Penggunaan Pembangkit Listrik Tenaga Surya (PLTS) saat ini menjadi salah satu solusi untuk mengurangi emisi gas rumah kaca dan mendukung energi berkelanjutan. PLTS menghasilkan daya yang dipengaruhi oleh intensitas cahaya matahari. Sehingga, penelitian ini mengembangkan sistem monitoring berbasis IoT untuk memantau performa PLTS dual-axis secara real-time menggunakan Arduino Mega 2560, Wemos D1 Mini, dan Firebase Realtime Database. Data yang dikumpulkan mencakup tegangan (V), arus (A), daya (W), dan intensitas cahaya matahari (lux) dengan menggunakan sensor ACS712, B25 Voltage Sensor, dan BH1750 Luxmeter. Data ditampilkan melalui aplikasi Android berbasis MIT App Inventor, serta dianalisis menggunakan Autoregressive Integrated Moving Average (ARIMA) untuk memprediksi produksi daya satu hari ke depan. Hasil penelitian menunjukkan bahwa sistem ini berhasil mengumpulkan dan menyimpan data secara otomatis, serta menampilkan informasi secara real-time. Prediksi menggunakan ARIMA menunjukkan bahwa interval pengambilan data yang lebih panjang (1-2 jam) menghasilkan akurasi yang lebih baik dibandingkan interval lebih pendek (10 menit). Selain itu, uji linearitas menunjukkan bahwa hubungan antara Waktu dan daya lebih jelas pada interval yang lebih panjang. Sistem ini dapat mengoptimalkan pemantauan dan prediksi daya PLTS, sehingga mendukung efisiensi energi dan pengelolaan daya yang lebih baik.

The use of Solar Power Plants (PLTS) has become one of the key solutions to reducing greenhouse gas emissions and supporting sustainable energy. PLTS generates power influenced by sunlight intensity. Therefore, this study develops an IoT-based monitoring system to track the real-time performance of a dual-axis PLTS using Arduino Mega 2560, Wemos D1 Mini, and Firebase Realtime Database. The collected data includes voltage (V), current (A), power (W), and sunlight intensity (lux), measured using the ACS712 sensor, B25 Voltage Sensor, and BH1750 Luxmeter. The data is displayed through an Android application built with MIT App Inventor and analyzed using Autoregressive Integrated Moving Average (ARIMA) to predict power production one day ahead. The results show that the system successfully collects and stores data automatically, while displaying real-time information. ARIMA predictions indicate that longer data collection intervals (1-2 hours) improve accuracy compared to shorter intervals (10 minutes). Additionally, the linearity test confirms that the relationship between time and power becomes clearer with longer intervals. This system enhances solar power monitoring and prediction, supporting better energy efficiency and power management.