Output dari sistem photofoltaic (PV) dipengaruhi oleh perubahan kondisi cuaca, seperti suhu dan penyinaran matahari. Sifat intrinsik energi surya yang berulang dan berubah-ubah dari waktu ke waktu menyebabkan keterbatasan dalam stabilitas dan keandalan sistem jaringan listrik surya. Untuk mendapatkan pasokan energi yang stabil dan produksi yang optimal, teknologi Maximum Power Point Tracking (MPPT) berdasarkan kecerdasan buatan (AI) saat ini banyak dilakukan perancangan. Berbagai literasi telah menunjukkan bahwa sebagian besar algoritma MPPT berbasis AI memiliki waktu konvergensi yang lebih cepat, osilasi steady-state yang lebih rendah, dan efisiensi lebih tinggi, tetapi membutuhkan banyak pemrosesan dan mahal untuk diterapkan. Secara keseluruhan, MPPT berbasis AI hybrid memiliki rasio kinerja-kompleksitas yang baik. Pada tugas akhir ini mengusulkan metode Maximum Power Point Tracking (MPPT) baru pada kondisi tertutup sebagian (Partial Shading Condition) yang dimodifikasi untuk sistem fotovoltaik. Metode yang ditingkatkan didasarkan pada penggunaan teknik kecerdasan saat ini seperti Adaptive Neuro Fuzzy Inference System (ANFIS). Teknik MPPT yang dipilih yang dipertimbangkan di sini termasuk Adaptive Neural Fuzzy Interface System (ANFIS) trained by Particle Swarm Optimization (PSO), untuk menjamin bahwa tegangan referensi output memiliki Root Mean Square Error (RMSE) sekecil mungkin. Algoritma ANFIS-PSO harus mampu menghasilkan daya maksimum dalam kondisi cuaca yang cepat berubah. Metode MPPT berbasis ANFIS-PSO tidak memerlukan sensor tambahan untuk mengukur variabel radiasi dan suhu. Perbandingan dilakukan antara pendekatan yang diusulkan dengan metode MPPT tradisional. Kontribusi utama dari metode yang diusulkan untuk tugas akhir ini adalah untuk mendapatkan konfigurasi MPPT terbaik berdasarkan algoritma ANFIS-PSO dan desain kontroler MPPT.