Salah satu kebutuhan pokok masyarakat di Indonesia adalah listrik. Setiap tahunnya listrik di Indonesia mengalami kenaikan konsumsi. Salah satu upaya untuk membantu kebutuhan konsumsi listri di Indonesia adalah dengan memenfaatkan sumber energi saya terbarukan, salah satunya PLTS. Adanya pemanfaatan PLTS maka harus memperhatikan pengaturan dayanya, agar tidak mengalami kerusakan maupun kerugian yang fatal. Pengaturan daya pada PLTS berfungsi untuk memaksimalkan kinerja ketika keadaan matahari tidak dapat memenuhi daya secara maksimal. Pengaturan daya pada PLTS membutuhkan sistem komputasi cerdas untuk mengklasifikasikan jumlah konsumsi daya dengan metode Adaptive Neuro fuzzy Inference System yang mengintegrasikan ANN adaptif dan logika fuzzy inferensi untuk membuat sistem klasifikasi pengaturan daya agar lebih kuat. Pada sistem komputasi ini mengolah dataset konsumsi daya pada PLTS yang memiliki jumlah hari yang sama terhadap bulan yang menjadi data pelatihan. Hasil dari penelitian ini menghasilkan akurasi 100% pada pengklasifikasian daya konsumsi dengan sistem komputasi yang telah di buat.

One of the basic needs of people in Indonesia is electricity. Every year electricity consumption in Indonesia has increased. One of the efforts to help the needs of electricity consumption in Indonesia is to utilize renewable energy sources, one of which is PLTS. The use of PLTS must pay attention to the power settings, so as not to suffer damage or fatal losses. The power setting on the PLTS serves to maximize performance when the sun's conditions cannot meet the maximum power. Power regulation in PLTS requires an intelligent computing system to classify the amount of power consumption with the Adaptive Neuro-fuzzy Inference System method which integrates adaptive ANN and fuzzy inference logic to make the power management classification system stronger. In this computing system, it processes the power consumption dataset in PV mini-grid which has the same number of days as the month that becomes the training data. The results of this study produce 100% accuracy in the classification of power consumption with a computing system that has been made.