Saat ekspansi jaringan melambat dan regulasi mengeras, satu-satunya cara menjaga keandalan dan menekan emisi adalah membuat sistem energi jauh lebih cerdas dengan AI.
Saat Kapasitas Jaringan Melambat, Kecerdasan yang Harus Ngebut
Permintaan listrik global melonjak digerakkan pusat data, kendaraan listrik, dan elektrifikasi industri. Di Texas, salah satu pasar listrik paling dinamis di dunia, lembaga energi AS baru saja memangkas proyeksi pertumbuhan pembangkitan 2026 dari 3% menjadi 1,7%. Untuk ERCOT (operator sistem Texas), proyeksi pertumbuhan beban 2026 bahkan dipangkas dari 15,7% menjadi 9,6%.
Di satu sisi, angka ini menandakan penyesuaian ekspektasi. Di sisi lain, pesan strategisnya jelas: kita tidak bisa lagi hanya mengandalkan ekspansi kapasitas fisik. Grid harus jadi jauh lebih pintar. Di sinilah AI mulai jadi kebutuhan, bukan sekadar eksperimen.
Artikel Utility Dive tentang “The week in 5 numbers” memberi gambaran menarik: pengetatan regulasi antitrust, revisi pertumbuhan permintaan di Texas, backlog turbin gas hingga 80 GW, ledakan kontrak energi bersih 20,4 GW, dan rencana New York menambah 5,5 GW energi terbarukan. Kalau kita baca ini dengan kacamata Indonesia, gambarnya makin relevan: transisi energi butuh kombinasi kebijakan yang tepat, investasi fisik, dan optimasi cerdas berbasis data.
Tulisan ini bagian dari seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”. Fokusnya sederhana: apa pelajaran dari Texas dan pasar energi AS, dan bagaimana AI bisa membantu Indonesia saat pertumbuhan jaringan fisik melambat tetapi tuntutan energi bersih terus naik.
1. Regulasi Makin Ketat: Grid Harus Makin Pintar
Inti dari kasus Texas dan merger Constellation–Calpine adalah ini: regulator mulai lebih agresif memastikan pasar listrik tetap kompetitif ketika harga dan permintaan naik.
- Departemen Kehakiman AS memaksa Constellation menjual 6 pembangkit dan melepas sebagian kepemilikan di 1 pembangkit lain sebelum merger senilai US$26,6 miliar disetujui.
- Ini adalah consent decree antitrust pertama di sektor kelistrikan dalam 14 tahun.
Buat pengembang dan utilitas, artinya jelas: pertumbuhan lewat akuisisi besar akan lebih diawasi. Di Indonesia, trennya berbeda (pasar lebih terpusat), tapi arahnya sama: transparansi, efisiensi, dan perlindungan konsumen akan makin jadi fokus.
Di mana posisi AI dalam konteks regulasi?
AI tidak mengubah regulasi, tapi membuat:
-
Analisis dampak pasar jadi lebih cepat dan presisi
Model power system optimization berbasis AI bisa mensimulasikan:- dampak penambahan pembangkit baru terhadap harga dan margin;
- risiko dominasi pasar di area tertentu;
- skenario what-if jika pembangkit besar keluar/masuk.
-
Kepatuhan regulasi lebih mudah dibuktikan
Dengan sistem analitik real-time:- perusahaan bisa menunjukkan data operasi, curtailment, dan harga marginal secara transparan;
- regulator lebih mudah mengawasi tanpa menambah beban pelaporan manual.
-
Koordinasi kebijakan jadi berbasis data, bukan sekadar lobi
Di AS, perdebatan antara lembaga federal dan negara bagian soal interkoneksi beban besar (misalnya pusat data) semakin intens. AI bisa membantu:- memproyeksikan dampak interkoneksi besar di satu area;
- mengoptimasi lokasi dan jadwal sambungan beban baru.
Untuk Indonesia, ini relevan saat kita mulai menghadapi:
- penambahan beban besar (smelter, kawasan industri hijau, pusat data);
- kebutuhan pemisahan yang jelas antara kebijakan, operasi, dan kepentingan bisnis.
