Pembangkit Listrik Tenaga Surya (PLTS) memiliki tantangan fundamental berupa produksi energi yang bersifat intermiten, yang dapat mengancam stabilitas sistem dan memperpendek umur baterai akibat mekanisme pengisian yang tidak optimal. Penelitian ini bertujuan merancang sebuah model machine learning hibrida untuk memprediksi prioritas pengisian baterai secara cerdas pada sistem PLTS. Metodologi yang digunakan mengombinasikan K-Means Clustering dan Support Vector Machine (SVM) dengan mengadopsi kerangka kerja CRISP-DM. Tahap pertama, algoritma K-Means diterapkan pada data historis produksi energi dan suhu untuk memodelkan pola operasional menjadi tiga klaster yang optimal dan bermakna: ‘Rendah’, ‘Sedang’, dan ‘Tinggi’. Validasi klaster menggunakan Davies-Bouldin Index menunjukkan kualitas pengelompokan yang baik. klaster yang telah diidentifikasi beserta data level baterai digunakan sebagai masukan untuk model klasifikasi multi-output SVM. Model SVM dilatih untuk mempelajari dan mereplikasi logika keputusan pengisian pada empat konfigurasi rangkaian baterai yang berbeda. Hasil pengujian pada data uji menunjukkan kinerja model yang secara keseluruhan sangat tinggi dan andal, dengan pencapaian akurasi exact match ratio sebesar 94.83%. Analisis lebih lanjut menunjukkan nilai recall yang sempurna untuk kelas ‘Aktif’, yang menandakan model berhasil menghindari risiko melewatkan kesempatan pengisian krusial. Penelitian ini membuktikan bahwa pendekatan hibrida K Means dan SVM merupakan solusi efektif untuk meningkatkan efisiensi sistem manajemen baterai pada PLTS.

Solar Power Plants (PLTS) face a fundamental challenge of intermittent energy production , which can threaten system stability and shorten battery life due to non optimal charging mechanisms. This research aims to design a hybrid machine learning model to intelligently predict battery charging priority in a PLTS system. The methodology combines K-Means Clustering and Support Vector Machine (SVM) by adopting the CRISP-DM framework. In the first stage, the K-Means algorithm is applied to historical energy production and temperature data to model operational patterns into three optimal and meaningful clusters: 'Low', 'Medium', and 'High'. Cluster validation using the Davies-Bouldin Index indicates good clustering quality. The identified clusters along with battery level data are used as input for a multi-output SVM classification model. The SVM model is trained to learn and replicate the charging decision logic for four different battery circuit configurations. Test results on the validation data show that the model's overall performance is very high and reliable, achieving an exact match ratio accuracy of 94.83%. Further analysis reveals a perfect recall score for the 'Active' class, indicating the model successfully avoids the risk of missing crucial charging opportunities. This research proves that the hybrid K-Means and SVM approach is an effective solution for enhancing the efficiency of battery management systems in PLTS.