalui pemeriksaan kebocoran near-duplicate, pembagian data berbasis grup, pemilihan strategi penanganan ketidakseimbangan berdasarkan data validasi, pengujian dengan tiga random seed, pelaporan rata-rata ± simpangan baku, serta uji signifikansi McNemar. Efisiensi model dianalisis berdasarkan jumlah parameter, FLOPs, dan latensi inferensi. Baseline histogram warna HSV dengan Support Vector Machine mencapai macro-F1 sebesar 1,000 setelah kebocoran dikendalikan. Di antara model deep learning, ResNet50 tanpa perlakuan tambahan mencapai macro-F1 uji tertinggi sebesar 0,995, diikuti MobileNetV2 sebesar 0,965 dan EfficientNetB0 sebesar 0,961. Strategi penanganan ketidakseimbangan tidak memberikan peningkatan signifikan (McNemar p = 0,68). Namun, pada pengujian pergeseran kecerahan, macro-F1 baseline turun menjadi 0,41–0,49, sedangkan model CNN tetap tangguh; ResNet50 mempertahankan macro-F1 di atas 0,94. Grad-CAM menunjukkan perhatian model terpusat pada kelopak, sementara t-SNE memperlihatkan pemisahan klaster warna yang jelas. Temuan ini menegaskan pentingnya baseline sederhana, pengendalian kebocoran, dan evaluasi yang transparan.]]>
