Perpustakaan Digital ITB

Inspeksi termal inframerah pada modul fotovoltaik masih bergantung pada interpretasi visual yang rentan inkonsistensi dan tidak mampu berskala. Oleh karena itu, penelitian ini merancang dan mengevaluasi sistem deteksi kegagalan hotspot otomatis sekaligus membandingkan tiga pendekatan yang berbeda secara sistematis (threshold sederhana, machine learning berbasis fitur statistic dan transfer learning berbasis piksel penuh menggunakan MobileNetV2) untuk menentukan pendekatan paling optimal dalam ruang trade-off antara akurasi deteksi dan efisiensi komputasi pada sistem monitoring PLTS berskala menengah. Dataset terdiri atas 1.146 citra termal inframerah modul surya dari repositori public dengan rasio ketidakseimbangan kelas 8,1:1 di mana setiap citra dikonversi ke grayscale dan diekstraksi menjadi lima fitur statistic termal. Dua model baseline threshold, dua algoritma ensemble learning (Random Forest dan XGBoost) yang dioptimasi melalui pencarian hyperparameter dengan validasi silang serta MobileNetV2 dengan fine-tuning dua tahap sebagai representasi pendekatan deep learning dievaluasi secara bersamaan terhadap metrik performa klasifikasi dan efisiensi komputasi. Pendekatan threshold tunggal terbukti tidak memadai karena kemampuannya mengenali kondisi normal runtuh hampir sepenuhnya meskipun sensitive terhadap hotspot. Random Forest dan XGBoost mencapai performa klasifikasi sangat tinggi pada seluruh metrik dengan ukuran model di bawah 0,4 MB dan latensi inferensi di bawah 7 milidetik per citra. MobileNetV2 mencapai klasifikasi sempurna pada data uji dan mampu mengenali pola spasial distribusi panas yang tidak tertangkap oleh fitur statistic global namun dengan ukuran model 68 kali lebih besar dan latensi 14 kali lebih lambat dibanding Random Forest. Fitur ?T terbukti sebagai representasi termal paling diskriminatif di antara seluruh fitur yang dievaluasi. Temuan ini menunjukkan bahwa operator dan pengembang sistem monitoring PLTS berskala menengah dapat mengadopsi model ensemble learning berbasis fitur statistic termal sebagai alternative yang akurat sekaligus ringan secara komputasi dibanding deep learning tanpa memerlukan infrastruktur GPU yang mahal.