Energy Signature dalam suatu bangunan dapat dilihat dengan cara membandingkan Energy Usage Intensity (EUI) dengan Outdoor Temp. Metode untuk mengindentifikasi Energy Signature adalah Inverse Modeling. Metode Inverse modeling sendiri bisa digunakan dengan Machine Learning. Metode Inverse modeling dimulai saat mensimulasikan enam (6) bangunan dengan berbagai geometri. Hasil dari simulasi bangunan tersebut adalah parameter bangunan yaitu kondisi wwr (window to wall ratio), dinding, kaca, ventilasi, kondisi infiltrasi, nilai COP (Coefficient of Performance) AC, setpoin temperature AC, okupansi bangunan, dan iklim. Data hasil penelitian menunjukan bahwa dari masing-masing bangunan menunjukkan nilai EUI yang berbeda. Pada saat inilah machine learning digunakan untuk mencari nilai akurasi dari masing-masing bangunan. Penelitian ini menggunakan Python sebagai bahasa pemrograman machine learning dan Artificial neural networks (ANN) sebagai metode yang digunakan untuk mentraining data hasil simulasi. Setelah ditraining didapatkan nilai akurasi dari masing-masing bangunan menggunakan satu (1), tiga (3), sampai lima (5) hidden layer dengan masing-masing 25 neuron.