Kegagalan isolasi pada peralatan bertegangan tinggi akibat partial discharge, khususnya corona discharge, dapat mengakibatkan kerusakan yang parah jika tidak dideteksi sejak dini. Metode pemantauan konvensional 1D (seperti sensor akustik dan frekuensi radio) seringkali mengalami kegagalan deteksi akibat tingginya interferensi derau (noise) latar belakang. Penelitian ini mengusulkan sebuah pendekatan mutakhir (state-of-the-art) untuk mengklasifikasikan tiga jenis partial discharge (corona, internal, dan superficial) menggunakan informasi warna dari citra Phase Resolved Partial Discharge (PRPD). Metode yang digunakan adalah arsitektur deep learning hibrida Convolutional Recurrent Neural Network (CRNN). Citra berformat RGBA dikonversi menjadi RGB, disegmentasi ke dalam ruang warna HSV, dan diekstraksi fitur kepadatan warnanya menggunakan histogram Hue dan Saturation. Arsitektur CRNN yang dibangun memanfaatkan lapisan Convolutional Neural Network (CNN) untuk mengekstraksi representasi fitur spasial dua dimensi, yang secara sekuensial diteruskan ke lapisan Long Short-Term Memory (LSTM) untuk merekam dependensi temporal sinyal. Penelitian ini menggunakan dataset sebanyak citra, dan dievaluasi menggunakan metode Cross-Industry Standard Process for Data Mining (CRISP-DM). Hasil pengujian pada 142 data uji menunjukkan bahwa model CRNN memiliki performa diagnostik yang luar biasa dengan capaian nilai accuracy, precision, recall, dan F1-score masing-masing sebesar 1,00 (100%), dengan konvergensi loss yang rendah pada angka ~0,0192 di epoch 50. Hal ini membuktikan bahwa ekstraksi fitur kolorimetri RGB yang dikolaborasikan dengan metode CRNN sangat efektif dan kebal terhadap false noise dalam mengidentifikasi pola spektrum listrik corona discharge.