Konsistensi warna merupakan aspek penting dalam industri cat karena memengaruhi kualitas produk dan kepuasan pelanggan. Pencocokan warna cat kering umumnya dilakukan secara manual dan bergantung pada pengalaman teknisi. Penelitian ini mengembangkan model multi-label image classification berbasis transfer learning untuk memprediksi kombinasi sembilan jenis tinta dasar dari citra warna cat kering. Data yang digunakan berjumlah 488 citra warna katalog. Seluruh citra diubah ukurannya, dinormalisasi, dan diterapkan pembobotan label selama pelatihan. Empat arsitektur diuji, yaitu EfficientNetB2, DenseNet121, MobileNetV2, dan NASNetMobile. Pada data validasi, model DenseNet121 pada percobaan ke-8 memberikan hasil terbaik dengan macro F1-score sebesar 0,8684, micro F1-score 0,8720, binary accuracy 0,9048, exact match 0,5918, dan hamming loss 0,0952. Pada data uji, model memperoleh macro F1 sebesar 0,80 dan micro F1 sebesar 0,82. Model kemudian diterapkan pada aplikasi web dan diuji menggunakan sepuluh citra cat kering nyata. Lima citra berhasil diprediksi dengan tepat, sedangkan penilaian pakar menunjukkan tingkat kesesuaian sebesar 50%. Perbedaan antara evaluasi dataset dan pengujian citra nyata terjadi karena citra katalog memiliki karakteristik yang berbeda dari cat kering nyata, terutama pada tekstur, pencahayaan, ketebalan lapisan, dan perubahan warna akibat umur cat. Berdasarkan hasil tersebut, aplikasi dapat membantu memberikan perkiraan awal kombinasi tinta, tetapi hasilnya masih perlu diperiksa kembali oleh pakar.