KLASIFIKASI KERUSAKAN DENGAN JARINGAN SYARAF BACKPROPAGATION PADA PERMUKAAN SOLAR PANEL

  • Ninuk Wiliani (1*) Institut Teknologi dan Bisnis BRI
  • Asrul Sani (2) STMIK Widuri
  • Achmad Taufiq Andyanto (3) Teknik Informatika Institut Sains dan Teknologi Nasional

  • (*) Corresponding Author
Keywords: Solar Panel, Damage, Artificial Neural Networks, Statistical

Abstract

Solar panel terdiri dari beberapa sel yang dapat merubah cahaya menjadi listrik. Kerusakan pada permukaan solar panel sering terjadi di akibatkan banyak hal. Ketidaktahuan dari petugas menyebabkan kerusakan tidak dapat diatasi lebih awal sehingga menyebabkan kejadian yang lebih parah. Penelitian yang dilakukan adalah mengidentifikasi awal dari beberapa kerusakan yang sering terjadi. Dengan menggunakan metode stastistik yang di aplikasikan ke dalam Jaringan Syaraf Tiruan yang menggunakan Mean, variance, dan skewness untuk mengetahui nilai akurasi dari pengujian sample. Subjek yang digunakan adalah image yang terdiri dari gambar gambar panel yang rusak. Kerusakan yang diidentifikasi dalam penelitian ini adalah Kerusakan akibat goresan, noda dan pecah. Hasil dari penelitian ini mempunyai nilai akurasi sebesar 90%. Sehingga diharapkan dapat dideteksi lebih awal untuk melihat kejadian kerusakan dari solar panel.

Downloads

Download data is not yet available.

References

Andyanto, A. T., Wiliani, N., & Sani, A. (2018). Laporan Akhir Penelitian: Deteksi Klasifikasi Kerusakan Panel Surya Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jakarta.

H, A. N., Ichwan, M., & Putra, I. M. S. (2015). Segmentasi citra untuk deteksi objek warna pada aplikasi pengambilan bentuk citra rectangle, 7, 1–10.

Israil, M., Anwar, S. A., & Abdullah, M. Z. (2013). Automatic detection of micro-crack in solar wafers and cells: A review. Transactions of the Institute of Measurement and Control, 35(5), 606–618. https://doi.org/10.1177/0142331212457583

Meemongkolkiat, V. (2008). Development Of High Efficiency Monocrystalline SI Solar Cells Through Improved Optical and Electrical Confinement. Georgia Institute of Technology.

Ong, A. T., Mustapha, A., Ibrahim, Z. Bin, Ramli, S., & Eong, B. C. (2015). Real-Time Automatic Inspection System for the Classification of PCB Flux Defects. American Journal of Engineering and Applied Sciences, 8(4), 504–518. https://doi.org/10.3844/ajeassp.2015.504.518

Permata, E. (2016). Identifikasi Obyek Benda Tajam Menggunakan Pengolahan Citra Digital Pada Citra X-Ray, 1(1), 1–14.

Pertahanan, U., & Lumpur, U. K. (2017). Detection of Faulty Photovoltaic Panel on Thermographic Images Using Deep Learning Algorithm, 5(x)

Yuliananda, S., Sarya, G., & Hastijanti, R. R. (2015). Pengaruh perubahan intensitas matahari terhadap daya keluaran panel surya. Jurnal Pengabdian LPPM Untag Surabaya, 01(02), 193–202.

Zimmermann, C. G. (2006). The Impact of Mechanical Defects on the Reliability of Solar Cells in Aerospace Applications, 6(3), 486–494.

Published
2019-07-30
How to Cite
[1]
N. Wiliani, A. Sani, and A. Andyanto, “KLASIFIKASI KERUSAKAN DENGAN JARINGAN SYARAF BACKPROPAGATION PADA PERMUKAAN SOLAR PANEL”, jitk, vol. 5, no. 1, pp. 89-94, Jul. 2019.
Article Metrics

Abstract viewed = 946 times
PDF downloaded = 695 times

Most read articles by the same author(s)

1 2 > >>