Rancang Bangun Sistem Pendeteksi Debu dan Kotoran pada Permukaan Panel Surya guna Mendukung Preventinve Maintenance

Hidayat, Adam Mahendra (2024) Rancang Bangun Sistem Pendeteksi Debu dan Kotoran pada Permukaan Panel Surya guna Mendukung Preventinve Maintenance. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2042201037-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (40MB) | Request a copy

Abstract

Sebuah robot pembersih debu dan kotoran pada panel surya saat ini hanya dapat membersihkan dengan metode kontrol manual atau otomatis dengan timer. Untuk itu, robot pembersih debu dan kotoran pada panel surya akan diperbarui dengan tambahan alat pendeteksi debu dan kotoran pada permukaan panel surya. Alat ini menggunakan kamera sebagai media pendeteksi debu dan kotoran pada permukaan panel surya. Pada sistem pendeteksi ini menggunakan algoritma Convolutional Neural Network YOLO v8. Metode yang digunakan sebagai pendeteksi debu dan kotoran yaitu object detection. Digunakan 1392 dataset gambar panel surya kotor untuk training model YOLO v8 yang didapatkan dari hasil percobaan sendiri. Model dilakukan training dengan 1 class yaitu kotoran. Jumlah pixel yang terdeteksi oleh model digunakan untuk membedakan kondisi permukaan panel surya dengan ketentuan kondisi bersih sebesar 0 pixels, kondisi kotor sebesar 0-3000 pixels, kondisi sangat kotor sebesar >3000. Ketika sistem mendeteksi kondisi bersih maka pembersihan tidak dilakukan. Namun jika terdeteksi kondisi kotor atau sangat kotor pada permukaan panel surya, maka Raspberry Pi akan mengirimkan sinyal HIGH ke relay module yang terhubung dengan pin digital input PLC untuk mengaktifkan robot pembersih panel surya. Robot pembersih akan melakukan pembersihan hingga sistem mendeteksi kondisi bersih. Model YOLO akan melakukan pendeteksian sebanyak 3 kali sehari yaitu pukul 08:00, 11:00 dan 14:00. Hasil pengujian alat menunjukkan bahwa relay module dapat memberikan sinyal HIGH ke PLC dengan baik. Hasil training model yang telah dilakukan didapatkan mAP terbaik yaitu 0.820, Recall sebesar 0.791, dan Precision sebesar 0.812. Berdasarkan 10 kali pengujian yang telah dilakukan dengan rentang waktu 08.00 – 14.00, sistem pendeteksi dapat mendeteksi secara tepat sebanyak 9 kali dan tidak tepat 1 kali. Berdasarkan perbandingan perhitungan jumlah pixel debu dan kotoran secara manual dan hasil deteksi model didapatkan rata-rata nilai error sebesar 27.9%.
==============================================================================================================================
A current dust and dirt cleaning robot for solar panels can only clean using manual control or a timer-based automatic method. Therefore, the cleaning robot will be updated with an additional tool to detect dust and dirt on the surface of the solar panels. This tool uses a camera to detect dust and dirt on the solar panel surface. The detection system employs the YOLO v8 Convolutional Neural Network algorithm. The method used for detecting dust and dirt is object detection. A dataset of 1392 images of dirty solar panels, collected from self conducted experiments, is used for training the YOLO v8 model. The model is trained with one class: dirt. The number of pixels detected by the model is used to differentiate the condition of the solar panel surface, with the criteria being: clean at 0 pixels, dirty at 0-3000 pixels, and very dirty at >3000 pixels. When the system detects a clean condition, cleaning is not performed. However, if a dirty or very dirty condition is detected on the solar panel surface, the Raspberry Pi will send a HIGH signal to the relay module connected to the PLC's digital input pin to activate the solar panel cleaning robot. The cleaning robot will continue cleaning until the system detects a clean condition. The YOLO model will perform detection three times a day at 08:00, 11:00, and 14:00. The test results show that the relay module can send a HIGH signal to the PLC effectively. The best training model achieved an mAP of 0.820, Recall of 0.791, and Precision of 0.812. Based on ten tests conducted between 08:00 and 14:00, the detection system correctly detected dirt nine times and failed once. The average error rate, comparing manual pixel counts of dust and dirt to model detection results, is 27.9%.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Panel surya, Debu dan kotoran, Convolutional Neural Network (CNN), Robot Pembersih Panel Surya, Solar panels, Dust and dirt, Cleaning Robot
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TJ Mechanical engineering and machinery > TJ810.5 Solar energy
Divisions:	Faculty of Vocational > Instrumentation Engineering
Depositing User:	Adam Mahendra Hidayat
Date Deposited:	06 Aug 2024 07:13
Last Modified:	28 Aug 2024 05:58
URI:	http://repository.its.ac.id/id/eprint/112106

Actions (login required)

View Item