Belajar dari Skotlandia: Turunkan Biaya Angin Lepas Pantai dengan AI

Pada 2025, Skotlandia sudah punya lebih dari 27 GW proyek wind terapung dalam pipeline. Angkanya hampir setara dengan total kapasitas pembangkit terpasang Indonesia hari ini. Satu negara kecil di utara Eropa serius menjadikan angin lepas pantai sebagai tulang punggung energi bersih mereka — dan mereka sangat fokus soal satu hal: biaya.

Di sisi lain, Indonesia lagi gencar bicara transisi energi, co-firing, PLTS, sampai rencana pemanfaatan potensi angin di Selat Sunda, Sulawesi, NTT, dan perairan lainnya. Tantangan utamanya sama: bagaimana energi terbarukan bisa bersaing dari sisi biaya, bukan hanya dari sisi emisi. Di sinilah pelajaran dari Skotlandia dan peran AI untuk sektor energi Indonesia mulai terasa relevan.

Artikel ini mengulas inti wawasan dari podcast “Reducing the costs of floating wind in Scotland” yang menghadirkan tiga pelaku industri di Aberdeen, lalu menerjemahkannya ke konteks Indonesia: bagaimana AI dan data bisa menurunkan biaya teknologi energi baru seperti angin lepas pantai, dan apa langkah konkret yang bisa diambil pelaku energi di Indonesia.

---

Kenapa Skotlandia Ngotot Mengembangkan Floating Wind

Inti cerita Skotlandia sederhana: mereka punya sumber daya angin laut yang sangat kuat, tapi kedalaman laut di banyak area terlalu besar untuk pondasi fixed-bottom biasa. Solusinya adalah floating wind—turbin angin yang dipasang di struktur terapung yang di-anchoring ke dasar laut.

Mengapa pendekatan ini menarik untuk Indonesia?

• Banyak perairan Indonesia punya kedalaman menengah sampai dalam, yang kurang ideal untuk pondasi fixed-bottom.
• Pola angin di beberapa lokasi offshore cukup menjanjikan, terutama di kawasan timur dan selat-selat strategis.
• Seiring berjalannya transisi energi Indonesia, proyek skala besar di laut bisa membantu menggantikan PLTU batubara secara bertahap.

Namun, floating wind bukan teknologi murah. Justru sekarang ini biaya investasi per MW-nya masih di atas fixed-bottom. Itu sebabnya podcast yang dibahas Skotlandia sangat fokus pada pertanyaan: bagaimana menurunkan biaya secara agresif tanpa mengorbankan keandalan?

Dan di titik ini, AI, data, dan pengalaman panjang Skotlandia di Laut Utara mulai menunjukkan value nyata.

---

Pelajaran Kunci dari Aberdeen: Biaya Turun Kalau Rantai Nilai Saling Terkoneksi

Podcast tersebut menghadirkan tiga tokoh kunci di Aberdeen:

• Glenn Munachen – Director di Enerfloat
• Jack Phillips – Business Development Manager di Balmoral Comtec
• Zander McDougall – Renewables Business Manager di OSI Renewables

Mereka datang dari sisi yang berbeda: desain struktur, material komposit, sampai operasi lepas pantai. Tapi semua sepakat di beberapa hal penting yang juga berlaku untuk Indonesia.

1. Standarisasi Desain Mengurangi Biaya Engineering

Salah satu sumber biaya terbesar floating wind adalah desain yang terlalu unik per proyek. Setiap lokasi punya kondisi ombak, arus, dan angin yang berbeda, lalu tim engineering mendesain semuanya dari nol.

Pendekatan yang mereka dorong di Skotlandia:

• Mengembangkan platform desain standar yang bisa dimodifikasi sedikit sesuai lokasi.
• Menggunakan simulasi numerik dan model digital untuk menguji ratusan konfigurasi sebelum memilih desain akhir.
• Mengurangi iterasi desain manual yang memakan waktu dan biaya konsultan.

Di sini, AI dan machine learning mulai dipakai untuk:

• Mengoptimalkan bentuk struktur terapung terhadap kombinasi angin–gelombang–arus.
• Menyeimbangkan antara biaya CAPEX (struktur, mooring, kabel) dan biaya OPEX (maintenance, downtime).

Untuk Indonesia, pendekatan serupa bisa dipakai sejak awal:

• Mengembangkan library desain standar untuk lokasi-lokasi potensial.
• Membangun model digital (digital twin) untuk menguji skenario angin dan gelombang di perairan Indonesia.
• Melatih model AI dengan data angin dan gelombang BMKG, data bathymetri, serta biaya konstruksi lokal.

2. Pengalaman Oil & Gas Jadi Aset, Bukan Beban

Skotlandia sudah sekitar 50 tahun bermain di industri minyak dan gas Laut Utara. Banyak orang mengira transisi energi berarti memutus hubungan dengan oil & gas. Realitanya, mereka justru menganggap pengalaman itu sebagai aset teknis dan logistik.

