Dalam rangka mengurangi emisi dan gas rumah kaca serta untuk memanfaatkan sumber daya alam yang dapat diperbarui, salah satu solusi yang dapat diterapkan yaitu dengan penggunaan Energi Baru Terbarukan (EBT). Salah satu bentuk pemanfaatan EBT yang paling umum digunakan adalan pemanfaatan Pembangkit Listrik Tenaga Surya (PLTS) yang mengonversi energi matahari menjadi listrik. Efisiensi penggunaan listrik pada PLTS menjadi faktor penting dalam memastikan sistem bekerja optimal, mengingat produksi energi surya dapat bervariasi tergantung pada kondisi lingkungan dan pola konsumsi listrik Untuk mengatasi tantangan ini, penelitian ini menerapkan machine learning dengan menggunakan beberapa metode machine learning diantaranya Random Forest, Support Vector Regression , dan K-Nearest Neigbors (KNN). Model ini digunakan untuk menganalisis data historis dan membuat prediksi terkait energi pengisian pada baterai PLTS. Dengan adanya sistem prediksi ini, pengguna dapat mengoptimalkan pemanfaatan energi dan memperkirakan kebutuhan listrik hingga tiga hari ke depan. Hasil prediksi serta data dari PLTS ditampilkan melalui sistem informasi berbasis web yang memungkinkan pemantauan PLTS dapat dilakukan dimana saja secara real-time melalui website. Dari pengujian yang dilakukan dapat disimpulkan bahwa metode Support Vector Regression dengan penambahan data cuaca menunjukan hasil terbaik dengan MAPE rata-rata sebesar 10,77% MAE 43,52, dan RMSE 58,91.