Dari MIT ke Indonesia: Inovasi Energi & Peran AI

AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan••By 3L3C

Riset Energy Scholars MIT soal hidrogen, baterai, biomining, dan AI memberi petunjuk jelas arah teknologi energi. Pertanyaannya: seberapa cepat Indonesia mau memanfaatkannya?

AI energitransisi energi Indonesiahidrogen hijausmart gridbaterai dan penyimpanan energiriset energi MIT
Share:

Dari Laboratorium MIT ke Transisi Energi Indonesia

Tahun 2024, investasi global untuk teknologi energi bersih menembus lebih dari US$2 triliun. Di saat yang sama, Indonesia sedang memacu transisi energi, dengan target net-zero pada 2060 atau lebih cepat. Tekanan ke PLN, Pertamina, dan seluruh ekosistem energi makin besar: suplai harus andal, emisi harus turun, biaya harus masuk akal.

Di MIT, Society of Energy Scholars baru saja memilih 20 peneliti muda untuk 2025–2026. Fokus riset mereka: hidrogen hijau, baterai generasi baru, pemanfaatan AI untuk sistem energi, desain bangunan rendah karbon, hingga biomining mineral kritis. Sekilas tampak jauh dari Jakarta atau Balikpapan, tapi pola riset ini memberikan petunjuk cukup jelas: masa depan energi akan sangat bergantung pada AI, data, dan material baru.

Tulisan ini menghubungkan apa yang dilakukan para Energy Scholars MIT dengan kebutuhan transisi energi Indonesia, khususnya di tema seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”. Bukan sekadar mengagumi kampus luar negeri, tapi memetakan: teknologi apa yang relevan, bagaimana bisa diadaptasi, dan di mana peluangnya untuk perusahaan energi di Indonesia.

1. Mengapa Riset MIT Relevan untuk Indonesia

Riset energi di MIT bergerak ke tiga arah besar yang sangat nyambung dengan konteks Indonesia:

  1. Dekarbonisasi bahan bakar: hidrogen hijau, pyrolysis hidrokarbon, pemisahan COâ‚‚ dan Hâ‚‚.
  2. Elektrifikasi dan penyimpanan energi: baterai generasi baru, optimasi sistem pembangkitan.
  3. Efisiensi sistem dan bangunan berbasis data & AI: pemodelan sistem energi, bangunan rendah emisi, keamanan sistem hidrogen.

Bagi Indonesia, ini relevan karena:

  • Kita masih sangat tergantung batubara dan BBM.
  • Demand listrik meningkat, terutama dari industri dan data center.
  • Target bauran EBT 23% saja masih alot, apalagi net-zero.

Studi seperti milik Albert Chen soal integrasi dimensi waktu, ruang, dan sektor untuk mengoptimasi transisi energi dan kualitas udara, adalah contoh tepat bagaimana AI dan pemodelan sistem bisa dipakai PLN untuk:

  • Menentukan lokasi PLTS, PLTB, dan PLTA yang optimal.
  • Menghitung efek penutupan PLTU tertentu pada kualitas udara di kawasan padat penduduk.
  • Menyusun skenario investasi jaringan transmisi lintas pulau.

Jawaban singkatnya: pola riset di MIT memberi roadmap teknologi. Tinggal Indonesia mau menyalip lewat adopsi cepat dan adaptasi lokal, atau tertinggal sebagai pasar saja.

2. Hidrogen Hijau, Pyrolysis, dan Penyimpanan: Masa Depan Bahan Bakar Bersih

Hidrogen muncul berkali-kali di daftar Energy Scholars. Ini sinyal kuat bahwa masa depan energi bukan cuma soal PLTS dan baterai, tapi juga molekul bersih.

