Energi listrik adalah sumber energi yang dibutuhkan oleh semua orang dan khususnya di Indonesia pada Pulau Jawa-Bali yang merupakan pusat industri dan pariwisata negara. Seiring dengan komitmen dari Pemerintahan Indonesia untuk bertransisi dari penggunaan energi tidak diperbaharui menjadi energi diperbaharui, Solar Photovoltaic (Solar PV) turut menjadi salah satu sumber energi yang akan difokuskan. Namun kenyataannya penggunaan Solar PV sebagai sumber penghasil energi listrik dari cahaya matahari masih menghadapi berbagai macam permasalahan salah satunya adalah iklim dan cuaca Indonesia yang tidak menentu. Ketidakstabilan cuaca akan menyebabkan performa dari Solar PV menjadi tidak konsisten apabila dibangun tanpa perencanaan. Oleh karena itu, skripsi ini bertujuan membuat sebuah sistem yang dapat melakukan prediksi untuk membantu perencanaan penempatan Solar PV. Dalam skripsi ini, 10 model deep learning dan machine learning akan digunakan untuk melakukan Output Prediction dan DDF (Direct, Diffuse, Temperature) Prediction menggunakan Dataset MERRA-2 Gridded-hourly Solar PV (2005-2014) dan juga Dataset gabungan dari MERRA-2 dan NASA Power (2011 - 2020) untuk menyediakan lebih banyak parameter input untuk prediksi. Model-model terbaik pada setiap percobaan adalah CNN-BiLSTM untuk MERRA-2 Output Prediction dengan rata-rata RMSE 1.6943, RF untuk MERRA-POWER Output Prediction dengan rata-rata RMSE 1.5136, dan CNN-LSTM untuk DDF Prediction dengan rata-rata RMSE 0.4144.