Pendapat saya: perusahaan energi yang membangun data & AI layer sejak sekarang akan lebih siap saat regulasi kita bergerak ke arah yang lebih berbasis kinerja dan transparansi.
2. Pertumbuhan Grid Melambat: Saatnya Optimasi, Bukan Hanya Tambah Kapasitas
Energi Information Administration (EIA) menurunkan ekspektasi pertumbuhan pembangkitan AS 2026 jadi 1,7%. Khusus Texas di bawah ERCOT, proyeksi pertumbuhan permintaan 2026 disesuaikan dari 15,7% menjadi 9,6%.
Artinya apa?
Permintaan tetap tumbuh tinggi, tapi realisasi masuknya beban besar (seperti pusat data) tidak secepat dugaan awal. Namun, proyeksi 9,6% itu tetap agresif untuk skala sistem sebesar Texas.
Pelajaran buat Indonesia
Indonesia juga menghadapi dinamika serupa:
- RUPTL memproyeksikan pertumbuhan permintaan, tapi realisasi sering meleset;
- banyak proyek pembangkit dan transmisi terlambat atau underutilized;
- penetrasi energi terbarukan naik, tetapi grid tidak selalu siap.
Kalau kita ulang pola “bangun dulu, optimasi belakangan”, risiko yang muncul:
- biaya kapasitas menganggur (stranded asset);
- tarif sulit turun karena CAPEX tinggi;
- integrasi energi terbarukan jadi terbatas.
Di titik ini, AI bukan nice to have, tapi alat kerja:
-
Perencanaan kapasitas berbasis data dan skenario
Model AI untuk load forecasting sekarang bisa:- memerinci proyeksi permintaan per segmen (rumah tangga, industri, komersial);
- memasukkan variabel ekonomi, cuaca, urbanisasi, penetrasi EV, dan data historis konsumsi;
- memberi range skenario, bukan satu angka statis.
Dampaknya: proyek pembangkit dan jaringan lebih tepat ukuran dan lebih tepat waktu.
-
Pengaturan operasi harian yang lebih efisien
Ketika pertumbuhan kapasitas fisik melambat, efisiensi operasi jadi kunci:- Unit commitment & economic dispatch berbasis AI bisa mengurangi biaya bahan bakar;
- sistem prediktif bisa mengurangi forced outage lewat pemeliharaan prediktif;
- dynamic line rating berbantu AI memaksimalkan kapasitas jaringan eksisting.
-
Manajemen beban dan demand response
Dengan smart meter dan analitik konsumsi, utilitas bisa:- mengidentifikasi pelanggan yang cocok untuk program demand response;
- mengirim sinyal harga atau insentif otomatis saat beban puncak;
- menggeser beban tanpa mengganggu kenyamanan pelanggan.
Di Texas, melambatnya proyeksi pertumbuhan tidak berarti grid santai. Justru tekanannya pindah ke optimalisasi dan fleksibilitas. Di Indonesia, kita bisa lompat langsung ke fase ini dengan mengintegrasikan AI sedari awal.
3. Backlog Turbin Gas 80 GW: Fleksibilitas vs Ketergantungan Fosil
GE Vernova memperkirakan akan menutup 2025 dengan backlog turbin gas 80 GW, dengan pesanan penuh sampai 2030 dan potensi kontrak hingga 2035, bahkan dengan hyperscaler (raksasa pusat data).
Pesan yang jarang dibicarakan:
Pasar masih mengandalkan gas sebagai sumber daya fleksibel, bahkan ketika energi terbarukan berkembang pesat.
Apa kaitannya dengan AI dan transisi energi?
-
Gas sebagai “clean firm” pendamping terbarukan
Di AS, banyak korporasi mulai membeli apa yang mereka sebut sumber daya clean firm:- hidro, panas bumi, nuklir, penyimpanan durasi panjang;
- pembangkit termal dengan CCS (carbon capture and storage).