2.1 Hidrogen hijau dan perannya di Indonesia

Beberapa proyek di MIT fokus pada hidrogen:

  • India Cox dan Amber Velez: memajukan elektrolisis untuk produksi hidrogen hijau yang lebih efisien, termasuk pulsed electrolysis untuk skala jaringan listrik.
  • Julia Tao: analisis keselamatan sistem transportasi berbahan bakar hidrogen.
  • Santosh Singh: membran berbasis hexagonal boron nitride untuk pemisahan dan penyimpanan Hâ‚‚.

Bagi Indonesia, hidrogen relevan untuk:

  • Industri berat: baja, pupuk, petrokimia.
  • Transportasi jarak jauh: pelayaran, truk berat, potensi kereta jarak jauh.
  • Penyimpanan energi jangka panjang: saat PLTS dan PLTB berlebih.

Peran AI di sini sangat konkret:

  • Mengoptimasi operasi elektroliser sesuai fluktuasi PLTS/PLTB.
  • Prediksi permintaan hidrogen industri per wilayah dan waktu.
  • Model keselamatan dan reliabilitas sistem hidrogen di pelabuhan atau kawasan industri.

Untuk BUMN dan swasta energi di Indonesia, ini artinya perlu mulai:

  1. Membangun pilot project hidrogen hijau di kawasan industri (misalnya di Jawa Barat atau Kalimantan).
  2. Menyiapkan tim data/AI untuk merancang dispatch produksi hidrogen berbasis cuaca dan harga listrik.

2.2 Pyrolysis hidrokarbon: dekabonisasi tanpa “mati mendadak” untuk gas

Braden Gilleland meneliti desain dan pemodelan reaktor untuk pyrolysis hidrokarbon. Intinya: gas alam dipecah menjadi hidrogen dan karbon padat, sehingga COâ‚‚ tidak keluar ke atmosfer.

Secara politis, pendekatan seperti ini menarik untuk negara yang masih kaya gas, seperti Indonesia:

  • Gas tetap dipakai, tapi jejak karbon turun drastis.
  • Karbon padat bisa diolah jadi material lain (misalnya bahan komposit).

AI bisa membantu dengan:

  • Process optimization untuk reaktor pyrolysis agar efisien energi.
  • Deteksi anomali real-time pada operasi reaktor.
  • Simulasi berbagai skenario feedstock gas Indonesia (dengan kadar COâ‚‚ berbeda-beda).

Ini area yang sangat cocok untuk kolaborasi riset Pertamina–kampus lokal–startup AI proses industri.

2.3 Baterai generasi baru dan peran AI

Di sisi penyimpanan energi, beberapa Energy Scholars fokus ke baterai:

  • Alex Quinn: baterai aliran (flow battery) berbasis alkaline polysulfide ferri-/ferro-cyanide.
  • Trent Weiss: pengembangan elektroda untuk baterai lithium-ion dengan konveksi yang ditingkatkan.

Untuk Indonesia yang mendorong EV dan proyek penyimpanan energi grid-scale (BESS), implikasinya jelas:

  • Kita butuh baterai yang lebih tahan siklus dan murah untuk PLTS skala besar.
  • Kita butuh sistem manajemen baterai (BMS) berbasis AI yang bisa:
    • Memperpanjang umur pakai baterai.
    • Mengurangi risiko kebakaran melalui prediksi dini.
    • Mengoptimalkan pengisian EV di rumah, SPKLU, dan depo armada.

Riset baterai di MIT memberi gambaran bahwa kombinasi material baru + algoritma pintar akan menentukan siapa yang unggul di bisnis energi penyimpanan 10–20 tahun ke depan.

3. Smart Grid & Kota Cerdas: Pelajaran dari Arsitektur dan Sistem Energi MIT

Menariknya, beberapa Energy Scholars justru berasal dari jurusan Arsitektur dan Ilmu Sistem, bukan hanya teknik mesin atau kimia.

3.1 Bangunan rendah karbon berbasis data

Eric Kyle Cheung, Darya Guettler, dan Wyatt Sluga mengerjakan proyek “climate-actionable information for buildings” di Trondheim, Norwegia. Fokus mereka: bagaimana data granular bangunan dipakai untuk aksi iklim yang konkret.

