Pembangkit Listrik Tenaga Surya (PLTS) merupakan sistem yang memanfaatkan prinsip photovoltaic untuk mengonversi energi cahaya matahari menjadi energi listrik. Di Indonesia, sebagai negara tropis dengan sinar matahari sepanjang tahun, PLTS memiliki potensi besar sebagai sumber energi alternatif pengganti energi fosil. Modul surya, yang terdiri dari beberapa sel surya, berfungsi mengubah cahaya matahari menjadi energi listrik. Namun, modul surya rentan terhadap kerusakan, termasuk hotspot yang dapat mengurangi efisiensi dan masa pakai modul. Kerusakan ini dapat menyebabkan modul surya terlalu panas, mengurangi kinerja, dan membahayakan keamanan. Untuk mengidentifikasi dan mencegah kerusakan lebih lanjut, diperlukan sistem yang dapat mendeteksi hotspot secara otomatis. Teknik termografi inframerah menggunakan kamera IR memungkinkan identifikasi hotspot melalui analisis suhu non-destruktif.Penelitian ini bertujuan mengklasifikasikan hotspot pada modul surya menggunakan metode Convolutional Neural Network (CNN) dengan berbagai arsitektur: MobileNetV2, VGG16, EfficientNetB0, dan ResNet50. Penelitian ini juga bertujuan mendeteksi jumlah hotspot dalam satu modul surya dan mengevaluasi tingkat akurasi masing-masing arsitektur. Hasil penelitian menunjukkan bahwa ResNet50 memiliki akurasi pelatihan tertinggi sebesar 98% dan akurasi pengujian sebesar 94%. Untuk deteksi jumlah hotspot, MobileNetV2 terbukti paling akurat. Tingkat akurasi masing-masing arsitektur adalah: MobileNetV2 sebesar 84%, VGG16 sebesar 89%, EfficientNetB0 sebesar 89%, dan ResNet50 sebesar 94%. Penelitian ini diharapkan dapat membantu proses perawatan dan meningkatkan efisiensi PLTS dengan menyediakan model klasifikasi hotspot yang andal.

Solar Power Plant (PLTS) is a system that utilizes the photovoltaic principle to convert sunlight energy into electrical energy. In Indonesia, as a tropical country with year-round sunshine, PLTS has great potential as an alternative energy source to replace fossil fuels. Solar modules, which consist of several solar cells, function to convert sunlight into electrical energy. However, solar modules are susceptible to damage, including hotspots that can reduce the efficiency and life of the module. This damage can cause the solar module to overheat, reduce performance, and compromise safety. To identify and prevent further damage, a system that can automatically detect hotspots is needed. Infrared thermography techniques using IR cameras enable hotspot identification through non destructive temperature analysis. This study aims to classify hotspot damage in solar modules using the Convolutional Neural Network (CNN) method with various architectures: MobileNetV2, VGG16, EfficientNetB0, and ResNet50. This study also aims to detect the number of hotspots in one solar module and evaluate the accuracy level of each architecture. The results showed that ResNet50 had the highest training accuracy of 98% and testing accuracy of 94%. For hotspot detection, MobileNetV2 proved to be the most accurate. The accuracy levels of each architecture were: MobileNetV2 at 84%, VGG16 at 89%, EfficientNetB0 at 89%, and ResNet50 at 94%. This research is expected to help the maintenance process and improve the efficiency of PLTS by providing a reliable hotspot damage classification model.