Natal Bertenaga Surya & AI di Mal Asia

Natal Bertenaga Surya & AI: Pelajaran dari Mal Filipina untuk Indonesia

Di Filipina, satu jaringan mal berhasil menyalakan dekorasi Natal raksasanya dengan tenaga surya hingga puluhan megawatt. Pohon Natal 60 kaki, pertunjukan cahaya digital, mal beroperasi sampai larut malam—semuanya disuplai oleh atap yang penuh panel surya.

Ini menarik buat Indonesia karena kita menghadapi tantangan yang sama: konsumsi listrik melonjak saat libur panjang dan cuaca makin ekstrem, sementara target bauran energi terbarukan terus naik. Bedanya, satu hal baru sedang mengubah permainan: kecerdasan buatan (AI) untuk sektor energi.

Tulisan ini bagian dari seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”. Kita pakai contoh SM Supermalls di Filipina sebagai studi kasus, lalu bahas satu hal krusial: bagaimana AI bisa membuat mal, kawasan komersial, dan bahkan kota-kota di Indonesia menjalankan energi surya secara jauh lebih pintar, stabil, dan hemat biaya.

---

Studi Kasus SM Supermalls: 73 MWp Surya yang Menyala Saat Musim Liburan

Kisah SM Supermalls relevan karena menunjukkan skala yang biasanya cuma kita bayangkan di level pembangkit listrik negara.

• 88 mal terintegrasi
• 73 MWp kapasitas surya atap per Juli 2025, target 100 MWp di akhir 2025
• Satu instalasi terbesar: 3,785 MWp di SM City Fairview, di atap seluas 4,3 hektare
• Produksi tahunan: sekitar 5.960 MWh hanya dari satu mal, cukup untuk menopang operasi saat Natal
• Penghematan emisi: lebih dari 4.133 ton CO₂ per tahun dari satu instalasi besar

Di saat orang Filipina merayakan Natal dari September sampai Januari, SM harus menghadapi: jam operasional lebih panjang, dekorasi lampu masif, pendingin ruangan ekstra, dan lonjakan kunjungan. Mereka menjawabnya dengan:

• Panel surya di atap mal
• Konversi penuh ke lampu LED di 85+ mal (hemat energi sampai 50%)
• Perjanjian pembelian listrik jangka panjang dari pembangkit surya & geothermal
• Partisipasi dalam program Interruptible Load Program: saat listrik negara kritis, sebagian mal pindah ke genset sendiri supaya grid tidak kolaps

Ini baru dari sisi infrastruktur. Sekarang bayangkan jika seluruh sistem ini dijalankan dengan AI energi: dari prakiraan produksi surya, pengaturan beban, sampai integrasi dengan jaringan nasional. Di sinilah pelajaran penting untuk Indonesia muncul.

---

Di Mana AI Masuk? Dari Panel Surya ke “Otak” Energi Mal

Tanpa AI, sistem surya skala besar di mal tetap bermanfaat, tapi sering belum optimal. Polanya biasanya seperti ini:

• Panel surya dipasang
• Produksi listrik dipantau secara manual atau lewat dashboard sederhana
• Pengaturan beban (AC, chiller, eskalator, EV charging) dilakukan berdasarkan jam operasional, bukan data real-time

AI mengubah pola ini jadi jauh lebih presisi.

1. Prediksi Produksi Surya yang Akurat

Di Filipina, instalasi SM City Fairview tetap bisa mencapai 85–90% kapasitas meski diaktifkan saat musim hujan dengan dua topan. Di Indonesia, pola mendung, hujan lokal, dan perubahan cuaca juga sangat dinamis.

Model AI dapat:

• Menggabungkan data cuaca jangka pendek, historis produksi, dan posisi matahari
• Memprediksi output panel surya per 15 menit–1 jam ke depan
• Memberi sinyal ke sistem manajemen energi: kapan beban besar dinyalakan/diturunkan

Dampaknya:

• Chiller bisa di-boost saat produksi surya tinggi, lalu turunkan sedikit saat awan tebal
• EV charger diatur arusnya mengikuti produksi panel, bukan asal maksimum
• Penggunaan listrik dari PLN bisa dikurangi tanpa risiko tiba-tiba kekurangan daya

2. Manajemen Beban Cerdas di Jam Sibuk

Musim liburan = beban puncak. Di Indonesia, puncak beban mal sering terjadi saat:

