Modul surya merupakan komponen utama dalam sistem tenaga surya yang berfungsi untuk mengubah sinar matahari menjadi energi listrik melalui proses fotovolatik. Modul surya juga rentan terhadap adanya kerusakan salah satunya Microcrack dan Hotspot, Oleh karena itu untuk melihat kerusakan pada modul surya dengan cepat dengan melihat image electroluminescence dan thermal yang biasa digunakan oleh tenaga ahli jika pemeriksaan dilakukan dengan manual itu membutuhkan waktu yang cukup lama dan kerusakan semakin parah. Metode CNN digunakan dalam pengklasifikasian kerusakan modul surya menggunakan image electroluminescence dan thermal. Dalam penelitian ini penelitian ini menggunakan 1720 image yang terdiri dari 4 kelas Microcrack, Bersih EL, Hotspot, dan Bersih Thermal berdasrakan kerusakan yang sering terjadi pada Laboratorium Renewable Energy ITPLN, lalu dibagi menjadi 80% data training, 10% data validation, dan 10% data testing. Model yang digunakan dalam penelitian ini adalah VGG-16 dan DenseNet121 dengan toolsnya Google Colaboratory. Uji coba pada masing-masing modelnya dilakukan 1 kali dengan epoch, learning rate, dan batch size yang sama. Hasil akurasi terbaik dalam uji coba atau pelatihannya itu dengan menggunakan VGG-16 dengan 10 epoch, learning rate 0,001, dan batch size 64 dengan hasil 95,65%.

Solar modules are the main components in solar power systems that function to convert sunlight into electrical energy through the photovoltaic process. Solar modules are also susceptible to damage, one of which is Microcrack and Hotspot, Therefore, to see damage to solar modules quickly by looking at electroluminescence and thermal images that are commonly used by experts if the inspection is done manually, it takes a long time and the damage is getting worse. The CNN method is used in classifying solar module damage using electroluminescence and thermal images. In this study, this study used 1720 images consisting of 4 classes of Microcrack, Clean EL, Hotspot, and Clean Thermal based on damage that often occurs in the ITPLN Renewable Energy Laboratory, then divided into 80% training data, 10% validation data, and 10% testing data. The models used in this study are VGG-16 and DenseNet121 with Google Colaboratory tools. The trial on each model was carried out 1 time with the same epoch, learning rate, and batch size. The best accuracy results in the trial or training were using VGG-16 with 10 epochs, a learning rate of 0.001, and a batch size of 64 with a result of 95.65%.