Corona discharge pada isolator tegangan tinggi dapat menyebabkan penurunan kualitas isolasi dan meningkatkan risiko gangguan pada sistem tenaga listrik. Penelitian ini bertujuan menerapkan Convolutional Neural Network (CNN) untuk mengklasifikasikan tingkat corona discharge berdasarkan citra visual ke dalam tiga kelas, yaitu rendah, sedang, dan tinggi. Dataset awal terdiri atas 618 citra yang mencakup 233 citra kelas rendah, 214 citra kelas sedang, dan
171 citra kelas tinggi. Augmentasi melalui horizontal flip, rotasi maksimal 10°, dan perubahan kecerahan sebesar 10% menghasilkan 1.450 citra. Model dikembangkan menggunakan
arsitektur MobileNetV2 dengan bobot awal ImageNet sebagai pengekstraksi fitur. Citra masukan berukuran 224 × 224 × 3 piksel diproses melalui Global Average Pooling 2D, lapisan
Dense dengan 128 neuron, Dropout, dan lapisan keluaran Softmax untuk tiga kelas. Hasil pelatihan menunjukkan nilai training accuracy sekitar 96% dan validation accuracy sebesar 100%, dengan training loss sekitar 0,13 dan validation loss sekitar 0,07. Berdasarkan confusion
matrix, seluruh 40 citra validasi dapat diklasifikasikan sesuai kelasnya, terdiri atas 14 citra corona rendah, 16 citra corona sedang, dan 10 citra corona tinggi. Nilai precision, recall, dan F1-score pada data validasi masing-masing mencapai 100%. Hasil tersebut menunjukkan bahwa MobileNetV2 dapat mengenali perbedaan warna, bentuk pendaran, tekstur, pola cahaya, dan intensitas korona. Meskipun demikian, pengujian menggunakan data lapangan yang lebih beragam diperlukan untuk menilai kemampuan generalisasi model.