Dulu, penawaran panel surya dimulai dengan tangga, meteran, dan kunjungan ke lokasi. Solar-Roof-AI memulainya dari citra satelit. Ini adalah workspace perencanaan open source yang menganalisis atap, memperkirakan luas yang bisa dipakai, mempratinjau tata letak panel, dan mengekspor laporan gaya cetak biru, semuanya dari peta di browser (GitHub, diakses 2026-10-24).
Poin Penting
Apa ini: Solar-Roof-AI (amarnath3003/solar-roof-ai, CC BY 4.0) adalah workspace perencanaan surya interaktif untuk pemetaan atap, deteksi atap berbantuan AI, simulasi tata letak panel, dan estimasi finansial.
Alurnya: Cari properti, gambar atau deteksi otomatis atap dan rintangan, cek luas yang bisa dipakai dan heatmap paparan surya, letakkan panel secara manual atau otomatis, lalu ekspor geometri GeoJSON atau laporan PDF gaya cetak biru.
Skalanya: Sekitar 132 bintang dan 18 fork di GitHub, 138 commit, dibuat 2026-03-31. Ini proyek kecil yang fokus, bukan platform surya komersial.
Batas jujurnya: Hasilnya setara tahap perencanaan, bukan dokumen teknik siap izin. Kualitas deteksi bergantung pada kualitas citra, zoom, dan kontras atap, dan edit manual tetap penting untuk atap yang rumit.
Kenapa penting: Ini menunjukkan bagaimana citra satelit plus perkakas terbuka bisa memangkas bagian paling lambat dari pra-penjualan surya, yaitu survei atap, menjadi alur kerja desktop yang bisa ditinjau.
Masalah yang diselesaikan
Pekerjaan kelayakan surya biasanya tersebar. Satu perkakas memegang peta, perkakas lain memegang spreadsheet, dan tata letak panel tersimpan di file CAD entah di mana. Estimator harus berpindah antara platform GIS, perangkat lunak CAD, dan spreadsheet yang berantakan sebelum bisa menjawab pertanyaan sederhana: berapa panel yang muat di atap ini, dan kira-kira berapa nilainya?
Solar-Roof-AI mencoba menaruh seluruh rantai itu dalam satu workspace. Kamu mencari properti, peta terpusat di properti itu, dan kamu bekerja dari citra satelit ke luar: poligon atap, lapisan rintangan, luas yang bisa dipakai, penempatan panel, dan estimasi finansial, diakhiri laporan yang bisa diekspor (GitHub, diakses 2026-10-24).
Ini bukan ide baru dalam skala industri. Solar API Google, yang lahir dari Project Sunroof, menyediakan data potensi surya atap yang detail untuk lebih dari 320 juta bangunan di 40 negara, memadukan citra dari atas, data atap, cuaca historis, dan nilai finansial untuk mengurangi kebutuhan kunjungan ke lokasi (Renewable Energy World; Google Maps Platform). Yang ditambahkan Solar-Roof-AI adalah versi terbuka yang bisa diperiksa: codebase yang bisa kamu jalankan, fork, dan adaptasi, bukan sekadar API yang hanya bisa dipanggil.
Cara kerjanya: delapan langkah, satu workspace
Proyek ini menjelaskan alur end-to-end yang konkret:
Cari properti berdasarkan alamat atau nama tempat, memakai OpenStreetMap Nominatim.
Masuk ke workspace peta dan beralih ke mode citra satelit.
Gambar poligon atap dan rintangan secara manual, atau jalankan deteksi otomatis berbantuan AI.
Tinjau hasil deteksi dan terima hanya yang terlihat benar, dengan mengatur filter kepercayaan dan luas.
Hitung luas atap yang bisa dipakai dan periksa petunjuk heatmap surya.
Simulasikan penempatan panel secara manual atau otomatis.
Tinjau estimasi kapasitas sistem dan hasil finansial.
Ekspor geometri sebagai GeoJSON atau laporan PDF gaya cetak biru.
