Penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan pada modul surya dengan memanfaatkan Convolutional Neural Network (CNN) melalui pendekatan transfer learning, khususnya menggunakan arsitektur Xception dan DenseNet121. Dalam beberapa tahun terakhir, penggunaan modul surya mengalami peningkatan yang signifikan, namun kerusakan pada modul dapat mengurangi efisiensi serta kinerja sistem. Metode deteksi kerusakan yang umum, seperti inspeksi manual, sering kali tidak efisien dan rentan terhadap kesalahan manusia. Oleh karena itu, penelitian ini memanfaatkan teknik deep learning untuk mendeteksi dan mengklasifikasikan dua jenis kerusakan, yaitu physical damage dan electrical damage. Dataset yang digunakan terdiri dari 615 citra, di mana 472 citra berfokus pada physical damage dan 143 citra berfokus pada electrical damage. Proses pra-pemrosesan meliputi pengubahan ukuran citra, normlisasi, dan augmentasi data. Model dilatih selama 30 epoch untuk Xception dan 25 epoch untuk Densenet121. Hasil evaluasi menunjukkan bahwa model Xception mencapai akurasi 96%, sedangkan DenseNet121 mencapai 95,43%. Kedua model menunjukkan performa yang baik dalam mengidentifikasi kerusakan, dengan penerapan transfer learning yang meningkatkan efisiensi pelatihan. Penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam pengembangan sistem deteksi kerusakan modul surya secara baik dan efisien.

This study is focused on developing a classification model for deetcting damage solar in modules by leveraging Convolutional Neural Networks (CNN) through a transfer learning strategy, specificually utilizing the Xception and DenseNet121 architectures. The use of solar modules has significantly increased in recent years, however, damage to these modules can adversely affect their efficiency and the performance of the overall system. Conventional damage detection methods, such as manual inspections, are often inefficient and vulnerable to human error. As a result, this research employs deep learning techniques to identify and classify two types of damage: physical damage and electrical damage. The dataset consists of 615 images, with 472 images pertaining to physical damage and 143 images related to electrical damage. The preprocessing steps include resizing the images, normalization, and data augmentation.