SISTEM DETEKSI KERUSAKAN PANEL PLTS APUNG DI EMBUNG SIDOBANDUNG BERBASIS CONVOLUTIONAL NEURAL NETWORK DENGAN VISUALISASI AUGMENTED REALITY

Thomas Brian; Immanuel Freddy Augustino; Parman Parman; Muhamad Sukarno

doi:10.46764/teknimedia.v7i1.364

Thomas Brian Politeknik Perkapalan Negeri Surabaya
Immanuel Freddy Augustino Politeknik Perkapalan Negeri Surabaya
Parman Parman Politeknik Perkapalan Negeri Surabaya
Muhamad Sukarno Politeknik Perkapalan Negeri Surabaya

DOI: https://doi.org/10.46764/teknimedia.v7i1.364

Kata Kunci: Augmented Reality, Convolutional Neural Network, Deteksi Kerusakan, Embung, PLTS Apung

Abstrak

Penelitian ini bertujuan mengembangkan aplikasi Augmented Reality (AR) yang terintegrasi dengan Convolutional Neural Network (CNN) sebagai sistem deteksi kerusakan panel Pembangkit Listrik Tenaga Surya (PLTS) apung di Embung Sidobandung secara interaktif untuk menjaga efisiensi sistem energi fotovoltaik. Metode inspeksi konvensional yang dilakukan secara manual dinilai kurang efisien serta berisiko mengalami kesalahan akibat faktor manusia. Oleh karena itu, pendekatan deep learning digunakan untuk melakukan deteksi dan klasifikasi kerusakan panel surya secara otomatis dan interaktif. Teknologi AR dimanfaatkan untuk menampilkan informasi kondisi panel secara langsung melalui kamera perangkat bergerak, sehingga memungkinkan pemantauan kerusakan secara real-time. Dataset terdiri 615 citra panel surya, dengan 472 citra kerusakan fisik (physical damage) dan 143 citra kerusakan elektrik (electrical damage). Hasil pengujian menunjukkan sistem mampu melakukan klasifikasi jenis kerusakan panel secara real-time dengan tingkat precision 93,48%, recall 89,58%, F1-Score 91,49% untuk physical damage dan precision 70,59%, recall 80,00%, F1-Score 75,00% untuk electrical damage dengan accuracy total 87,30%. Meskipun aplikasi yang dikembangkan memberikan visualisasi yang interaktif dan informatif, berbagai kondisi pencahayaan di lingkungan perairan dan perbedaan sudut pengambilan citra masih menjadi tantangan yang memengaruhi akurasi sistem. Secara keseluruhan, integrasi CNN dan AR berpotensi menjadi solusi yang efektif dan efisien dalam pengembangan sistem deteksi kerusakan panel PLTS apung.