Konsep ini sangat bisa diterapkan di Indonesia:

  • Gedung perkantoran di Jakarta, Surabaya, Medan punya konsumsi listrik besar untuk AC dan pencahayaan.
  • Dengan sensor dan smart metering, operator gedung bisa:
    • Menganalisis pola pemakaian energi per lantai, per jam.
    • Mengatur setpoint AC dinamis berbasis cuaca dan okupansi.
    • Mengintegrasikan PLTS atap dan baterai secara cerdas.

Di sini, AI untuk sektor energi Indonesia bekerja di level mikro:

  • Demand prediction per gedung, bukan hanya per kota.
  • Automated control untuk HVAC dan pencahayaan.
  • Deteksi anomali konsumsi energi (misalnya kebocoran AC atau peralatan rusak).

Jika ini digabung dengan kebijakan Pemda (misalnya mewajibkan pemantauan energi untuk gedung besar), dampak penghematan listrik bisa sangat nyata.

3.2 Optimasi sistem energi berskala kota dan jaringan

Kembali ke proyek Albert Chen dan Yifu Ding (RACER – koordinasi energi dan sumber daya berbasis komputasi adaptif), kita bicara soal optimasi sistem energi berskala besar.

Untuk Indonesia, implementasi AI bisa berupa:

  • Sistem unit commitment dan economic dispatch PLN yang bukan hanya mempertimbangkan biaya bahan bakar, tapi juga emisi dan kualitas udara.
  • Penjadwalan PLTS, PLTB, PLTA, dan PLTU dengan mempertimbangkan:
    • Prediksi cuaca.
    • Prediksi beban industri dan rumah tangga.
    • Keterbatasan jaringan transmisi dan distribusi.

Hal ini sudah dilakukan di banyak negara, tapi masih punya ruang sangat besar di Indonesia, terutama dengan penetrasi PLTS atap yang mulai naik dan rencana integrasi EBT skala gigawatt di beberapa wilayah.

4. Material, Daur Ulang, dan Biomining: Fondasi Hilirisasi yang Lebih Bersih

Indonesia sering bicara soal hilirisasi nikel. MIT menunjukkan bahwa babak berikutnya adalah material cerdas dan proses produksi rendah emisi.

4.1 Biomining mineral kritis

Hui Sun meneliti biomining mineral kritis: memanfaatkan mikroorganisme untuk mengekstrak mineral penting bagi energi bersih.

Untuk Indonesia, yang kaya nikel, kobalt, dan tembaga, pendekatan seperti ini menarik karena:

  • Potensi mengurangi limbah dan emisi dibanding metode konvensional.
  • Bisa menurunkan risiko lingkungan di sekitar tambang.

AI berperan di sini dengan:

  • Menganalisis data genom dan metabolisme mikroba untuk memilih strain terbaik.
  • Memodelkan proses pelindian (leaching) dan prediksi recovery rate.
  • Mengoptimalkan kondisi operasi untuk tiap lokasi tambang.

4.2 Daur ulang plastik dan polimer cerdas

Xiao Wang mengejar full upcycling limbah PVC, sementara Jimin Kim mengembangkan material yang bisa “mengunci” CO₂, CH₄, dan nitrat ke dalam polimer yang tumbuh.

Ini sangat cocok dengan masalah Indonesia:

  • Volume sampah plastik tinggi.
  • Emisi metana dari TPA besar.

Bayangkan jika:

  • Limbah PVC dari konstruksi dan kabel diolah menjadi material bernilai tinggi, bukan sekadar dibakar.
  • COâ‚‚ dan metana dari industri, TPA, atau kilang gas diproses menjadi polimer berguna.

Di sini, AI bisa:

  • Mempercepat penemuan katalis baru (seperti di proyek Adriana Ladera soal rapid prototyping katalis berbasis metal-organic chalcogenolate).
  • Mensimulasikan reaksi kimia kompleks untuk memilih jalur proses paling efisien.

