Teknologi Informasi (IT) memainkan peran krusial dalam sektor energi terbarukan, termasuk tenaga surya, dengan memfasilitasi sistem pemantauan dan analisis data untuk meningkatkan efisiensi dan keandalan modul surya. Kerusakan pada modul surya, yang dapat mengurangi efisiensi dan umur operasional, memerlukan deteksi yang cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan modul surya menggunakan algoritma Convolutional Neural Networks (CNN) dengan memanfaatkan citra Electroluminescence (EL) dan Red Green Blue (RGB). Dataset yang digunakan terdiri dari 1215 citra EL dan 1080 citra RGB. Dua arsitektur CNN, yaitu AlexNet dan MobileNetV2, diuji dengan enam konfigurasi model, di mana MobileNetV2 dengan 20 epoch dan pembagian dataset 80% pelatihan, 10% validasi, dan 10% pengujian, mencapai akurasi tertinggi sebesar 96,97%. Hasil ini menunjukkan bahwa arsitektur MobileNetV2 lebih unggul dibandingkan AlexNet, dengan akurasi tertinggi AlexNet sebesar 90,04%. Studi ini menyimpulkan bahwa CNN, khususnya MobileNetV2, memiliki potensi besar untuk mendukung klasifikasi kerusakan modul surya yang tepat dan akurat, sehingga dapat meningkatkan efisiensi pemeliharaan sistem tenaga surya.

Information Technology (IT) plays a crucial role in the renewable energy sector, including solar power, by facilitating monitoring systems and data analysis to improve the efficiency and reliability of solar modules. Damage to solar modules, which can reduce operational efficiency and lifespan, requires fast and accurate detection. This research aims to develop a solar module damage classification model using the Convolutional Neural Networks (CNN) algorithm by utilizing Electroluminescence (EL) and Red Green Blue (RGB) images. The dataset used consists of 1215 EL images and 1080 RGB images. Two CNN architectures, namely AlexNet and MobileNetV2, were tested with six model configurations, where MobileNetV2 with 20 epochs and a dataset division of 80% training, 10% validation, and 10% testing, achieved the highest accuracy of 96.97%. These results show that the MobileNetV2 architecture is superior to AlexNet, with AlexNet's highest accuracy of 90.04%. This study concludes that CNN, especially MobileNetV2, has great potential to support precise and accurate solar module damage classification, thereby improving the maintenance efficiency of solar power systems.