Langkah peninjauan itu adalah keputusan desain yang paling penting. AI mengusulkan, manusia memutuskan. Deteksi dipratinjau sebelum diterapkan ke workspace, sehingga deteksi yang salah tidak diam-diam menjadi penawaran yang salah (GitHub, diakses 2026-10-24).
Enam fitur, dipetakan ke alur kerja
Fitur | Fungsinya | Kenapa penting |
|---|---|---|
Pencarian properti dan pemetaan | Pencarian alamat, workspace berbasis peta, citra satelit resolusi tinggi | Estimasi bisa dimulai tanpa kunjungan lokasi |
Pemetaan atap dan rintangan | Menggambar manual, lapisan terpisah yang bisa diedit, bentuk tak beraturan dan zona pengecualian | Cerobong, ventilasi, dan skylight adalah rintangan, bukan sekadar atap |
Deteksi atap berbantuan AI | Snapshot dikirim ke workflow Roboflow yang di-host, deteksi bidang dan rintangan, filter kepercayaan | Mengotomatiskan penelusuran yang membosankan, dengan tinjauan manusia |
Analisis geospasial dan surya | Luas kotor, luas terhalang, dan luas bersih yang bisa dipakai, kandidat orientasi, heatmap paparan surya | Mengubah poligon menjadi angka yang bisa dipahami pelanggan |
Simulasi tata letak panel | Penempatan manual atau otomatis, pemilihan jenis panel berbasis kapasitas, validasi tumpang tindih | Menunjukkan apa yang benar-benar muat, bukan sekadar total luas atap |
Perencanaan finansial dan ekspor | Dasbor finansial, input ukuran, grafik estimasi, ekspor GeoJSON dan PDF | Mengubah tata letak menjadi dokumen serah terima |
Stack-nya sengaja biasa saja, dan itu pujian. Frontend-nya React 18 dengan Vite dan TypeScript, pemetaan dengan Leaflet dan Turf.js, pencarian alamat dengan OpenStreetMap Nominatim, grafik dengan Recharts, dan deteksi lewat workflow serverless Roboflow. Kamu butuh Node.js 20 atau lebih baru untuk menjalankannya secara lokal (GitHub, diakses 2026-10-24).
Kenapa deteksi atap dari satelit bisa bekerja
Mendeteksi atap dari atas adalah masalah computer vision yang sudah banyak diteliti, dan angka di baliknya menjelaskan janji sekaligus kehati-hatiannya. Peneliti Stanford menganalisis lebih dari 1 miliar citra satelit resolusi tinggi dan mengidentifikasi 1,47 juta instalasi surya di 48 negara bagian AS yang bersebelahan; model DeepSolar mereka benar mengidentifikasi citra yang berisi panel surya 93 persen dari waktu (Stanford News).
Penelitian yang lebih baru terus mendorong akurasi lebih tinggi. Studi tahun 2025 yang memberi label manual pada lebih dari 20.000 area atap di 45,7 kilometer persegi citra satelit melaporkan akurasi estimasi atap maksimum 84,84 persen IoU pada wilayah uji, dengan rata-rata 77,11 persen (MDPI Sustainability). Itu hasil yang kuat untuk perencanaan, dan juga pengingat bahwa tidak ada model yang sempurna: setiap garis atap otomatis layak ditinjau manusia sebelum menjadi proposal.
Ekspansi Google sendiri menunjukkan arah yang sama. Ekspansi satelit menambahkan 125 juta bangunan baru dengan data Solar API di 23 negara, memperluas cakupan potensi sebesar 1,9 miliar bangunan tambahan berdasarkan citra satelit yang tersedia (Google Research). Industri bergerak menuju penilaian surya yang dimulai dari citra. Solar-Roof-AI adalah versi open source kecil dari pergeseran itu.