Untuk perusahaan petrokimia Indonesia, ini bukan hanya soal CSR lingkungan. Ini peluang bisnis baru dengan margin lebih baik.

5. Apa Artinya untuk Indonesia: Strategi Praktis untuk Perusahaan Energi

Kalau ditarik ke konteks seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”, riset Energy Scholars MIT memberi tiga pesan praktis:

5.1 Bangun AI + Energy Roadmap 10–15 tahun

Perusahaan energi Indonesia (PLN, Pertamina, IPP, hingga startup energi) perlu peta jalan jelas yang menggabungkan:

  • Jangka pendek (1–3 tahun)

    • Implementasi smart metering di segmen prioritas.
    • Pilot AI untuk demand forecasting dan loss detection.
    • Optimasi operasi pembangkit eksisting dengan data historis.

  • Jangka menengah (3–7 tahun)

    • Integrasi AI di grid planning dan investasi jaringan.
    • Sistem manajemen energi untuk kawasan industri dan pelabuhan.
    • Pilot hidrogen dan baterai skala besar dengan pengendalian berbasis AI.

  • Jangka panjang (7–15 tahun)

    • Portofolio bahan bakar bersih (hidrogen, amonia, biofuel canggih).
    • Daur ulang material energi dan biomining.
    • Kolaborasi riset material baru bersama kampus dalam negeri.

5.2 Jadikan data sebagai “bahan bakar kedua”

Semua inovasi di atas bergantung pada satu hal: data energi yang rapi dan dapat diakses.

Langkah konkret yang bisa mulai besok:

  • Menstandarkan format data operasi pembangkit dan jaringan.
  • Mengumpulkan data cuaca, konsumsi, dan harga energi dalam satu data lake.
  • Membentuk tim kecil data & AI lintas fungsi (engineering, IT, bisnis).

Saya sering melihat perusahaan ingin langsung “pakai AI” tanpa bereskan data. Hasilnya, proyek tersendat. Padahal, Energy Scholars menunjukkan bahwa pemodelan sistem dan optimasi baru benar-benar kuat saat data lintas sektor bisa digabungkan.

5.3 Bangun ekosistem talenta, bukan hanya beli teknologi

MIT punya lebih dari 500 Energy Scholars alumni yang tersebar di seluruh dunia. Indonesia perlu versi lokalnya:

  • Program beasiswa dan fellowship untuk mahasiswa energi, AI, dan material.
  • Proyek riset terapan bersama antara BUMN, startup, dan universitas.
  • Challenge nasional tahunan: “AI untuk Transisi Energi Indonesia”.

Kalau hanya impor teknologi tanpa membangun talenta, kita akan terus jadi pengguna, bukan penentu arah.

Penutup: Dari Boston ke Bontang, Masa Depan Energi Sedang Disusun

Para Energy Scholars MIT sedang bereksperimen dengan hidrogen hijau, baterai canggih, biomining, hingga optimasi sistem energi berbasis AI. Jalur yang mereka buka sebenarnya sangat cocok dengan kebutuhan Indonesia: dekarbonisasi tanpa mengorbankan keandalan dan pertumbuhan ekonomi.

Untuk Indonesia, pertanyaannya bukan lagi “apakah kita perlu AI di sektor energi”, tapi seberapa cepat kita berani menggabungkan AI, riset material, dan kebijakan energi menjadi satu strategi transisi yang solid.

Transisi energi yang berkelanjutan akan ditentukan oleh negara yang berani menguji ide baru lebih cepat. Kalau Energy Scholars di Boston bisa merancang masa depan energi global, tidak ada alasan talenta Indonesia tidak bisa merancang masa depan energi Nusantara.

🇮🇩 Dari MIT ke Indonesia: Inovasi Energi & Peran AI - Indonesia | 3L3C