Mereka memanfaatkan:

• Pengalaman instalasi anjungan lepas pantai untuk metodologi pemasangan turbin terapung.
• Armada kapal, pelabuhan, dan rantai pasok yang sudah matang.
• Praktik keselamatan (HSE) yang sudah teruji.

AI masuk sebagai lapisan optimasi:

• Optimasi rute dan jadwal kapal instalasi untuk meminimalkan waktu tunggu cuaca baik.
• Prediksi risiko operasi berdasarkan data cuaca historis Laut Utara.

Indonesia punya situasi mirip:

• Basis industri migas di Balikpapan, Batam, Karimun, Natuna, Sorong, dan lain-lain.
• SDM dan vendor yang terbiasa dengan proyek EPCI lepas pantai.

Kalau kita serius mengembangkan floating wind, AI bisa membantu memetakan kapasitas dan gap rantai pasok nasional, misalnya:

• Kapal apa saja yang bisa dikonversi untuk kebutuhan instalasi turbin?
• Pelabuhan mana yang paling efisien jadi staging area?
• Berapa biaya logistik per MW di tiap lokasi, dan skenario mana yang paling ekonomis?

3. Data Operasional Mengurangi Biaya O&M

Biaya operation & maintenance (O&M) seringkali diabaikan di awal, padahal untuk teknologi seperti floating wind, O&M bisa menentukan apakah Levelized Cost of Energy (LCOE) masuk akal atau tidak.

Pendekatan yang berkembang di Skotlandia:

• Memasang sensor lengkap di turbin dan struktur terapung.
• Menggunakan AI untuk predictive maintenance: memprediksi kegagalan bearing, fatigue struktur, hingga degradasi kabel.
• Menggabungkan data cuaca real-time dan prakiraan untuk menjadwalkan kunjungan kapal maintenance saat jendela cuaca paling aman dan murah.

Untuk ekosistem energi Indonesia yang ingin menuju smart grid dan smart asset, pola pikirnya sama:

Semakin kaya data operasi, semakin murah biaya per kWh dalam jangka panjang.

---

Di Mana AI Masuk? 5 Use Case Konkret untuk Energi Angin Lepas Pantai

Kalau kita sederhanakan, AI untuk sektor energi Indonesia di konteks angin lepas pantai bisa dikelompokkan ke beberapa use case utama.

1. Pemilihan Lokasi dan Desain Awal

AI bisa menganalisis:

• Data angin multi-tahun
• Gelombang dan arus
• Kedalaman laut & karakteristik dasar laut
• Jarak ke titik koneksi jaringan (grid)

Lalu merekomendasikan:

• Zona prioritas dengan kombinasi produksi tinggi + biaya rendah.
• Tipe platform terapung yang paling cocok (spar, semi-sub, tension-leg, dan lain-lain).

Ini mengurangi waktu studi kelayakan dan biaya survei awal secara signifikan.

2. Optimasi Desain Struktur dan Mooring

Alih-alih trial-and-error manual, AI bisa:

• Menghasilkan ribuan variasi desain struktur.
• Menilai performanya di berbagai skenario cuaca ekstrim.
• Memilih kombinasi material dan konfigurasi mooring yang paling efisien.

Hasilnya: massa baja atau beton berkurang, tapi faktor keamanan tetap terjaga. Biaya material turun, biaya transport dan instalasi ikut turun.

3. Perencanaan Konstruksi dan Instalasi

Untuk proyek lepas pantai, keterlambatan karena cuaca buruk bisa membakar biaya miliaran per hari. Model AI yang dilatih dengan data cuaca historis dan jadwal kapal bisa:

• Menyusun jadwal instalasi yang adaptif, bukan statis.
• Mengurangi idle time kapal atau crane.
• Menurunkan biaya sewa peralatan berat.

4. Operasi, Monitoring, dan Maintenance

Ini area yang paling dekat dengan roadmap smart grid Indonesia:

• Sensor pada turbin dan kabel mengirim data terus-menerus.
• AI mendeteksi anomali getaran, suhu, atau arus listrik.
• Sistem memberikan rekomendasi maintenance sebelum kerusakan fatal terjadi.

Efek langsungnya:

• Availability turbin meningkat.
• Biaya perbaikan darurat turun.
• Kurva produksi energi lebih stabil, memudahkan integrasi dengan sistem kelistrikan nasional dan mekanisme dispatch PLN.

5. Integrasi dengan Jaringan Listrik (Grid Integration)

Angin itu fluktuatif. Tanpa prediksi yang baik, operator sistem akan sulit mengatur pembangkit lain. AI bisa:

• Memprediksi output pembangkit angin beberapa jam hingga beberapa hari ke depan.
• Menginformasikan unit pembangkit lain (gas, hidro, PLTS, baterai) agar sistem tetap stabil.
• Mendukung strategi demand response dan tarif dinamis di masa depan.