AI dibutuhkan untuk:
- mengatur kapan gas atau pembangkit firm lain harus naik turun mengikuti output surya dan angin;
- memaksimalkan operasi pada jam harga tinggi dan meminimalkan jam operasi beremisi tinggi.
-
Optimasi fuel mix dan biaya
Sistem berbasis AI bisa mengkombinasikan:- harga gas, batubara, dan potensi curtailment energi terbarukan;
- batasan teknis unit (ramp rate, minimum up/down time);
- batasan emisi COâ‚‚ per periode.
Hasilnya: dispatch yang bukan hanya paling murah, tapi juga paling rendah emisi untuk target tertentu.
- Pelajaran untuk Indonesia yang masih dominan batubara
Indonesia mungkin tidak akan memesan 80 GW turbin gas dalam waktu dekat, tapi transisi dari batubara ke sistem yang lebih fleksibel tetap butuh AI:- memprioritaskan pembangkit mana yang harus dipensiunkan dulu;
- menentukan lokasi pembangkit gas/PLTS/PLTB baru yang optimal;
- mengukur dampak biaya dan keandalan per skenario.
Saya cukup yakin: tanpa simulation engine berbasis AI dan optimasi, diskusi early retirement PLTU dan pembangunan pembangkit baru akan sulit lepas dari debat opini.
4. Lonjakan Kontrak 20,4 GW Energi Bersih: Sinyal untuk Korporasi di Indonesia
Menurut Clean Energy Buyers Association, pembeli korporat di AS telah mengontrak 20,4 GW energi bersih hanya dalam 3 kuartal pertama 2025, dan sedang menuju tahun tertinggi sepanjang masa, meski ada pemotongan insentif pajak.
Yang menarik, ada lonjakan minat pada sumber “clean firm”: hidro, panas bumi, nuklir, penyimpanan jangka panjang, dan termal dengan CCS.
Relevansi untuk Indonesia
Korporasi global di Indonesia (data center, manufaktur, FMCG, pertambangan) mulai membawa komitmen ESG internasional mereka ke sini. Mereka ingin:
- listrik rendah karbon dengan traceability jelas;
- harga yang bisa diprediksi jangka panjang;
- bukti bahwa pembangkitan yang mereka klaim benar-benar berjalan.
AI memungkinkan tiga hal penting:
-
Pengukuran dan pelacakan emisi real-time
Dengan menghubungkan data SCADA, meter, dan faktor emisi dinamis, sistem AI bisa:- menghitung emisi aktual per jam per lokasi;
- membagi emisi ke tiap pelanggan besar;
- mendukung skema sertifikat energi terbarukan yang lebih kredibel.
-
Perancangan portofolio energi korporat yang optimal
Korporasi tidak harus membeli satu jenis sumber saja. Model optimasi bisa:- mengkombinasikan PPA surya, angin, hidro, dan storage;
- mensimulasikan risiko intermitensi dan volatilitas harga;
- mengarahkan keputusan kontrak 10–15 tahun dengan basis data.
-
Integrasi langsung ke operasi perusahaan
Contoh praktis:- pabrik mengatur jadwal operasi intensif energi saat pasokan hijau melimpah;
- pusat data menggeser beban non-kritis mengikuti sinyal harga waktu nyata;
- semua diotomasi oleh sistem berbasis AI yang terhubung ke operator jaringan.
Kalau di AS angka 20,4 GW jadi headline, di Indonesia peluangnya adalah menjadi negara tempat perusahaan global bisa memenuhi target net zero mereka secara kredibel. Tanpa AI untuk pengukuran dan optimasi, janji ini sulit dibuktikan.
5. Renacana 5,5 GW Terbarukan: Transisi Bukan Cuma Soal Target, Tapi Eksekusi
Otoritas Listrik New York (NYPA) memperbarui rencana transisi dengan menyetujui sekitar 5,5 GW kapasitas terbarukan — naik dari rencana awal 3 GW. Tambahan ini termasuk 1.425 MW surya dan 800 MW angin.
Menariknya, meski target kapasitas diperbesar, versi terbaru ini dianggap lebih realistis dibanding proposal awal yang terlalu ambisius, karena mempertimbangkan perubahan kebijakan dan kondisi pasar.
