<![CDATA[Pembangkit Listrik Tenaga Surya (PLTS) off-grid sangat bergantung pada cuaca sehingga keluaran dayanya bersifat intermiten dan sulit dijadwalkan. Penelitian ini melakukan studi perbandingan empat arsitektur deep learning—LSTM Vanilla, LSTM Bidirectional, GRU Vanilla, dan GRU Bidirectional—untuk forecasting output daya PLTS off-grid 400 Wp di Pujon, Malang. Data cuaca diperoleh dari Open-Meteo Archive API, dan daya keluaran (P_out) dihitung secara analitis menggunakan persamaan fisika sel surya yang divalidasi dengan pustaka pvlib. Keempat arsitektur diuji pada empat skenario dataset (kombinasi hourly/daily dan univariate/multivariate), menghasilkan 16 konfigurasi yang masing-masing dijalankan lima kali untuk reliabilitas. Hasil menunjukkan forecasting per jam jauh lebih akurat (R² ≈ 0,96) dibandingkan per hari (R² ≈ 0,37); pendekatan multivariate konsisten mengungguli univariate; sedangkan arsitektur bidirectional tidak selalu memberikan peningkatan. Berdasarkan trade-off akurasi dan waktu komputasi, LSTM Vanilla pada dataset hourly_multivariate dipilih (MAE 0,02519; R² 0,9621; pelatihan tercepat) dan diimplementasikan pada sistem dashboard berbasis web tiga lapis (Next.js–Flask–Open-Meteo) yang ter-deploy di cloud. Sistem menggunakan strategi pure LSTM seq-toone autoregresif, dengan post-processing fisik ringan untuk menjaga kewajaran keluaran. Sistem menghasilkan forecast konsisten pada verifikasi kondisi cuaca aktual dengan waktu respons rata-rata 2,7 detik. Kata Kunci—forecasting; PLTS off-grid; LSTM; GRU; deep learning; pure LSTM.]]>
