Penelitian ini mengintegrasikan berbagai sumber data terbuka dan skenario machine learning untuk menentukan tinggi bangunan, meminimalkan kesalahan, dan mendapatkan distribusi tinggi bangunan yang baik di Jakarta dan Bandung. Hasilnya menunjukkan Random Forest efektif untuk bangunan rendah, AW3D dengan Decision Tree untuk bangunan menengah, dan Decision Tree untuk bangunan tinggi. Penelitian ini mengembangkan Digital Surface Model (DSM) baru untuk meningkatkan informasi permukaan dan menganalisis potensi energi surya, yang menunjukkan potensi energi antara 260 hingga 420 Whwp. Selain itu, penelitian ini menentukan kapasitas optimal PV dan baterai untuk mendukung nol karbon bersih, dengan mempertimbangkan keseimbangan output PV dan beban per bangunan. Hasilnya juga menunjukkan bahwa penerapan PV dan baterai dapat mengurangi emisi CO2, tetapi juga menekankan pentingnya dukungan dari para pemangku kepentingan karena kondisi ekonomi yang rendah. Meskipun terdapat beberapa keterbatasan terkait dengan data DSM yang digunakan, resolusi data, dan asumsi atap datar, penelitian ini memberikan wawasan berharga untuk perencanaan strategis, pemanfaatan energi terbarukan, dan pengembangan perkotaan berkelanjutan. Penelitian ini juga merekomendasikan penelitian lebih lanjut untuk mengatasi keterbatasan yang ada, termasuk integrasi data tambahan, pertimbangan bentuk atap yang beragam, analisis variabilitas musiman, dan eksplorasi sumber energi terbarukan lainnya.