Rencana Universal Energi Nasional (RUEN) adalah kebijakan pemerintah indonesia untuk rencana pengelolaan energi tingkatan nasional yang membuat pemerintah indonesia ingin menggapai sasaran tingkatkan pemakaian Energi Baru Terbarukan (EBT) di industri PLTS pada tahun 2025 sebesar 23% ataupun sebesar 92, 2 MTOE, untuk pemakaian tenaga surya sendiri ditargetkan sebesar 6, 5 GW. Modul surya merupakan komponen utama dalam pembangkit listrik tenaga surya, sehingga diperlukan manajemen kualitas dan kontrol kualitas yang baik. Kesulitan dalam mengidentifikasi tingkat kerusakan pada modul surya dalam jumlah banyak dapat menyebabkan kegagalan yang lebih serius di kemudian hari. Studi ini menggunakan deep learning dengan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan tinkat kerusakan modul surya. Dataset berisi 1049 citra electroluminescent dari Kaggle, dengan tiga arsitektur CNN, yaitu Inception V3, VGG16 dan VGG19, mencapai akurasi 92%, 91% dan 87% masing-masing. Penelitian ini menunjukkan bahwa CNN efektif dalam mengklasifikasi tingkat kerusakan modul surya dari citra electroluminescent, memberikan harapan untuk membantu industri PLTS dalam meningkatkan efisiensi dan efektivitas pemeliharaan modul surya.

The government took action by creating a National Energy Policy (KEN) which was the basis for the birth of the Universal National Energy Plan (RUEN). RUEN is the Government's policy regarding the national level energy management plan which is the elaboration and implementation plan of KEN which is cross-zonal in nature to achieve KEN targets. KEN's target is to...increase the use of New Renewable Energy (EBT) by 2025 by 23% or 92.2 MTOE, where the target for solar energy use itself is 6.5 GW. This study uses deep learning with Convolutional Neural Network (CNN) to classify solar module images. The dataset contains 1049 electroluminescents images from Kaggle, with three CNN architectures, namely Inception V3, VGG16 and VGG19, achieving accuracies of 91%, 93% and 88% respectively. This research shows that CNN is effective in detecting damage from solar module images, providing hope for helping the PLTS industry in increasing the efficiency and effectiveness of solar module maintenance.