• Akhir pekan Desember–Januari
• Libur sekolah & Lebaran
• Event besar (konser, midnight sale, pesta akhir tahun)

AI untuk demand forecasting dapat memprediksi:

• Jam kedatangan pengunjung tertinggi berdasarkan histori, kalender, dan bahkan data lalu lintas
• Beban AC rata-rata berdasarkan suhu luar dan jumlah orang di mal
• Lonjakan penggunaan listrik di tenant F&B saat jam makan siang/malam

Setelah punya prediksi, sistem manajemen energi berbasis AI bisa otomatis:

• Menyesuaikan set-point AC di area yang belum ramai
• Menyalakan/ mematikan sebagian eskalator dan travelator sesuai kepadatan
• Mengatur jadwal pencahayaan dekorasi (misalnya intensitas maksimum hanya di jam pengunjung tertinggi)

Hasilnya bukan cuma penghematan, tapi juga kualitas pengalaman pengunjung yang tetap nyaman.

3. Optimasi Kombinasi Sumber Energi

SM Prime memadukan:

• Surya atap
• Pembangkit geothermal (via PPA)
• Surya offsite
• Jaringan listrik nasional
• Genset sebagai cadangan (ILP)

Model seperti ini sangat mirip dengan apa yang mulai terjadi di Indonesia: PLTS atap + PLN + genset + kemungkinan baterai di masa depan.

AI dapat menghitung kombinasi paling murah dan paling hijau dengan mempertimbangkan:

• Tarif listrik per jam (jika nanti tarif dinamis diberlakukan)
• Harga bahan bakar genset
• Target emisi korporasi
• Status kontrak pembelian listrik hijau (PPA)

Sistem lalu memutuskan secara otomatis:

• Berapa banyak daya yang diambil dari surya, PLN, dan genset
• Kapan baterai (kalau ada) diisi dan dikosongkan
• Bagaimana menjaga agar target emisi tahunan tetap tercapai

Inilah inti manajemen energi berbasis AI untuk sektor komersial.

---

Relevansi untuk Indonesia: Dari Mal Besar ke Kawasan Industri

Indonesia punya semua bahan baku untuk menyalip: radiasi matahari tinggi, populasi besar, pertumbuhan mal dan kawasan industri, dan regulasi PLTS atap yang mulai lebih jelas.

Belajar dari SM Supermalls, ada beberapa hal yang bisa dikopi dan ditingkatkan dengan AI di konteks Indonesia.

1. PLTS Atap Mal dan Pusat Perbelanjaan

Bayangkan:

• Mal di Jakarta, Surabaya, Medan, Makassar memasang PLTS atap 1–5 MWp
• Semua memakai sistem AI energy management terpusat
• Operator bisa melihat dashboard real-time: produksi surya, konsumsi tiap zona, potensi penghematan, serta jejak karbon

AI bisa membantu:

• Menentukan ukuran PLTS optimal per mal (bukan sekadar “pasang sebanyak mungkin”)
• Menguji skenario: kalau jam operasional diperpanjang, tambahan daya dari mana, dan berapa biaya tambahannya
• Mengatur beban di cluster mal yang dikelola satu grup usaha besar

2. Kawasan Industri dan Pergudangan

Skala energi di kawasan industri jauh lebih besar dari mal. Tetapi prinsipnya sama: banyak atap, beban besar, dan pola penggunaan listrik yang cukup teratur.

Dengan AI:

• Operator kawasan bisa menyusun microgrid cerdas: PLTS atap gudang + baterai + PLN
• Pabrik yang punya proses fleksibel (misalnya cold storage) bisa diminta menggeser konsumsi ke jam saat surya lagi tinggi
• Sistem bisa ikut program serupa ILP di Indonesia: saat PLN kritis, sebagian beban dialihkan ke genset atau baterai secara terkoordinasi

3. Kota dan Pemerintah Daerah

Pemerintah daerah yang punya:

• Jaringan gedung publik (kantor pemda, sekolah, rumah sakit, puskesmas)
• Lampu jalan LED
• PLTS atap di fasilitas publik

bisa menggabungkan semuanya ke sistem smart city energi berbasis AI:

• Prediksi beban per hari dan per musim (musim hujan, musim libur, perayaan keagamaan)
• Manajemen lampu jalan dan fasilitas publik berdasarkan pola aktivitas warga
• Perencanaan investasi energi terbarukan yang lebih akurat karena berbasis data historis dan simulasi

Ini selaras dengan transisi energi berkelanjutan yang sedang didorong di tingkat nasional.