Ini sejalan penuh dengan tema seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”: AI bukan hanya gimmick, tapi otak yang membuat sistem energi kompleks tetap efisien dan andal.

---

Apa Artinya untuk Indonesia: Dari Podcast Skotlandia ke Proyek Nyata

Kalau disederhanakan, pelajaran dari Skotlandia untuk Indonesia ada di tiga kata: mulai sekarang, berpikir sistem.

1. Bangun Ekosistem, Bukan Proyek Satu-per-Satu

Skotlandia tak hanya bicara satu farm angin terapung, tapi portofolio 27 GW. Itu memaksa mereka memikirkan:

• Standarisasi desain
• Skala industri lokal
• Pengembangan SDM
• Infrastruktur pelabuhan dan galangan

Indonesia perlu mindset mirip untuk teknologi baru (termasuk floating wind, PLTS skala besar, storage, dan lain-lain):

• Kementerian, PLN, dan pelaku swasta bisa mulai menyusun peta jalan multi-proyek, bukan hanya pilot project.
• Data setiap proyek (angin, cuaca, biaya logistik, performa turbin) harus dikumpulkan dan dipakai lagi lewat platform data nasional energi.

2. Jadikan AI dan Data sebagai Komponen Wajib, Bukan Tambahan

Banyak studi kelayakan energi di Indonesia masih sangat manual dan terfragmentasi. Kalau ingin biaya turun seperti yang dikejar Skotlandia, sebaiknya:

• Setiap studi kelayakan baru wajib punya komponen analitik dan AI untuk simulasi dan optimasi.
• Setiap proyek memasang infrastruktur data yang memudahkan digital twin di kemudian hari.
• Regulator dan pembeli listrik (misalnya PLN) memberi nilai tambah pada proyek yang transparan dari sisi data dan performa.

3. Gandeng Pengalaman Offshore Indonesia

Indonesia punya jejak panjang di offshore migas, persis seperti Skotlandia. Sayang kalau SDM, galangan kapal, dan vendor hanya melihat angin lepas pantai sebagai sesuatu yang “jauh dan mahal”.

Yang bisa mulai dilakukan:

• Mengidentifikasi vendor migas yang siap diversifikasi ke energi terbarukan lepas pantai.
• Menawarkan proyek pilot yang menggabungkan pengalaman offshore + analitik AI.
• Mendorong universitas dan lembaga riset untuk mengembangkan model AI spesifik perairan Indonesia.

---

Langkah Praktis untuk Perusahaan Energi di Indonesia

Kalau Anda di PLN, IPP, EPC, atau pengembang energi, berikut langkah konkret yang realistis dalam 12–24 bulan ke depan:

1. Audit data yang sudah ada
   Inventarisasi data angin, gelombang, operasi pembangkit, dan biaya O&M yang sekarang tersebar di berbagai tim.

2. Mulai satu proyek pilot AI sederhana
   Contoh: model prediksi angin harian untuk satu lokasi calon proyek, atau model predictive maintenance untuk satu aset turbin angin/PLTS yang sudah beroperasi.

3. Bangun kemitraan dengan pemain AI dan riset lokal
   Fokus ke use case yang paling dekat dengan penghematan biaya.

4. Desain proyek baru dengan mindset data-first
   Pastikan semua turbin, struktur, dan sistem kelistrikan punya sensor dan arsitektur data yang rapi.

5. Jangan tunggu regulasi sempurna
   Skotlandia bergerak maju sambil menyempurnakan regulasi di jalan. Indonesia bisa mengambil pendekatan serupa selama prinsip keselamatan dan transparansi dijaga.

---

Penutup: Dari Laut Utara ke Laut Nusantara

Skotlandia menunjukkan bahwa transisi energi yang serius selalu bertemu dengan pertanyaan biaya. Floating wind mereka bukan tiba-tiba murah, tapi secara sistematis ditekan melalui standarisasi, pemanfaatan pengalaman oil & gas, dan pemakaian data serta AI di setiap tahap.

Indonesia sekarang berada di titik yang mirip: butuh melompat dari sistem energi berbasis fosil ke sistem yang lebih bersih, tanpa membuat listrik jadi terlalu mahal. AI untuk sektor energi Indonesia memberi peluang untuk melakukan lompatan itu dengan lebih terukur dan efisien — dari perencanaan, konstruksi, sampai integrasi ke jaringan pintar.

Pertanyaannya bukan lagi apakah kita akan menuju sana, tapi seberapa cepat kita mau belajar dari pengalaman negara seperti Skotlandia dan mulai bereksperimen dengan proyek nyata di laut Nusantara.

---