Penelitian ini bertujuan untuk merancang sebuah sistem yang mampu mendeteksi lokasi kerusakan pada modul surya, baik yang bersifat fisik maupun listrik, dengan memanfaatkan arsitektur Faster R-CNN. Dalam konteks pengembangan energi terbarukan, modul surya merupakan komponen penting yang memerlukan pemeliharaan dan deteksi kerusakan yang efisien untuk memastikan kinerja optimal. Metodologi yang diterapkan dalam penelitian ini meliputi pengumpulan data citra dari platform Kaggle, yang terdiri dari 594 gambar modul surya yang dikelompokkan ke dalam dua kategori kerusakan. Proses penelitian dimulai dengan analisis data, diikuti dengan persiapan data yang mencakup pembersihan, augmentasi, dan pemisahan dataset untuk pelatihan dan pengujian. Model dilatih menggunakan algoritma Faster R-CNN, yang dikenal sebagai salah satu metode deep learning yang efektif untuk deteksi objek.Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mendeteksi kerusakan dengan tingkat akurasi yang memadai. Evaluasi dilakukan dengan menggunakan metrik seperti Average Precision (AP) dan mean Average Precision (mAP) pada berbagai ambang batas Intersection over Union (IoU). Hasil evaluasi menunjukkan bahwa model memiliki performa yang baik dalam mendeteksi kerusakan pada modul surya, meskipun terdapat beberapa tantangan dalam mendeteksi objek berukuran kecil.

This research aims to design a system capable of detecting damage locations on solar modules, encompassing both physical and electrical faults, by utilizing the Faster R-CNN architecture. In the realm of renewable energy development, solar modules are critical components that require effective maintenance and damage detection to ensure optimal performance. The methodology employed in this study involves collecting image data from the Kaggle platform, which consists of 594 images of solar modules categorized into two types of damage. The research process begins with data analysis, followed by data preparation that includes cleaning, augmentation, and the division of the dataset for training and testing purposes. The model is trained using the Faster R-CNN algorithm, recognized as an efficient deep learning method for object detection. The findings of this study indicate that the developed model is capable of detecting damage with a satisfactory level of accuracy. Evaluation is conducted using metrics such as Average Precision (AP) and mean Average Precision (mAP) across various thresholds of Intersection over Union (IoU). The evaluation results demonstrate that the model performs well in detecting damage on solar modules, although challenges remain in identifying small-sized objects. Consequently, this research is expected to make a significant contribution to the development of damage detection systems for solar modules and serve as a reference for further studies in the fields of computer vision and machine learning.