Penelitian ini mengembangkan Energy Management System (EMS) berbasis Deep Q-Learning dengan implementasi Double Deep Q-Network (Double DQN) untuk mikrogrid hibrida PV–BESS–Diesel pada sistem kelistrikan terisolasi PLN ULP Leok, Kabupaten Buol, Sulawesi Tengah. Pengembangan EMS diarahkan pada tiga sasaran utama, yaitu menurunkan Levelized Cost of Energy (LCOE), mengurangi konsumsi bahan bakar solar, dan meningkatkan renewable penetration, dengan tetap memperhatikan batasan keandalan dan kelayakan operasi sistem. Penelitian dilakukan melalui perbandingan tiga skenario, yaitu sistem eksisting berbasis PLTD sebagai baseline, mikrogrid PV–BESS–Diesel hasil optimasi tekno-ekonomi menggunakan HOMER Pro, serta pengaturan dispatch energi per jam menggunakan EMS berbasis Double DQN. Permasalahan dispatch dirumuskan sebagai Markov Decision Process dengan ruang state berdimensi 23, sebanyak 13 aksi dispatch diskret, serta fungsi reward berbasis biaya operasi dan penalti terhadap unmet load, pelanggaran batas state of charge (SOC), excess electricity, start-stop generator, throughput BESS, dan aktivasi safety dispatch. Mekanisme safety dispatch diterapkan sebagai batasan operasional untuk menjaga kecukupan pasokan dan membatasi unmet load akibat keputusan agen. Hasil evaluasi simulasi selama 8.760 jam menunjukkan bahwa EMS berbasis Double DQN menghasilkan LCOE sebesar Rp2.797/kWh, atau sekitar 19,16% lebih rendah dibandingkan baseline sebesar Rp3.460/kWh dan 3,12% lebih rendah dibandingkan hasil HOMER Pro sebesar Rp2.887/kWh. Konsumsi bahan bakar solar turun menjadi 9.430.000 liter/tahun, atau berkurang sekitar 24,76% terhadap baseline dan 0,80% terhadap HOMER Pro. Renewable penetration meningkat dari 27,2% pada HOMER Pro menjadi 28,3% pada Double DQN. Selain itu, excess electricity turun menjadi 820.000 kWh/tahun dan unmet load menjadi sekitar 1.200 kWh/tahun. Hasil tersebut menunjukkan bahwa strategi dispatch berbasis Double DQN dapat memberikan efisiensi tambahan pada konfigurasi mikrogrid yang telah dioptimasi menggunakan HOMER Pro melalui penurunan biaya energi dan konsumsi bahan bakar serta peningkatan pemanfaatan energi terbarukan, dengan tetap menjaga kecukupan pasokan dalam lingkungan simulasi.

Kata Kunci: Deep Q-Network; Energy Management System; mikrogrid hibrida; LCOE; reinforcement learning multi-objektif