Pelajaran kunci: Transisi butuh iterasi berbasis data
Di Indonesia, kita punya target EBT 23% dan Net Zero 2060 (atau lebih cepat). Tantangannya mirip:
- proyek EBT sering tersendat di sisi perizinan, grid, atau pembiayaan;
- asumsi awal RUPTL kerap berubah seiring kondisi ekonomi;
- integrasi PLTS/PLTB ke jaringan eksisting tidak selalu mulus.
AI membantu di dua level:
-
Perencanaan sistem jangka panjang yang dinamis
Alih-alih dokumen rencana “sekali jadi 10 tahun”, kita bisa:- menggunakan capacity expansion model berbasis AI yang direfresh berkala;
- memasukkan data realisasi proyek, harga teknologi, dan pola permintaan terbaru;
- meng-update jalur least-cost secara iteratif.
-
Eksekusi proyek dan integrasi teknis
AI bisa:- mengidentifikasi bottleneck jaringan yang paling kritis menghambat proyek EBT;
- memprioritaskan upgrade transmisi/distribusi berdampak terbesar;
- mensimulasikan curtailment dan solusi seperti storage atau demand response.
Realitasnya, semua sistem energi besar sekarang hidup dalam ketidakpastian: ekonomi, teknologi, dan politik. Tanpa lapisan AI untuk membaca dan mengadaptasi data baru, rencana transisi mudah kadaluarsa dalam 2–3 tahun.
6. Apa Artinya untuk Indonesia: Dari Texas ke Sulawesi, AI Jadi Jembatan
Kalau kita rangkum lima angka dari pasar listrik AS tadi, polanya jelas:
- Regulasi makin aktif menjaga kompetisi.
- Pertumbuhan permintaan tetap tinggi, tapi proyeksinya terus disesuaikan.
- Bahan bakar fleksibel (seperti gas) masih dibutuhkan mendampingi terbarukan.
- Korporasi mendorong permintaan energi bersih yang dapat dilacak.
- Target terbarukan harus terus diupdate mengikuti realitas lapangan.
Ini cerminan masa depan sektor energi Indonesia beberapa tahun ke depan. Bedanya, kita punya kesempatan untuk “langsung lompat” ke generasi berikutnya: membangun transisi energi dengan AI sebagai fondasi manajemen sistem, bukan tempelan belakangan.
Beberapa langkah praktis untuk pelaku energi Indonesia
-
Bangun pondasi data dulu
- konsolidasi data SCADA, meter, sistem keuangan, dan pemeliharaan;
- rapikan kualitas data, tagging, dan standar waktu;
- tanpa ini, proyek AI apa pun akan macet.
-
Mulai dari use case yang cepat terasa manfaatnya
Contoh yang biasanya “cepat balik modal”:- prediksi beban jangka pendek dan menengah;
- pemeliharaan prediktif di pembangkit dan jaringan;
- deteksi losses teknis dan non-teknis.
-
Siapkan kapasitas internal dan tata kelola AI yang sehat
- latih tim planning, operasi, dan regulasi untuk membaca insight AI;
- buat kebijakan transparansi model dan perlindungan data;
- hindari ketergantungan penuh pada vendor tanpa knowledge transfer.
-
Sinkronkan dengan regulator sejak awal
- tunjukkan bagaimana AI membantu efisiensi, keandalan, dan perlindungan konsumen;
- dorong kerangka regulasi yang membuka ruang pemanfaatan data dan AI.
Seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” pada dasarnya ingin menegaskan satu hal:
Di masa ketika pertumbuhan fisik jaringan dan pembangkit tidak bisa digenjot tanpa batas, satu-satunya cara menjaga keandalan dan menurunkan emisi adalah membuat sistem menjadi jauh lebih cerdas.
Texas sedang mengalaminya hari ini. Indonesia akan menyusul, cepat atau lambat. Pertanyaannya bukan lagi apakah AI akan dipakai di sektor energi, tetapi seberapa cepat kita siap memakainya secara serius dan bertanggung jawab.