---

Langkah Praktis untuk Perusahaan di Indonesia

Banyak perusahaan ingin masuk energi terbarukan dan AI, tapi bingung mulai dari mana. Dari pengalaman proyek yang berhasil di luar negeri seperti SM Prime, pola yang efektif biasanya seperti ini.

1. Mulai dari Data Energi

Tanpa data, AI tidak berguna. Langkah awal yang realistis:

• Pasang smart meter di panel utama dan sub-panel (AC, chiller, penerangan, EV charger, dsb.)
• Kumpulkan data minimal 6–12 bulan: beban per 15 menit, suhu luar, jam operasional, dan event khusus
• Satukan data di satu platform, jangan tercecer di spreadsheet tanpa standar

Data ini jadi bahan bakar utama model AI prediksi beban dan produksi PLTS.

2. Bangun Model AI Sederhana Terlebih Dahulu

Tidak perlu langsung ke sistem super kompleks.

Beberapa use case tahap awal yang masuk akal:

• Forecast beban harian: prediksi berapa kWh yang akan dipakai besok per jam
• Forecast produksi surya: prediksi output PLTS atap berdasarkan data cuaca
• Rekomendasi jadwal operasi: misal rekomendasi kapan chiller di-boost dan kapan diturunkan

Begitu model awal terbukti akurat dan memberi dampak biaya, barulah naik kelas ke otomatisasi penuh.

3. Integrasi dengan Sistem Otomasi Gedung (BMS)

Kekuatan AI baru terasa ketika terhubung ke sistem yang bisa menjalankan aksi, bukan sekadar memberi angka.

• Integrasikan AI ke Building Management System (BMS) atau SCADA
• Tetapkan batas aman: suhu minimum/maksimum, kapasitas kabel, preferensi kenyamanan
• Terapkan mode semi-otomatis dulu: AI memberi rekomendasi, operator yang menyetujui
• Setelah operator percaya, barulah jalankan mode otomatis untuk sebagian parameter

4. Hitung Dampak Emisi, Bukan Hanya Biaya

SM Prime menargetkan net zero emisi pada 2040, satu dekade lebih cepat dari target global 2050. Perusahaan Indonesia yang serius di ESG juga perlu berpikir seperti ini.

AI dapat:

• Menghitung emisi aktual per bulan berdasarkan sumber listrik
• Menyimulasikan skenario: kalau tambah 2 MWp PLTS atap, penurunan emisi per tahun berapa?
• Menghasilkan laporan yang mendukung target Science-Based Targets atau komitmen ESG lain

Di sisi investor, angka-angka ini mulai punya bobot serius.

---

Mengapa Ini Penting untuk Transisi Energi Indonesia

Ada satu pelajaran besar dari SM Supermalls: tradisi tidak harus jadi musuh transisi energi. Mereka tetap punya pohon Natal raksasa, pertunjukan cahaya, dan jam buka lebih panjang, tapi semakin banyak lampu yang menyala berkat matahari.

Dengan AI, Indonesia bisa melangkah lebih jauh:

• PLTS atap bukan hanya pajangan, tapi benar-benar dimaksimalkan pemanfaatannya
• Beban puncak di mal, kawasan industri, dan kota bisa dikelola tanpa harus selalu menambah pembangkit fosil
• Keputusan investasi energi terbarukan jadi berbasis data, bukan sekadar tren

Untuk seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”, kasus seperti SM Supermalls menunjukkan hal yang cukup sederhana:

Energi terbarukan butuh dua hal untuk benar-benar berdampak: fisik (panel, kabel, inverter) dan otak (AI yang mengatur semuanya).

Indonesia sudah mulai mempercepat sisi fisik. Tantangan kita dalam 3–5 tahun ke depan adalah membangun “otak” energi ini di tingkat gedung, kawasan, dan kota.

Kalau Filipina bisa menyalakan Natal panjang mereka dengan surya, tidak ada alasan mal di Jakarta, Bandung, atau Makassar tidak bisa menyalakan akhir tahun dan Lebaran berikutnya dengan energi terbarukan yang dikelola AI.

Pertanyaannya sekarang: apakah perusahaan Anda sudah siap menjadikan energi sebagai keunggulan strategis, bukan sekadar tagihan bulanan?