Panel surya merupakan perangkat yang terdiri dari sel surya yang dapat mengubah cahaya menjadi listrik. Sel surya mengandalkan efek fotovoltaik untuk meresap energi matahari dan mengakibatkan arus mengalir diantara pada tumpukan yang bermuatan berlawan. Dengan potensi energi surya yang besar, khususnya diwilayah indonesia yang memiliki iklim tropis, pemanfaatan Pembangkit Listrik Tenaga Surya (PLTS) menjadi sangat penting. Penelitian ini berfokus pada klasifikasi kerusakan panel surya menggunakan citra RGB dan Thermal sebanyak 1744 citra. Panel surya dapat mengalami berbagai keruskan yang mempengaruhi kinerjanya, seperti kerusakan fisik yang dapat dideteksi menggunakan citra RGB dan Kerusakan Hotspot yang dapat dideteksi dengan citra Thermal. Untuk meningkatkan akurasi dalam klasifikasi, penelitian ini mengimplementasikan algoritma Convolutional Neural Network (CNN) dengan menggunakan arsitektur Xception, DenseNet121 dan VGG19. Dataset diperoleh dari Kaggle dan Roboflow. Hasil evaluasi menunjukkan bahwa metode CNN dapat secara efektif mengklasifikasikan kerusakan pada panel surya dengan tingkat akurasi yang tinggi menggunakan arsitektur Xception 89,29%, DenseNet121 92.86% dan VGG19 92.14%. Penelitian ini diharapkan dapat berkontribusi dalam pemeliharaan dan perawatan panel surya, serta mendukung penggunaan energi terbarukan yang lebih luas.

Solar panels are devices consisting of solar cells that can convert light into electricity. Solar cells rely on the photovoltaic effect to absorb solar energy and cause current to flow between stacks of opposite charges. With the large potential for solar energy, especially in areas of Indonesia that have a tropical climate, the use of Solar Power Plants (PLTS) is very important. This research focuses on classifying solar panel damage using 1744 RGB and thermal images. Solar panels can experience various types of damage that affect their performance, such as physical damage which can be detected using RGB images and Hotspot Damage which can be detected using Thermal images. To increase accuracy in classification, this research implements the Convolutional Neural Network (CNN) algorithm using the Xception, DenseNet121 and VGG19 architecture. Dataset obtained from Kaggle and Roboflow. The evaluation results show that the CNN method can effectively classify damage to solar panels with a high level of accuracy using the Xception 89,29%, DenseNet121 92.86% and VGG19 91.42% architectures. It is hoped that this research can contribute to the maintenance and maintenance of solar panels, as well as supporting the wider use of renewable energy.