##submission.authorBiographies##

##submission.authorWithAffiliation##

Teknik Kelistrikan Kapal

##submission.authorWithAffiliation##

Teknik Permesinan Kapal

##submission.authorWithAffiliation##

Teknik Bangunan Kapal

##submission.authorWithAffiliation##

Teknik Bangunan Kapal

Referensi

[1] I. Marupa, I. R. Moe, A. Mardjono, and D. Malindo, “PLTS Terapung: Review Pembangunan dan Simulasi Numerik Untuk Rekomendasi Penempatan Panel Surya di Waduk Cirata,” pengairan, vol. 13, no. 1, pp. 48–62, Apr. 2022, doi:10.21776/ub.pengairan.2022.013.01.05.
[2] Y. Seran, N. Nursalim, and S. Kurniati, “Analisis Penurunan Kinerja Daya Keluaran Pada Pembangkit Listrik Tenaga Surya (PLTS) 5 MWP Oelpuah Kupang dengan Menggunakan Software PVSYST,” JME, pp. 87–96, Oct. 2022, doi: 10.35508/jme.v0i0.8131.
[3] M. F. K. Sitorus, R. A. Yuzakhri, H. Alfianza, and D. J. Sinaga, “Evaluasi Kondisi Tahanan Isolasi House Service Transformer Pada Power Station PLTA Peusangan,” JIPM, pp. 235-242, Dec. 2025, doi: https://doi.org/10.61722/jipm.v3i6.1637
[4] T. Salameh, R. Björk, M. A. Abdelkareem, and A. G. Olabi, “Detecting the faults of solar photovoltaic module due to the temperature and shading effect by convolutional neural network,” International Journal of Thermofluids, vol. 22, p. 100643, May 2024, doi: 10.1016/j.ijft.2024.100643.
[5] R. G, R. Rajalakshmi, D. S. Manish, and R. N. A, “Fusion-Solar-Net for Solar Panel Fault Detection,” Results in Engineering, vol. 27, p. 106513, Sep. 2025, doi: 10.1016/j.rineng.2025.106513.
[6] Afis Julianto, Andi Sunyoto, and Ferry Wahyu Wibowo, “Optimasi Hyperparameter Convolutional Neural Network Untuk Klasifikasi Penyakit Tanaman Padi,” teknimedia, vol. 3, no. 2, pp. 98–105, Dec. 2022, doi: 10.46764/teknimedia.v3i2.77.
[7] A. Oulefki et al., “Detection and analysis of deteriorated areas in solar PV modules using unsupervised sensing algorithms and 3D augmented reality,” Heliyon, vol. 10, no. 6, p. e27973, Mar. 2024, doi: 10.1016/j.heliyon. 2024.e27973.
[8] C. O. Mangatur, I N. Setiawan, I N. S. Kumara, “Studi Potensi dan Perancangan PLTS Apung di Danau Batur Guna Mendukung Bali Clean Energy,” SPEKTRUM, vol. 10, no. 4, Dec. 2023.
[9] Ahmad Fariz Fuady, Dwiky Oldi Amsyah, Muhammad Farhan, Rusma Riansyah, and M. Dayyan Dhiyaul Haq, “Implementasi Algoritma Convolutional Neural Network (CNN) untuk Pengenalan dan Klasifikasi Buah Berdasarkan Citra Digital,” JUPIKOM, vol. 4, no. 2, pp. 148–159, May 2025, doi: 10.55606/jupikom.v4i2.4116.
[10] M. R. Alwanda, R. P. K. Ramadhan, and D. Alamsyah, “Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle,” algoritme, vol. 1, no. 1, pp. 45–56, Oct. 2020, doi: 10.35957/algoritme.v1i1.434.
[11] A. N. Faisal and A. S. Nuran, “Optimalisasi Deteksi Kerusakan Elektrikal Panel Surya dengan Transfer Learning dan Augmentasi Terkontrol berbasis YOLOv8”, Micronic, vol. 3, issue 1, Jun. 2025, doi: 10.61220/912s5p11.
[12] A. Mufidatuzzainiya, and M. Faisal, “Penggunaan Teknik Transfer Learning pada Metode CNN untuk Pengenalan Tanaman Bunga,” JISKA, vol. 10, no. 2, May. 2025.
[13] D. Husen, “Evaluasi Teknik Augmentasi Data untuk Klasifikasi Tumor Otak Menggunakan CNN Pada Citra MRI,” teknimedia, vol. 5, no. 2, Dec. 2024, doi: 10.46764/ teknimedia.v5i2.220
