DAS INSTITUTEDAS INSTITUTE

AJIRSS: Asian Journal of Innovative Research in Social ScienceAJIRSS: Asian Journal of Innovative Research in Social Science

Inspeksi panel surya atap konvensional (PV) masih sering dilakukan melalui penilaian visual langsung oleh teknisi. Namun, pendekatan ini memakan waktu, meningkatkan risiko keselamatan pekerja, dan sering menghasilkan dokumentasi yang kurang konsisten. Studi ini mengembangkan pendekatan inspeksi otomatis berbasis citra udara RGB dan deep learning, serta membandingkan efektivitasnya dengan inspeksi konvensional. Studi kasus dilakukan pada sistem PV atap berkapasitas 60 kWp di Smart and Green Learning Center (SGLC), Fakultas Teknik, Universitas Gadjah Mada. Sebanyak 150 gambar RGB diperoleh menggunakan drone, diberi anotasi, dan digunakan untuk melatih model YOLOv11 melalui alur kerja Roboflow. Evaluasi teknis dilengkapi dengan survei Likert 24 item yang melibatkan lima teknisi dan analisis biaya investasi dan operasional. Model mencapai mAP@50 sebesar 98,3%, presisi 100%, dan recall 97,0%. Inspeksi otomatis mengurangi waktu inspeksi dari sekitar 95 menit menjadi 18 menit per sesi, yang setara dengan penghematan waktu sekitar 81%. Persepsi teknisi juga lebih menguntungkan metode otomatis, dengan skor rata-rata 4,82 dibandingkan 3,34 untuk pendekatan konvensional, dan perbedaan ini secara statistik signifikan (p = 0,000036). Meskipun metode otomatis memerlukan investasi awal yang lebih tinggi, metode ini menghasilkan biaya operasional tahunan yang lebih rendah. Temuan ini menunjukkan bahwa pemetaan RGB berbasis drone dan YOLOv11 menawarkan pendekatan yang layak untuk pemeliharaan panel surya atap modern, terutama untuk inspeksi berkala dan penerapan pada beberapa instalasi.

Studi ini menunjukkan bahwa sistem inspeksi panel surya atap berbasis citra udara RGB dan YOLOv11 dapat mendeteksi modul PV dengan kinerja tinggi dan memberikan keunggulan operasional dibandingkan inspeksi konvensional.Metode otomatis terbukti mempercepat inspeksi, meningkatkan kualitas dokumentasi, mendapatkan penilaian lebih positif dari teknisi, serta mengurangi biaya operasional tahunan meskipun memerlukan investasi awal yang lebih tinggi.Pendekatan ini menjanjikan sebagai solusi pemeliharaan modern untuk sistem PV atap, terutama untuk inspeksi berkala dan manajemen sekaligus beberapa instalasi.

Penelitian lanjutan dapat mengembangkan model deteksi yang lebih luas untuk mengenali berbagai jenis kerusakan seperti hotspots, retak, atau debu berat pada panel surya, yang belum sepenuhnya diuji dalam studi ini. Selain itu, penting untuk menguji kinerja sistem di lingkungan visual yang lebih kompleks, seperti atap dengan bentuk dan tekstur beragam, agar hasilnya lebih dapat digeneralisasi. Penelitian juga bisa fokus pada integrasi sistem otomatis dengan analisis data real-time untuk meningkatkan responsivitas dalam mengidentifikasi masalah dan memberikan rekomendasi pemeliharaan secara langsung. Dengan menggabungkan teknologi drone dan deep learning, penelitian masa depan dapat mengeksplorasi potensi penggunaan data historis untuk prediksi kerusakan sebelum terjadi, sehingga meningkatkan efisiensi pemeliharaan jangka panjang.

Read online
File size149.1 KB
Pages5
DMCAReport

Related /

ads-block-test