Energi surya berkembang pesat sebagai sumber listrik global. Indonesia memiliki potensi besar dengan intensitas radiasi matahari rata-rata 4,8 kWh/m²/hari, namun pemanfaatannya masih minim, sekitar 0,3% dari total potensi. Pemerintah menargetkan penggunaan energi terbarukan mencapai 23% pada 2025, dengan fokus pada energi surya. Panel surya memainkan peran penting dalam PLTS dengan mengubah radiasi matahari menjadi listrik. Kondisi permukaan panel, yang bisa terganggu oleh debu, kotoran burung, kerusakan fisik, atau kerusakan elektrik, mempengaruhi efisiensi konversi energi. Pemantauan dan perawatan rutin sangat penting untuk kinerja optimal. Penelitian ini menggunakan Convolutional Neural Network (CNN) untuk klasifikasi kondisi permukaan panel surya, dengan kelas-kelas: bersih, debu, kotoran burung, kerusakan listrik, dan kerusakan fisik. CNN dipilih karena kemampuannya mengenali pola dalam gambar, ideal untuk klasifikasi kondisi permukaan panel surya. Dengan menggunakan teknik transfer learning, model yang sudah dilatih sebelumnya seperti NASNetMobile, MobileNetV2, DenseNet121, dan Xception digunakan untuk meningkatkan akurasi klasifikasi. Hasil penelitian menunjukkan bahwa NASNetMobile mencapai akurasi 75%, DenseNet121 82%, Xception 81%, dan MobileNetV2 mencapai akurasi tertinggi mencapai 84%. Implementasi ini diharapkan dapat meningkatkan pemanfaatan energi surya di Indonesia dan mendukung target pemerintah dalam mencapai bauran energi terbarukan.

Solar energy is rapidly developing as a global source of electricity. Indonesia has great potential with an average solar radiation intensity of 4.8 kWh/m²/day, but its utilization remains minimal, around 0.3% of the total potential. The government targets renewable energy usage to reach 23% by 2025, with a focus on solar energy. Solar panels play a crucial role in Solar Power Plants (PLTS) by converting solar radiation into electricity. The condition of the panel surface, which can be affected by dust, bird droppings, physical damage, or electrical damage, influences the energy conversion efficiency. Regular monitoring and maintenance are essential for optimal performance. This research uses Convolutional Neural Network (CNN) to classify the condition of solar panel surfaces into five classes: clean, dust, bird droppings, electrical damage, and physical damage. CNN is chosen for its ability to recognize patterns in images, making it ideal for classifying the condition of solar panel surfaces. By using transfer learning techniques, pre-trained models such as NASNetMobile, MobileNetV2, DenseNet121, and Xception are utilized to enhance classification accuracy. The research results show that NASNetMobile achieved an accuracy of 75%, DenseNet121 82%, Xception 81%, and MobileNetV2 achieved the highest accuracy of 84%. This implementation is expected to increase the utilization of solar energy in Indonesia and support the government’s target of achieving a renewable energy mix.