Dekarbonisasi industri itu rumit, tapi dengan AI dan pemodelan sistem energi terintegrasi, keputusan miliaran rupiah bisa dibuat lebih cepat, akurat, dan menguntungkan.
AI Mengubah Cara Industri Mengambil Keputusan Energi
Banyak perusahaan industri besar sekarang punya target net-zero, tapi satu keputusan investasi yang salah bisa berarti kerugian ratusan miliar rupiah selama 20–30 tahun ke depan. Di tengah harga energi yang fluktuatif dan regulasi emisi yang makin ketat, keputusan soal dekarbonisasi bukan lagi sekadar urusan CSR; ini soal daya saing bisnis.
Seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” berfokus pada hal itu: bagaimana kecerdasan buatan membantu pemain energi di Indonesia mengambil keputusan yang lebih cepat, lebih akurat, dan lebih menguntungkan. Tulisan ini mengulas satu contoh konkret dari MIT, lalu menerjemahkannya ke konteks Indonesia: bagaimana software berbasis pemodelan dan AI dapat mempercepat dekarbonisasi industri dalam skala besar.
Kalau Anda bekerja di pembangkit, kilang, smelter nikel, pabrik semen, pupuk, atau di perusahaan utilitas, cara berpikir seperti ini akan sangat relevan. Karena masalah yang dihadapi ExxonMobil, Saint-Gobain, atau utilitas global, sebenarnya tidak jauh berbeda dengan yang dihadapi pemain energi dan industri Indonesia hari ini.
Tantangan Utama: Dekarbonisasi Industri Itu Rumit
Dekarbonisasi industri skala besar sulit bukan karena teknologinya tidak ada, tapi karena kompleksitas pengambilan keputusan.
Kenapa perusahaan industri sering “mandek” di tahap studi?
Beberapa pola yang sering terjadi:
- Proses sudah puluhan tahun berjalan dan terikat pada rantai pasok yang mapan.
- Setiap perubahan berdampak ke banyak hal: bahan baku, operasi, kualitas produk, logistik, hingga tenaga kerja.
- Risiko salah langkah tinggi: salah pilih teknologi bisa jadi “stranded asset” bernilai triliunan rupiah.
- Teknologi energi bersih berubah cepat; harga baterai, surya, hidrogen, bahkan kredit karbon terus bergerak.
Kenyataannya, banyak perusahaan masih mengandalkan spreadsheet terpisah-pisah untuk:
- hitung biaya (CAPEX/OPEX),
- simulasi emisi,
- proyeksi harga energi,
- studi sistem kelistrikan,
- dan analisis proses.
Alhasil:
- Sulit melihat trade-off biaya vs emisi secara menyeluruh.
- Analisis butuh bulan, sementara manajemen maunya keputusan dalam minggu.
- Setiap lokasi pabrik butuh studi sendiri, padahal portofolio perusahaan sering tersebar nasional atau global.
Ini sangat mirip dengan situasi di Indonesia: grup industri besar punya pabrik di Jawa, Sumatra, Kalimantan, Sulawesi, dengan profil jaringan listrik dan ketersediaan energi terbarukan yang berbeda-beda. Tanpa alat yang tepat, wajar kalau dekarbonisasi terasa seperti proyek riset tanpa ujung.
Pelajaran dari MIT: “Sim City” untuk Dekarbonisasi Industri
MIT Energy Initiative mengembangkan sebuah platform bernama SESAME (Sustainable Energy Systems Analysis and Modeling Environment) yang kemudian melahirkan startup Sesame Sustainability dan produk Sesame One.
Intinya, mereka membangun sesuatu yang oleh CEO-nya disebut seperti “Sim City untuk dekarbonisasi industri”:
- Pengguna bisa memetakan infrastruktur energi yang sudah ada.
- Mengganti beberapa komponen dengan opsi rendah karbon.
- Mensimulasikan dampak biaya dan emisi dalam hitungan menit, bukan bulan.
Apa yang membuat pendekatan ini berbeda?
-
Model lintas sektor dalam satu platform
Biaya, emisi, dan kelayakan teknis disatukan dalam satu lingkungan pemodelan. Bukan lagi tiga studi terpisah yang baru disatukan di akhir. -
“Building blocks” teknologi energi
Tersedia modul teknologi yang mewakili:- pembangkit listrik (PLTU, PLTS, angin, gas, dll.),
- penyimpanan energi,
- penangkapan karbon (CCUS),
- bahan bakar rendah karbon (hidrogen, amonia, biofuel),
- berbagai proses industri.
