UI - Skripsi Membership :: Kembali

UI - Skripsi Membership :: Kembali

Development and Analysis of Solar Panel Surface Damage Detection Using Deep Learning-Based Attention U-Net Segmentation and Xception Classification = Pengembangan dan Analisis Deteksi Kerusakan Permukaan Panel Surya Menggunakan Segmentasi Attention U-Net dan Klasifikasi Xception Berbasis Deep Learning

Muhammad Reiyan Indra; Ajib Setyo Arifin, supervisor; Dadang Gunawan, examiner; Muhammad Suryanegara, examiner (Fakultas Teknik Universitas Indonesia, 2025)

 Abstrak

Energi surya melalui panel surya merupakan sumber energi terbarukan yang potensial. Namun, kinerjanya sering terganggu oleh kerusakan permukaan, seperti debu dan bayangan, serta kerusakan permanen seperti kerusakan kabel dan penuaan komponen. Berbagai metode inspeksi seperti citra inframerah, uji ultrasonik, teknik optik dan termografi, serta pendekatan machine learning berbasis CNN telah digunakan, namun masih memiliki keterbatasan. Penelitian ini mengusulkan pendekatan deep learning yang menggabungkan segmentasi dan klasifikasi citra untuk mendeteksi kondisi permukaan panel surya. Attention U-Net digunakan untuk segmentasi karena kemampuannya memfokuskan area penting secara spasial, sementara arsitektur Xception digunakan untuk klasifikasi karena efisiensi dan akurasinya. Attention U-Net menghasilkan segmentasi yang lebih bersih, lebih terfokus, dan secara spasial lebih representatif, yang berkontribusi pada kinerja segmentasi yang tinggi, dengan hasil menunjukkan akurasi sebesar 97,5%, Dice coefficient sebesar 90,3%, IoU sebesar 85,7%, dan loss sebesar 9,70%. Model klasifikasi mencapai hasil evaluasi berbobot sebagai berikut: akurasi 98,64%, precision 98,70%, recall 98,60%, dan F1-score 98,60%. Hasil tersebut menunjukkan bahwa pendekatan yang diusulkan efektif dalam menganalisis kerusakan permukaan panel surya.
Solar energy through solar panels is a potential source of renewable energy. However, its performance is often compromised by surface damage, such as dust and shadows, and permanent, such as cable damage and component aging. Various inspection methods such as infrared images, ultrasonic tests, optical and thermographic techniques, and CNN-based machine learning approaches have been used but still have limitations. This research proposes a deep learning approach that combines image segmentation and classification to detect the surface condition of solar panels. Attention U-Net is used for segmentation due to its ability to spatially focus important areas, while Xception architecture is used for classification due to its efficiency and accuracy. Attention U-Net produced cleaner, more focused, and spatially representative segmentations, contributing to high segmentation performance, with results showing 97.5% accuracy, a Dice coefficient of 90.3%, an IoU of 85.7%, and a loss of 9.70%. The classification model achieved the following weighted evaluation metrics results: 98.64% accuracy, 98.70% precision, 98.60% recall, and 98.60% F1-score. These results show that the proposed approach effectively analyzes the surface damage of solar panels.

 File Digital: 1

Shelf
 S-Muhammad Reiyan Indra.pdf :: Unduh

LOGIN required

 Kata Kunci

 Metadata

Jenis Koleksi : UI - Skripsi Membership
No. Panggil : S-pdf
Entri utama-Nama orang :
Entri tambahan-Nama orang :
Entri tambahan-Nama badan :
Program Studi :
Subjek :
Penerbitan : Depok: Fakultas Teknik Universitas Indonesia, 2025
Bahasa : eng
Sumber Pengatalogan : LibUI eng rda
Tipe Konten : text
Tipe Media : computer
Tipe Carrier : online resource
Deskripsi Fisik : xi, 64 pages : illustration + appendix
Naskah Ringkas :
Lembaga Pemilik : Universitas Indonesia
Lokasi : Perpustakaan UI
  • Ketersediaan
  • Ulasan
  • Sampul
No. Panggil No. Barkod Ketersediaan
S-pdf 14-25-67527027 TERSEDIA
Ulasan:
Tidak ada ulasan pada koleksi ini: 9999920570104
Cover
 Lihat juga