Indonesia memanfaatkan Pembangkit Listrik Tenaga Surya sebagai alternatif pemasok listrik guna memenuhi konsumsi listrik yang meningkat setiap tahunnya. Pemanfaatan PLTS tanpa memperhatikan potensi baterai merupakan salah satu permasalahan yang berdampak fatal terutama pada PLTS off grid. Karena baterai pada PLTS off grid mengambil peran penting pada kinerja PLTS. Penelitian ini menghasilkan pemodelan komputasi cerdas untuk mengklasifikasi pengaturan daya pada baterai menggunakan metode Learning Vector Quantization. Metode Learning Vector Quantization merupakan salah satu metode supervised learning yang dapat diimplementasikan pada maasalah klasifikasi pengunaan daya baterai. Sistem komputasi ini akan mengelolah dataset konsumsi daya PLTS bulan Januari 2019 sebagai data latih dan untuk data uji menggunakan data yang memiliki jumlah hari yang sama dengan bulan Januari 2019. Parameter yang digunakan untuk mendapatkan hasil akurasi terbaik adalah learning rate 0,05 , hidden 10 dan epoch 100 dengan jumlah data 31hari dan 48 jam. Berdasarkan hasil pengujian diperoleh akurasi pada bulan Maret sebesar 91,6%, Bulan Mei sebesar 83,33% Bulan Juli sebesar 83,3%, Agustus sebesar 78%, dan Desember sebesar 89,58%. Dengan menggunakan data PLTS Januari 2019 dapat diterapkan sebagai acuan klasifikasi baterai dalam metode Learning Vector Quantization untuk klasifikasi daya baterai PLTS off grid.

Indonesia utilizing solar power as an alternative power supplier in order to meet the electricity consumption is increasing every year. Utilization of solar power without regard to the potential of the battery is one of the problems that impact the fatal especially on solar power off the grid. Because the battery on solar power off the grid to take an important role on the performance of solar power. This research resulted in a system of intelligent computing to classify the power settings on battery using Learning Vector Quantization. Learning Vector Quantization method is one method of supervised learning that can be implemented on maasalah the classification of the use of battery power. Computing system will manage the dataset power consumption solar panel January 2019 as training data and test data using data that has the number the same day with the month of January. The parameters used to get the best accuracy is the learning rate of 0.05 , hidden 10 and epoch 100 with the amount of data of 31 days and 48 hours. Based on the test results Based on the test results, the accuracy in March was 91.6%, May was 83.33%, July was 83.3%, August was 78%, and December was 89.58%.. By using the January 2019 solar power plant data, it can be applied as a reference for battery classification in the Learning Vector Quantization method for off grid solar power classification.