Kombinasinya membentuk berbagai skenario rantai pasok energi.
-
Integrasi model sistem tenaga dengan emisi & biaya
Biasanya, model sistem kelistrikan (profil beban, curah surya, angin, dsb.) dipisah dari analisis ekonomi maupun proses. Di sini semuanya terintegrasi, sehingga perusahaan bisa melihat:- Kalau kilang membangun PLTS dan baterai sendiri, apa dampaknya ke biaya produksi?
- Berapa emisi per ton produk jika pabrik smelter nikel beralih ke listrik dari energi terbarukan di lokasi tertentu?
-
Eksplorasi skenario cepat dan berulang
Karena energi terbarukan dan teknologi baru berkembang cepat, perusahaan perlu mengulang analisis tiap beberapa bulan. Platform seperti ini membuat iterasi jadi murah dan cepat.
Relevansi untuk Indonesia: Dari Kilang ke Smelter Nikel
Pendekatan seperti Sesame One sangat cocok disesuaikan dengan konteks Indonesia, terutama ketika digabung dengan AI untuk sektor energi.
Contoh 1: Kilang dan petrokimia di Jawa & Sumatra
Bayangkan sebuah kilang di Jawa yang ingin:
- mengurangi konsumsi listrik dari grid berbasis batubara,
- membangun PLTS atap + PLTS ground-mounted,
- mempertimbangkan baterai atau gas peaker,
- melihat opsi CCUS untuk unit tertentu.
Tanpa platform terintegrasi, tim energi harus:
- minta data beban harian ke tim operasi,
- minta proyeksi harga listrik, gas, dan karbon,
- jalankan berbagai model terpisah,
- lalu mengompilasi semuanya menjadi 1 presentasi.
Dengan pendekatan ala Sesame:
- Data profil beban dan cuaca (radiasi matahari, pola angin) bisa diolah dengan AI untuk membuat proyeksi konsumsi dan produksi energi.
- Kilang bisa mensimulasikan skenario seperti:
- 40% beban dipasok PLTS + baterai,
- 60% dari grid, dengan proyeksi dekarbonisasi PLN.
- Output-nya: biaya per kWh, emisi per barel, dan NPV investasi untuk beberapa skenario sekaligus.
Contoh 2: Smelter nikel di Sulawesi atau Maluku Utara
Smelter nikel adalah pengguna listrik besar, seringkali didukung PLTU captive sendiri. Target dekarbonisasi sektor nikel Indonesia akan sulit tercapai tanpa alat analisis serius.
Platform terpadu + AI bisa membantu:
- Membandingkan skenario:
- tetap dengan PLTU captive tetapi dengan cofiring biomassa,
- mengganti sebagian dengan PLTG + PLTS,
- menggunakan hidrogen untuk proses tertentu di masa depan.
- Menggunakan AI untuk optimasi operasi: kapan PLTS maksimum, kapan listrik grid lebih mahal/murah, kapan baterai dipakai.
- Menghasilkan angka: berapa penurunan emisi per ton Ni, dan bagaimana dampaknya ke biaya produksi dan daya saing ekspor.
Pendekatan ini nyambung langsung dengan tren global: pembeli baterai dan kendaraan listrik mulai memberi premi pada nikkel rendah karbon. Tanpa analisis berbasis data dan AI, sulit menjawab permintaan pasar tersebut.
Peran AI: Dari Data Berantakan ke Keputusan yang Percaya Diri
AI dan pemodelan sistem energi modern bisa mengisi celah yang selama ini membuat dekarbonisasi industri terasa lambat.
1. Prediksi permintaan dan produksi energi yang lebih akurat
Untuk membuat keputusan investasi energi terbarukan dan penyimpanan, perusahaan butuh:
- proyeksi beban listrik detail per jam,
- proyeksi produksi PLTS/angin berdasarkan data cuaca historis,
- estimasi variasi operasional (shutdown, maintenance, ekspansi).
Model AI dapat:
- menganalisis data SCADA, histori konsumsi, dan data cuaca,
- menghasilkan proyeksi konsumsi dan produksi yang lebih akurat,
- memperbarui prediksi saat ada tren baru (misalnya penambahan lini produksi).
