PENGEMBANGAN MODEL KLASIFIKASI KONDISI PANEL SURYA BERBASIS TRANSFER LEARNING DENGAN PEMANFAATAN INFORMASI SUBKELAS

Pertumbuhan pesat energi surya (1,6 TW global) meningkatkan kebutuhan akan sistem inspeksi cacat panel surya. Studi ini memperkenalkan Subclass Aware Transfer Learning (SATL), metode yang menggabungkan dekomposisi kelas dengan strategi pembelajaran ganda untuk meningkatkan kinerja klasifikasi cacat panel surya. Dekomposisi setiap kelas dilakukan dengan untuk membentuk subkelas yang kemudian informasi subkelas dimanfaatkan sebagai sinyal tambahan dalam proses pelatihan model klasifikasi secara simultan. Konfigurasi VGG19 SATL mencapai akurasi 98,12% dan f1-score 0,9811, mengungguli model dasar sebesar 12,09%. Model menunjukkan performa yang seimbang di semua kelas dan 31% lebih cepat dalam pelatihan. Studi menunjukkan bahwa dekomposisi kelas meningkatkan akurasi model dan dengan mengurangi variasi di dalam kelas dan meningkatkan keterpisahan fitur. Pembelajaran ganda meningkatkan akurasi model melalui efek regularisasi yang mempercepat konvergensi proses pelatihan dan mencegah overfitting. SATL memberikan peningkatan signifikan menjadikannya solusi praktis dan efektif untuk inspeksi kondisi lingkungan panel surya.

Kata Kunci: Dekomposisi Kelas, Klasifikasi Gambar, Kondisi Panel Surya, Pembelajaran Ganda, Pembelajaran Transfer