Suatu kondisi dimana panel surya terbayangi sebagian oleh sebuah objek sehingga sinar matahari yang diterima tidak maksimal disebut kondisi partial shading. Kondisi partial shading dapat mengganggu kinerja panel surya dalam memproduksi daya listrik menjadi lebih rendah serta memunculkan beberapa titik puncak daya pada kurva karakteristik P-V yang disebut local maximum power point (LMPP) dan global maximum power point (GMPP). Maximum Power Point Tracker (MPPT) bisa mengatasi permasalahan tersebut namun metode MPPT konvensional tidak bisa menemukan titik GMPP sehingga harus menggunakan metode khusus yaitu metode soft-computing. Algoritma Differential Evolution (DE) merupakan metode soft-computing yang merupakan salah satu dari kelompok Evolutionary Algorithms (EA). MPPT dengan menggunakan algoritma DE mengadopsi proses evolusi biologi pada suatu populasi dimana setiap individu pada populasi tersebut memiliki sifat yang berbeda kemudian akan terus berkompetisi dan berevolusi ke sifat yang terbaik pada generasi selanjutnya. Algoritma DE diadaptasi ke proses komputasi MPPT dengan cara menggerakkan duty cycle ke nilai terbaik yang memiliki daya panel surya paling maksimum. Proses komputasi ini membuat algoritma tidak terjebak pada titik LMPP saat terjadi partial shading. Dari hasil pengujian dan simulasi yang telah dilakukan, pengujian MPPT DE pada panel surya kondisi normal bisa mencapai daya maksimum 200 Watt dari total daya panel surya 200 Wp. MPPT DE diuji pada 9 variasi kondisi partial shading dan mendapatkan rata-rata akurasi tracking 98,6 % dan waktu tracking 0,19 detik. MPPT DE diuji pada pola partial shading fluktuatif selama 5 detik didapatkan rata-rata akurasi tracking 99,7 % dan waktu tracking 0,21 detik. Pengujian perbandingan MPPT DE dengan MPPT PSO pada kondisi iradiasi fluktuatif selama 4 detik, MPPT DE memiliki nilai akurasi tracking rata-rata 99,8 % dan waktu tracking rata-rata 0,2 detik sedangkan MPPT PSO memiliki nilai akurasi tracking rata-rata 98,7 % dan waktu tracking rata-rata 0,382 detik.