2. Optimasi kombinasi teknologi dan skenario investasi
Setelah ada modul teknologi (PLTS, baterai, PLTG, CCUS, hidrogen, dsb.), AI bisa membantu:
- mencari kombinasi paling optimal untuk target tertentu (misal: kurangi emisi 40% dengan kenaikan biaya maksimum 10%),
- menjalankan ribuan skenario yang mustahil dihitung manual,
- mengidentifikasi skenario “pareto optimal” biaya vs emisi.
Ini yang membuat manajemen lebih percaya diri. Mereka tidak hanya melihat “satu studi skenario”, tapi peta lengkap pilihan dengan angka jelas.
3. Otomatisasi pembaruan analisis
Harga teknologi energi terbarukan turun, regulasi berubah, insentif baru muncul. Platform berbasis AI bisa:
- memperbarui input harga dan faktor emisi,
- memicu re-run skenario otomatis,
- memberi notifikasi ketika sebuah proyek yang tadinya tidak layak menjadi menarik secara ekonomi.
Di konteks Indonesia, ini sangat relevan dengan:
- perubahan regulasi PLN terkait interkoneksi dan IPP,
- perkembangan harga kredit karbon domestik,
- target RUEN dan RUPTL yang terus disesuaikan.
Langkah Praktis untuk Perusahaan Energi & Industri di Indonesia
Banyak perusahaan tahu mereka butuh digitalisasi dan AI, tapi bingung mulai dari mana. Berdasarkan pengalaman model seperti Sesame dan kebutuhan lokal Indonesia, beberapa langkah praktis yang masuk akal:
1. Bangun “single source of truth” untuk data energi dan emisi
Sebelum bicara AI canggih, rapikan dulu data:
- konsumsi listrik & bahan bakar per fasilitas,
- profil beban (minimal per jam, kalau bisa per 15 menit),
- data produksi (ton produk, barrel, dsb.),
- faktor emisi dan biaya bahan bakar.
Satukan di satu platform internal sehingga tim energi, operasi, dan keuangan memakai angka yang sama.
2. Mulai dengan satu fasilitas pilot
Pilih satu lokasi dengan:
- konsumsi energi besar,
- peluang jelas untuk integrasi energi terbarukan atau efisiensi,
- tim lokal yang cukup kuat.
Gunakan pendekatan pemodelan terintegrasi:
- buat baseline biaya & emisi sekarang,
- susun beberapa skenario teknologi,
- analisis trade-off biaya vs penurunan emisi.
3. Libatkan tim lintas fungsi sejak awal
Salah satu kunci sukses tim Sesame di MIT adalah kolaborasi lintas disiplin: insinyur proses, ahli sistem tenaga, ekonom energi, ilmuwan data.
Di Indonesia, proyek serupa sebaiknya melibatkan:
- tim energi/utility internal,
- operasi pabrik,
- keuangan & investasi,
- ESG/sustainability,
- dan jika ada, tim data/AI.
Dengan begitu, hasil analisis bukan sekadar laporan teknis, tapi benar-benar bisa dibawa ke meja direksi.
4. Kembangkan kapabilitas internal, bukan hanya beli konsultan
Saya cukup yakin masa depan dekarbonisasi industri dimenangkan oleh perusahaan yang punya kemampuan analisis sendiri, bukan yang 100% bergantung pada laporan konsultan tahunan.
Beberapa cara praktis:
- kirim tim internal ikut pelatihan sistem energi & AI,
- bangun “center of excellence” energi dan emisi,
- gunakan tools yang bisa dioperasikan sendiri, bukan hanya oleh konsultan.
Menyambungkan ke Visi Transisi Energi Indonesia
Dekarbonisasi industri bukan hanya soal memenuhi target ESG global. Untuk Indonesia, ini soal daya saing jangka panjang dan ketahanan energi nasional.
Perpaduan antara AI untuk sektor energi, pemodelan sistem seperti yang dikembangkan tim MIT, dan konteks lokal Indonesia membuka jalan yang lebih realistis:
- perusahaan bisa bergerak dari wacana ke implementasi,
- keputusan investasi energi jadi berbasis data, bukan insting,
- target penurunan emisi tercapai tanpa mengorbankan profitabilitas.
Seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” akan terus membahas contoh konkret lain: dari optimasi jaringan listrik, integrasi energi terbarukan ke sistem PLN, hingga smart metering dan prediksi permintaan.
Pertanyaannya sekarang: apakah organisasi Anda sudah punya “Sim City” versi sendiri untuk energi dan emisi? Kalau belum, ini saat yang tepat untuk mulai merancangnya — sebelum keputusan miliaran rupiah berikutnya terlanjur diambil tanpa fondasi data yang kuat.