ANALISIS PERFORMA ARSITEKTUR ALEXNET DAN VGG16 PADA DATASET PRIMER CITRA LAPANGAN UNTUK DETEKSI KERUSAKAN PANEL SURYA
DOI:
https://doi.org/10.30606/rjocs.v12i2.4979Keywords:
Solar Panel, Convolutional Neural Network, AlexNet, VGG16, dataset primer lapangan, area under curveAbstract
: 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.
Downloads
References
N. T. Hadi, M. P. Muslim, K. W. Gusti, and R. T. Prasetyo, “Pemberdayaan masyarakat berbasis energi surya untuk mendukung desa cerdas energi dan meningkatkan kesejahteraan,” Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS), vol. 8, pp. 765–777, Nov. 2025, doi: 10.33474/jipemas.v8i3.24287.
F. Irawati, F. Dwi Kartikasari, and E. Tarigan, “Pengenalan Energi Terbarukan dengan Fokus Energi Matahari kepada Siswa Sekolah Dasar dan Menengah,” vol. 11, 2021, [Online]. Available: http://ojs.unm.ac.id/index.php/
M. Perarasi, J. Jasmine Hephzipah, M. Dinesh Babu, and K. Kamakshi Priya, “An efficient solar panel crack detection system using a novel solcnn model and crack segmentation algorithm,” Results in Engineering, vol. 29, Mar. 2026, doi: 10.1016/j.rineng.2026.108995.
S. W. Lee, K. E. An, B. D. Jeon, K. Y. Cho, S. J. Lee, and D. Seo, “Detecting faulty solar panels based on thermal image processing,” in 2018 IEEE International Conference on Consumer Electronics, ICCE 2018, Institute of Electrical and Electronics Engineers Inc., Mar. 2018, pp. 1–2. doi: 10.1109/ICCE.2018.8326228.
Thomas Brian, Immanuel Freddy Augustino, P. Parman, and Muhamad Sukarno, “Damage Detection System for Floating Solar Panels at Sidobandung Pond Based On Convolutional Neural Networks with Augmented Reality Visualization,” TEKNIMEDIA: Teknologi Informasi dan Multimedia, vol. 7, pp. 12–21, Jun. 2026, doi: 10.46764/teknimedia.v7i1.364.
S. Krig, Computer Vision Metrics: Survey, Taxonomy, and Analysis of Computer Vision, Visual Neuroscience, and Visual AI, Second Edition. Springer Nature, 2025. doi: 10.1007/978-981-99-3393-8.
R. Alfanz and J. C. Imamul Muttaqin, “Perancangan Deteksi Cacat Pada Layer Solar Cell Menggunakan Sensor Tegangan Static Permukaan Berbasis Bluetooth”.
CodedThemes and F. D. Lestary, “IMPLEMENTASI DEEP LEARNING UNTUK PENDETEKSIAN SNAIL TRAILS PADA MODUL SEL SURYA = Deep Learning Implementation for Snail Trails Detection in Photovoltaic Module,” 2023.
CodedThemes and A. N. N. A. Ibrahim, “Pendekatan Identifikasi Hot Spot untuk Aplikasi Inspeksi Panel Surya menggunakan Pencitraan Termal = An Approach for Hot Spot Identification in Solar Panel Inspection Application Using Thermal Imaging,” 2024.
“Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah,” 2026, doi: 10.57152/malcom.v5i4.2030.
M. G. Han, “Pengaruh Penambahan Arsitektur Model dalam Klasifikasi Citra Bencana Alam Menggunakan Ensemble Learning,” 2026, doi: doi.
E. Tanuwijaya and A. Roseanne, “Modifikasi Arsitektur VGG16 untuk Klasifikasi Citra Digital Rempah-Rempah Indonesia,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, pp. 189–196, Nov. 2021, doi: 10.30812/matrik.v21i1.1492.
R. García-Aguirre, E. M. Navarro-López, and L. Torres-Treviño, “Gen-CNN: a framework for the automatic generation of CNNs for image classification,” Neural Comput. Appl., vol. 37, no. 1, pp. 149–168, 2025.
J. Zhao, Y. Wu, R. Deng, S. Xu, J. Gao, and A. Burke, “A Survey of Autonomous Driving from a Deep Learning Perspective,” ACM Comput. Surv., vol. 57, May 2025, doi: 10.1145/3729420.
M. Perarasi, J. Jasmine Hephzipah, M. Dinesh Babu, and K. Kamakshi Priya, “An efficient solar panel crack detection system using a novel solcnn model and crack segmentation algorithm,” Results in Engineering, vol. 29, Mar. 2026, doi: 10.1016/j.rineng.2026.108995.
R. Saha, “CRISP-DM-guided hyperparameter-optimized ensemble model for mental health diagnosis,” Network Modeling Analysis in Health Informatics and Bioinformatics, vol. 15, Dec. 2026, doi: 10.1007/s13721-025-00705-z.
J. L. Selder et al., “Cardiology hospital admission risk prediction: training, internal validation and technical implementation in the electronic health record.,” European heart journal. Digital health, vol. 7, p. ztag109, Aug. 2026, doi: 10.1093/ehjdh/ztag109.
A. M. Wahid, T. Hariguna, and G. Karyono, “Optimizing Feature Extraction for Website Visuals: A Comparative Study of AlexNet and Inception V3,” in 2024 12th International Conference on Cyber and IT Service Management (CITSM), IEEE, 2024, pp. 1–6.
F. C. Chen and M. R. Jahanshahi, “ARF-Crack: rotation invariant deep fully convolutional network for pixel-level crack detection,” Mach. Vis. Appl., vol. 31, no. 6, Sep. 2020, doi: 10.1007/S00138-020-01098-X.
N. Wiliani, T. Khawa, and S. Ramli, “Extraction of Solar Panel Image Texture Feature Using GLCM Method for Damage Analysis on Solar Panel Surface Images,” in E3S Web of Conferences, EDP Sciences, Apr. 2025. doi: 10.1051/e3sconf/202562201001.
K. Maharana, S. Mondal, and B. Nemade, “A review: Data pre-processing and data augmentation techniques,” Global Transitions Proceedings, vol. 3, pp. 91–99, Jun. 2022, doi: 10.1016/j.gltp.2022.04.020.
Ricky Putra Sardika and W. Widhiarso, “Klasifikasi Otomatis Tingkat Kerusakan Retak Bangunan pada Citra Digital Menggunakan MobileNetV2 dan Augmentasi Data,” Arcitech: Journal of Computer Science and Artificial Intelligence, vol. 5, pp. 108–124, Jun. 2025, doi: 10.29240/arcitech.v5i1.13938.
Baiq Nurul Azmi, Arief Hermawan, and Donny Avianto, “Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver,” JTIM : Jurnal Teknologi Informasi dan Multimedia, vol. 4, pp. 281–290, Feb. 2023, doi: 10.35746/jtim.v4i4.298.
S. Mascarenhas and M. Agarwal, “A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for Image Classification,” in 2021 International conference on disruptive technologies for multi-disciplinary research and applications (CENTCON), IEEE, 2021, pp. 96–99.
“Softmax Regression: Kunci Klasifikasi Multi-Kelas dalam Artificial Intelligence untuk Bisnis Indonesia,” https://arsa.technology/machine-state/softmax-regression-kunci-klasifikasi-multi-kelas-d-0j69v4ur/.
S. Walters, “Area Under the Curve (AUC),” in Encyclopedia of Quality of Life and Well-Being Research, Springer, 2024, pp. 252–254.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Ninuk Wiliani, Agung Saputra, Iman Paryudi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