Batas jujurnya
Solar-Roof-AI terbuka soal batasnya, dan tulisan yang adil harus mengulanginya. Kualitas deteksi sangat bergantung pada kualitas citra, tingkat zoom, dan kontras atap. Nilai kemiringan, aspek, dan tinggi bersifat estimasi dari citra 2D. Hasilnya ditujukan untuk perencanaan dan eksplorasi pra-penjualan, bukan dokumen teknik siap izin. Edit manual tetap penting untuk kasus tepi yang rumit (GitHub, diakses 2026-10-24).
Ada dua catatan praktis lagi. Pertama, README tidak memberi persentase akurasi deteksi untuk modelnya sendiri, jadi tidak ada angka akurasi yang boleh diklaim untuknya; angka akurasi di atas milik sistem lain yang sudah dipublikasikan. Kedua, langkah deteksi memanggil workflow Roboflow yang di-host, jadi bagian AI-nya tidak sepenuhnya self-hosted meskipun workspace-nya sendiri open source. Kalau kamu butuh pipeline yang sepenuhnya offline, dependensi yang di-host itu patut dicatat sebelum mengadopsinya.
Apakah kamu harus mencobanya?
Coba Solar-Roof-AI kalau kamu estimator surya, developer yang menjelajahi perkakas surya, atau pelajar yang mempelajari computer vision geospasial. Ini cara ringkas dan mudah dibaca untuk melihat rantai lengkap, dari citra satelit ke tata letak panel ke laporan PDF, tanpa mendaftar ke platform komersial. Jalankan secara lokal, coba pada atap yang kamu kenal baik, dan bandingkan angka luas pakainya dengan pengukuran manual. Perbandingan itu cara tercepat untuk belajar di mana ia membantu dan di mana ia masih butuh penilaianmu.
Lewati saja, atau perlakukan hanya sebagai proyek belajar, kalau kamu butuh dokumen teknik siap izin, angka akurasi yang dijamin, atau model deteksi yang sepenuhnya self-hosted. Untuk pekerjaan itu, survei komersial dan tinjauan teknik tetap pilihan yang tepat.
Mau versi 30 detiknya? Tonton sinyal repo untuk proyek ini di repomaniac.com, dan baca artikel ini dalam bahasa Inggris untuk edisi aslinya.
Pertanyaan yang Sering Diajukan
Apa itu Solar-Roof-AI?
Solar-Roof-AI (amarnath3003/solar-roof-ai) adalah workspace perencanaan surya interaktif open source untuk menganalisis atap, memperkirakan luas yang bisa dipakai, dan mempratinjau tata letak panel dari citra satelit. Lisensinya CC BY 4.0 dan punya sekitar 132 bintang di GitHub (GitHub, diakses 2026-10-24).
Bagaimana cara kerjanya mendeteksi atap?
Ia mengirim snapshot peta ke workflow Roboflow yang di-host untuk deteksi bidang dan rintangan, lalu membiarkanmu mempratinjau hasil, mengatur filter kepercayaan dan luas, dan menerapkan hanya deteksi yang kamu terima. Kamu juga bisa menggambar atap dan rintangan secara manual (GitHub, diakses 2026-10-24).
Apa yang bisa diekspor darinya?
Ekspor GeoJSON untuk geometri atap dan rintangan, plus laporan PDF gaya cetak biru untuk serah terima perencanaan, bersama dasbor finansial dengan input ukuran dan grafik estimasi (GitHub, diakses 2026-10-24).
Apakah cukup akurat untuk penawaran instalasi nyata?
Untuk perencanaan dan eksplorasi pra-penjualan, ya, dengan tinjauan manusia. Untuk dokumen teknik siap izin, tidak. README menyatakan hasilnya bersifat estimasi dari citra 2D dan edit manual tetap penting untuk atap yang rumit (GitHub, diakses 2026-10-24).
Apa yang dibutuhkan untuk menjalankannya?
Node.js 20 atau lebih baru, plus dependensi frontend. Stack-nya React 18, Vite, TypeScript, Leaflet, Turf.js, dan Recharts, dengan OpenStreetMap Nominatim untuk pencarian alamat (GitHub, diakses 2026-10-24).