<![CDATA[: Panel surya (photovoltaic) rentan mengalami penurunan efisiensi akibat kerusakan fisik permukaan seperti retak (crack) dan goresan (scratch). Penggunaan Deep Learning seperti AlexNet dan VGG16 merupakan pendekatan umum dalam visi komputer, namun evaluasinya pada kondisi citra lapangan (field condition) yang memiliki variasi pencahayaan dan latar belakang kompleks masih terbatas. Penelitian ini bertujuan untuk menguji dan membandingkan performa arsitektur AlexNet dan VGG16 dalam mengklasifikasikan kerusakan panel surya. Keterbaruan (novelty) penelitian ini bertumpu pada penggunaan dataset primer sebanyak 1.000 citra citra riil lapangan (500 crack dan 500 scratch) yang dilatih dari awal (training from scratch), serta penekanan evaluasi pada kapasitas pemisahan batas kelas (class separability) berbasis Area Under Curve (AUC) dan analisis kedalaman lapisan konvolusi. Kedua model dilatih menggunakan optimasi Adam (learning rate 0,001, batch size 16) dengan mekanisme Early Stopping. Hasil eksperimen menunjukkan bahwa meskipun AlexNet dan VGG16 memperoleh akurasi yang relatif berdekatan yaitu sebesar 88,93% dan 89,57% (selisih 0,64%), VGG16 menunjukkan keunggulan yang jauh lebih signifikan pada skor AUC yaitu 0,90 (Excellent Classification) dibandingkan AlexNet yang hanya sebesar 0,68 (Poor Classification). Kedalaman 13 convolutional layer berfilter kecil (3x3) pada VGG16 terbukti lebih presisi dalam mengekstrak fitur garis halus retakan tanpa terpengaruh noise lapangan dibandingkan filter besar pada AlexNet.]]>
Copyrights © 2026
