Penelitian ini bertujuan mengembangkan sistem manajemen energi (EMS) berbasis digital twin (DT) dan reinforcement learning (RL) untuk meningkatkan pemanfaatan energi terbarukan (ET) pada microgrid (MG) di Laboratorium Manajemen Energi. MG terdiri dari Battery Energy Storage System (BESS), photovoltaic (PV), interkoneksi jaringan, dan beban listrik. MG beroperasi dalam mode islanded grid-forming dengan inverter baterai mengatur frekuensi dan inverter PV menyesuaikan daya berdasarkan referensi frekuensi. Sistem PV menggunakan 32 modul Skytech Solar (6,72 kWp) dengan konfigurasi 16 seri 2 paralel, dan inverter SMA Sunny Boy 5.0 (5 kW). Data cuaca diperoleh dari Automatic Weather Station (AWS) Davis Instrument Vantage Pro. BESS terdiri dari 8 baterai VR VRLA Panasonic (48 V, 200 Ah) dalam konfigurasi 4 seri 2 paralel, inverter SMA SI 5048 dengan Intelligent Electronic Device (IED) dan Battery Management System (BMS) untuk memantau sel baterai. Beban listrik MG meliputi peralatan lab (server, jaringan, pencahayaan, peralatan kantor) dengan kapasitas maksimum 5 kW, datanya dikumpulkan menggunakan Sistem Informasi Energi Listrik (SIELIS). Metodologi penelitian meliputi: 1) Pengembangan kerangka kerja DT untuk MG, 2) Pemodelan komponen MG dengan physics informed machine learning (IML) dan integrasi dengan sistem riil, 3) Pengembangan EMS berbasis deep Q-network (DQN) untuk menjadwalkan operasi BESS, 4) Evaluasi model DT dan kinerja EMS. Kerangka kerja DT dikembangkan berdasarkan Smart Grid Architecture Model (SGAM) yang mencakup domain, zona, dan dimensi interoperabilitas. Enabler DT (IoT, AI, Big Data Analytics) diintegrasikan ke dalam SGAM menggunakan IoT stack dengan lapisan persepsi, jaringan, middleware, aplikasi, dan bisnis. Penerapan DT bertujuan meningkatkan maturity MG dari level 4 (optimizing) menjadi level 5 (pioneering) pada Smart Grid Maturity Model. Pengembangan DT dilakukan melalui integrasi digital model, digital shadow, dan digital twin. Digital model dibangun dengan pemodelan subsistem MG (daya PV, SOC BESS, daya beban listrik) menggunakan IML dan machine learning (ML). Pemodelan daya PV menggunakan DDNN dengan data teknis PV dan cuaca dari pvlib. Pemodelan SOC BESS menggunakan DDNN dengan modifikasi loss function untuk mengintegrasikan persamaan aljabar. Pemodelan daya beban menggunakan DNN dengan data historis beban listrik. Digital shadow dicapai dengan implementasi model updating untuk merepresentasikan sistem fisik secara dinamis. Updating model dipicu berdasarkan perbedaan galat (MAE, MAPE, RMSE) antara model dan sistem fisik. EMS menggunakan algoritma DQN untuk mengoptimalkan charging/discharging BESS, dengan tujuan memaksimalkan pemanfaatan energi PV dan menjaga SOC BESS dalam rentang 40-80%. Implementasi EMS dilakukan dengan Python, dengan pseudocode untuk training agent dan deployment pada platform MGDT. Evaluasi meliputi akurasi objek digital (MAE, MAPE, RMSE) dan kinerja EMS (renewable fraction - RF, battery utilization). Kinerja EMS-DQN dibandingkan dengan EMS existing berbasis rule-based (RB). Sistem PV mengalami curtailment karena mekanisme operasi inverter PV dan BESS yang menjaga kestabilan jaringan lokal melalui frekuensi.