Panel surya merupakan salah satu teknologi energi terbarukan yang dapat dimanfaatkan untuk memenuhi kebutuhan energi listrik. Kerusakan pada panel surya dapat memengaruhi proses konversi energi sehingga diperlukan metode yang mampu melakukan identifikasi kerusakan secara otomatis. Penelitian ini bertujuan untuk mengimplementasikan algoritma YOLOv11 dalam mendeteksi dan mengklasifikasikan kerusakan panel surya, mengevaluasi kemampuan model dalam menentukan lokasi kerusakan, serta melakukan simulasi estimasi penurunan daya berdasarkan rasio area kerusakan yang terdeteksi. Metodologi penelitian menggunakan CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation, dan Deployment. Dataset terdiri atas 1.759 citra dengan dua kelas kerusakan, yaitu electrical-damage dan physical-damage, yang dibagi menjadi 70% data pelatihan, 20% data validasi, dan 10% data pengujian. Hasil pelatihan menunjukkan nilai mAP@50 mendekati 1,00 dan mAP@50–95 sekitar 0,86. Hasil confusion matrix menunjukkan 62 objek electrical-damage dan 32 objek physical-damage berhasil dideteksi tanpa kesalahan klasifikasi antar kelas, sedangkan satu objek tidak terdeteksi. Pada pengujian sampel, model menghasilkan nilai confidence pada rentang 0,86–0,91 serta mampu menentukan lokasi kerusakan melalui bounding box. Model kemudian diintegrasikan ke dalam GUI berbasis Streamlit untuk menghitung rasio area kerusakan dan simulasi estimasi daya. Pada salah satu hasil pengujian diperoleh rasio area sebesar 4,07% yang pada panel referensi 20 Wp menghasilkan estimasi kehilangan daya sebesar 0,81 W dan estimasi daya tersisa sebesar 19,19 W. Hasil estimasi tersebut merupakan simulasi matematis berdasarkan pendekatan proporsional dan bukan pengukuran daya aktual.
Kata kunci:Panel Surya, YOLOv11, Deep Learning,Deteksi Kerusakan