Menstabilkan sistem penyimpanan energi pada Pembangkit Listrik Tenaga Surya (PLTS) menjadi tantangan utama, terutama dalam menentukan prioritas pengisian baterai secara cerdas. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sebuah sistem hibrida untuk mengklasifikasikan daya keluaran PLTS dan menentukan prioritas pengisian baterai secara otomatis. Metode yang diusulkan menggunakan sistem dua tahap: tahap pertama memanfaatkan algoritma Learning Vector Quantization (LVQ) untuk mengklasifikasikan daya menjadi tiga kategori (Rendah, Sedang, Tinggi), dan tahap kedua menggunakan algoritma Perceptron untuk mengambil keputusan prioritas ('ON' atau 'OFF') berdasarkan hasil klasifikasi LVQ. Penelitian ini menguji tiga skenario pembagian data untuk LVQ dan empat arsitektur berbeda untuk Perceptron. Hasil penelitian menunjukkan bahwa konfigurasi terbaik untuk LVQ adalah dengan pembagian data 90% latih dan 10% uji, yang mencapai akurasi sebesar 93%. Pada tahap selanjutnya, model Perceptron dengan arsitektur 4, 8, dan 16 rangkaian berhasil mempelajari aturan prioritas dengan sempurna dan mencapai akurasi 100%, sedangkan model 2 rangkaian gagal (akurasi 14%) karena underfitting. Kombinasi LVQ sebagai pengklasifikasi awal dan Perceptron sebagai pengambil keputusan terbukti menjadi sistem yang sangat efektif dan akurat. Konfigurasi sistem terbaik yang ditemukan adalah model LVQ (90/10) yang diumpankan ke Perceptron dengan arsitektur minimal 4 rangkaian.

The stabilize of energy storage systems in Solar Power Plants (PLTS) presents a major challenge, particularly in intelligently determining battery charging priority. This research aims to design and implement a hybrid system to classify PLTS power output and automatically determine battery charging priority. The proposed method utilizes a two stage system: the first stage uses the Learning Vector Quantization (LVQ) algorithm to classify power output into three categories (Low, Medium, High), and the second stage uses the Perceptron algorithm to make a priority decision ('ON' or 'OFF') based on the LVQ classification results. This study tested three data split scenarios for LVQ and four different architectures for the Perceptron. The results show that the best configuration for LVQ was with a 90% training and 10% testing data split, achieving an accuracy of 93%. Subsequently, the Perceptron models with 4, 8, and 16-network architectures successfully learned the priority rules perfectly, achieving 100% accuracy, whereas the 2-network model failed (14% accuracy) due to underfitting. The combination of LVQ as an initial classifier and Perceptron as a decision-maker proved to be a highly effective and accurate system. The best system configuration found was the LVQ model (90/10) fed into a Perceptron with a minimum architecture of 4 networks.