[14] S. R. Joshua, K. Y. Palilingan, S. P. Lengkong, and S. Park, “Deep Learning-Driven Solar Fault Detection in Solar–Hydrogen AIoT Systems: Implementing CNN VGG16, ResNet-50, DenseNet121, and EfficientNetB0 in a University-Based Framework,” Hydrogen, vol. 7, no. 1, p. 1, Dec. 2025, doi: 10.3390/hydrogen7010001.
[15] K. Masita, A. Hasan, T. Shongwe, and H. A. Hilal, “Deep Learning in Defects Detection of PV Modules: A review,” Solar Energy Advances, vol. 5, p. 100090, 2025, doi: 10.1016/j.seja.2025.100090.
[16] F. Salim, F. Saeed, S. Basurra, S. N. Qasem, and T. Al-Hadhrami, “DenseNet-201 and Xception Pre-Trained Deep Learning Models for Fruit Recognition,” Electronics, vol. 12, no. 14, p. 3132, Jul. 2023, doi: 10.3390/electronics12143132.
[17] Prasetia, B. Hanggara, R. Naufaldihanif, A. C. P. Wijaya, Fathoni, and A. Ibrahim, “Klasifikasi Kondisi Kebersihan Sungai Dari Citra Digital Menggunakan Convolutional Neural Network Dengan Algoritma Inception V3 Dan Xception,” JATI, .
[18] Jimmy Pratama, Bayu Syahputra, and Febby Anggellya, “Visualisasi Struktur Organ Anatomi Hewan Ternak Berbasis Augmented Reality,” teknimedia, vol. 6, no. 1, pp. 36–43, Jun. 2025, doi: 10.46764/teknimedia .v6i1.239.
[19] M. Saldila, R. K. Dinata, and Said Fadlan Anshari, “Implementasi Augmented Reality untuk Pengenalan Tanaman Toga Menggunakan Metode Convolutional Neural Network,” RABIT, vol. 11, no. 1, pp. 19-31, Jan 2026, doi: 10.36341/rabit.v11i1.6602.
[20] M. I. Sa’ad, and H. Pratiwi, “Deteksi Marker Augmented Reality dalam Pengenalan Batik Kalimantan Timur menggunakan Algoritma Convolutional Neural Networks (CNNs),” MIND, vol. 9, no. 1, pp. 89-98, Jun 2024, doi: 10.26760/mind journal.v1i1.49
[21] Nadzifah Nadzifah, Suprih Widodo, and Nuur Wachid Abdul Majid, “Pengembangan Media Pembelajaran Pengenalan Buah dengan Teknologi Augmented Reality Menggunakan Metode Multimedia Develop Ment Life Cycle,” teknimedia, vol. 3, no. 1, pp. 1–9, Jun. 2022, doi: 10.46764/teknimedia.v3i1.56.
[22] Y. Cahyaningrum, “Integrasi Augmented Reality dan Artificial Intelligence untuk Visualisasi Produk sebagai Strategi Inovatif,” Jurnal Pustaka Data, vol. 5, no. 1, pp. 200–204, Jun. 2025, doi: 10.55382/jurnalpusta kadata.v5i1.1004.
[23] P. Paryanto, R. D. Surya, and R. Rusnaldy, “Prototyping Smart Maintenance System Berbasis Augmented Reality Untuk Steam Turbine Di PLTP,” Rot., vol. 25, no. 4, pp. 31–42, Oct. 2023, doi: 10.14710/rotasi.25.4.31-42.
[24] Ali, M., R., M., Nuraeni P., & Kuswanto H., “Tinjauan Literatur Sistematis: Penggunaan Teknologi Augmen ted Reality (AR) Pada Pembelajaran Fisika”, Jurnal Riset Pendidikan Fisika, Vol. 09, No. 1, Hal. 08-16. 2024.
[25] N. Nurrisma, “Perancangan Media Augmented Reality dalam Pembelajaran Mengenal Hardware Dasar pada Multimedia,” teknimedia, vol. 6, no. 2, pp. 254–268, Dec. 2025, doi: 10.46764/teknimedia.v6i2.326.
[26] Rizky Arya Kurniawan, A. Sunyoto, and A. Nasiri, “Pengaruh Arsitektur Convolutional Neural Network untuk Klasifikasi Penyakit Daun Tomat,” teknimedia, vol. 4, no. 2, pp. 126–131, Dec. 2023, doi: 10.46764/teknimedia. v4i2.111.
[27] D. Cortes, B. Bermejo, and C. Juiz, “The use of CNNs in VR/AR/MR/XR: a systematic literature review,” Virtual Reality, vol. 28, no. 3, Aug. 2024, doi: 10.1007/ s10055-024-01044-6.