Penggunaan modul surya, yang merupakan sumber energi yang efisien untuk menghasilkan listrik, memungkinkan penerapan energi matahari secara luas sebagai pengganti bahan bakar konvensional yang bersih dan terbarukan. Namun, kesalahan dalam produksi, pengiriman, dan pemasangan dapat mengurangi efektivitas pembangkit listrik. Selain itu, penting untuk mendeteksi gangguan dan kerusakan pada permukaan modul surya untuk menjamin daya tahan dan kinerja sistem fotovoltaik. Penelitian ini bertujuan untuk dapat mengetahui hasil dari akurasi beberapa model yang sudah dibuat, yaitu DenseNet201, MobileNetV2, dan EfficientNetB0 dengan menggunakan 2 jenis ukuran pixel yaitu 128 dan 224. Pada penelitian ini citra yang digunakan berasal dari platform Kaggle dan Roboflow sebanyak 1468 citra yang terbagi menjadi 4 kelas yaitu Bird Drop, Clean, Damage, dan Dusty. Pada percobaan ini dengan menggunakan arsitektur model DenseNet201 dengan pixel 224x224 memiliki akurasi tertinggi sebesar 90,62% dan MobileNetV2 dengan ukuran 128x128 pixel mendapatkan akurasi terendah 78,12%. Dan pada percobaan dengan model SVM mendapatkan akurasi 70,93% pada kernel Linear dengan ukuran 32 pixel dan pada kernel Radial Basis Function (RBF) dengan ukuran pixel 32 mendapatkan akurasi 67,18%. Sehingga dalam hal ini penggunaan metode Convolutional Neural Network dan Support Vector Machine dapat mengklasifikasikan gangguan dan kerusakan pada modul surya.

The use of solar modules, which are an efficient source of energy for generating electricity, allows for the widespread application of solar energy as a clean and renewable alternative to conventional fuels. However, errors in production, delivery, and installation can reduce the effectiveness of power generation. Additionally, it is crucial to detect disruptions and surface damage on solar modules to ensure the durability and performance of photovoltaic systems. This study aims to determine the accuracy of several models that have been developed, namely DenseNet201, MobileNetV2, and EfficientNetB0, using two pixel sizes: 128 and 224. In this study, the images used were sourced from the Kaggle and Roboflow platforms, totaling 1,468 images divided into four classes: Bird Drop, Clean, Damage, and Dusty. In this experiment, the DenseNet201 architecture with 224x224 pixels achieved the highest accuracy of 90.62%, while MobileNetV2 with 128x128 pixels obtained the lowest accuracy of 78.12%. Furthermore, the experiment with the SVM model achieved an accuracy of 70.93% with the Linear kernel at 32 pixels and 67.18% with the Radial Basis Function (RBF) kernel at 32 pixels. Therefore, the use of Convolutional Neural Network and Support Vector Machine methods can classify disruptions and damage on solar modules.