Pemanfaatan energi surya sebagai sumber energi terbarukan menghadapi tantangan fluktuasi intensitas pencahayaan yang menyebabkan inkonsistensi pasokan daya. Untuk mengatasi hal tersebut, penelitian ini mengembangkan model penjadwalan dinamis untuk proses pengisian (charging) dan pengosongan (discharging) baterai yang terintegrasi dengan sistem Pembangkit Listrik Tenaga Surya (PLTS). Model yang diusulkan memanfaatkan integrasi dua algoritma kecerdasan buatan, yaitu Learning Vector Quantization (LVQ) dan Perceptron. Algoritma LVQ digunakan untuk mengklasifikasikan kondisi daya ke dalam kategori rendah, sedang, dan tinggi berdasarkan data historis produksi energi dan suhu, sedangkan algoritma Perceptron digunakan untuk menentukan status tiga saklar yang merepresentasikan kondisi charging dan discharging. Penelitian ini menerapkan metode CRISP-DM sebagai kerangka kerja analisis data, mulai dari pengumpulan dan pemrosesan data hingga evaluasi model. Hasil pengujian menunjukkan bahwa model LVQ mampu mengklasifikasikan kondisi daya dengan akurasi hingga 97%, dan model Perceptron mencapai akurasi 100% dalam pengambilan keputusan saklar. Temuan ini membuktikan bahwa integrasi kedua metode secara signifikan meningkatkan efisiensi sistem manajemen energi. Penelitian ini memberikan kontribusi pada pengembangan teknologi energi terbarukan berbasis kecerdasan buatan serta mendukung pencapaian Tujuan Pembangunan Berkelanjutan (SDGs), khususnya dalam aspek efisiensi energi dan inovasi teknologi.

The utilization of solar energy as a renewable energy source faces challenges due to fluctuations in sunlight intensity, leading to inconsistent power supply. To address this issue, this research develops a dynamic scheduling model for battery charging and discharging processes integrated with a Solar Power Plant (PLTS) system. The proposed model integrates two artificial intelligence algorithms: Learning Vector Quantization (LVQ) and Perceptron. The LVQ algorithm is used to classify power conditions into three categories—low, medium, and high—based on historical data of energy production and temperature. Meanwhile, the Perceptron algorithm is employed to determine the status of three switches representing battery charging and discharging actions. This research adopts the CRISP-DM methodology as the framework for data analysis, including data collection, preprocessing, modeling, and performance evaluation. The experimental results show that the LVQ model successfully classifies power conditions with up to 97% accuracy, while the Perceptron algorithm achieves 100% accuracy in switch decision making. These findings demonstrate that the integration of both methods significantly enhances the efficiency of energy management systems. This study contributes to the advancement of renewable energy technologies driven by artificial intelligence and supports the achievement of the Sustainable Development Goals (SDGs), particularly in the areas of energy efficiency and technological innovation.