AI & Panas Bumi: Pelajaran Pendinginan dari Hawaii

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

Hawaii menguji pendinginan berbasis panas bumi. Indonesia bisa melangkah lebih jauh dengan bantuan AI untuk optimasi lokasi, desain, dan operasi sistem pendinginan.

AI energipanas bumigeothermal coolingsmart gridefisiensi energi gedungenergi terbarukan Indonesia
Share:

AI, Pendinginan, dan Panas Bumi: Pelajaran Berharga dari Hawaii untuk Indonesia

Konsumsi listrik untuk pendinginan ruangan di kota-kota besar Indonesia diperkirakan bisa menyedot lebih dari 40% beban puncak jaringan listrik dalam beberapa tahun ke depan. AC rumah, mal, dan gedung perkantoran pelan-pelan menjadi “raksasa tersembunyi” dalam tagihan listrik nasional.

Di sisi lain, Indonesia duduk di atas salah satu potensi panas bumi terbesar di dunia. Ironisnya, sebagian besar energi itu masih terkunci di dalam bumi, sementara kita terus membangun pembangkit berbasis fosil untuk memenuhi permintaan listrik, termasuk untuk pendinginan.

Nah, di Hawaii, para peneliti dari University of Hawaii at Manoa dan Lawrence Berkeley National Laboratory baru saja menganalisis kelayakan teknologi pendinginan berbasis panas bumi. Studi ini bukan sekadar soal teknologi; ini contoh konkret bagaimana pendekatan ilmiah yang tepat bisa mengurangi ketergantungan pada listrik konvensional untuk pendinginan.

Untuk seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”, kasus Hawaii ini menarik sekali. Bukan hanya karena sama-sama wilayah vulkanik seperti Indonesia, tapi karena peluangnya untuk dipadukan dengan AI: optimasi desain sistem, prediksi beban pendinginan, sampai integrasi ke smart grid.

Artikel ini membahas tiga hal utama:

  • Apa inti ide pendinginan panas bumi yang dikaji di Hawaii
  • Bagaimana AI bisa membuat model seperti itu jauh lebih efisien
  • Apa artinya bagi Indonesia, dari Bali sampai Jawa Barat dan Sulawesi

Apa yang Dilakukan Hawaii: Pendinginan dari Perut Bumi

Inti penelitian di Hawaii sederhana: menggunakan energi panas bumi bukan hanya untuk listrik, tetapi untuk sistem pendinginan skala besar.

Hawaii punya tiga modal utama:

  • Aktivitas vulkanik yang masih muda
  • Aliran air bawah tanah yang cukup besar
  • Kebutuhan pendinginan tinggi akibat iklim tropis-maritim

Para peneliti menganalisis kelayakan teknologi geothermal cooling, terutama:

  1. Geothermal Heat Pumps (GHP)
    Sistem ini memanfaatkan suhu tanah yang relatif stabil di bawah permukaan. Fluida kerja dipompa ke bawah tanah, menyerap panas dari bangunan, lalu membuangnya ke tanah.

  2. District Cooling Berbasis Panas Bumi
    Alih-alih tiap gedung punya AC sendiri, dibuat satu sistem pendinginan pusat berbasis panas bumi yang menyuplai beberapa gedung sekaligus (kampus, kawasan bisnis, atau kompleks hotel).

  3. Integrasi dengan Grid dan Energi Terbarukan Lain
    Dalam konteks Hawaii, panas bumi bisa melengkapi tenaga surya dan angin. Saat siang beban pendinginan naik, sistem geothermal cooling mengurangi permintaan listrik dari jaringan.

Hasil studi seperti ini biasanya mencakup:

  • Peta potensi sumber panas bumi
  • Simulasi teknis (berapa besar kapasitas pendinginan yang realistis)
  • Analisis ekonomi (CAPEX, OPEX, NPV, IRR)
  • Dampak lingkungan (emisi, penggunaan lahan, air, dan risiko geologi)

Di sinilah AI mulai terasa perannya, terutama untuk aspek pemodelan, prediksi, dan optimasi.

Peran AI: Dari Studi Kelayakan ke Sistem Pendinginan Cerdas

AI membuat studi kelayakan panas bumi jauh lebih cepat, lebih akurat, dan lebih murah. Bukan retorika, ini sudah terlihat di banyak proyek energi terbarukan global.

1. AI untuk Pemilihan Lokasi Geothermal Cooling

Pemilihan lokasi salah bisa membuat proyek panas bumi rugi puluhan hingga ratusan miliar rupiah. Biasanya, tim harus menggabungkan:

  • Data geologi dan seismik
  • Data suhu tanah dan aliran air bawah tanah
  • Data penggunaan lahan dan kepadatan bangunan
  • Proyeksi kebutuhan pendinginan

AI, terutama machine learning, bisa:

  • Menganalisis ribuan titik data geofisika untuk memprediksi zona dengan gradien panas tinggi
  • Menggabungkan data konsumsi listrik historis untuk mengidentifikasi cluster beban pendinginan tinggi (misalnya kawasan hotel, kampus, atau CBD)
  • Memberi skor prioritas lokasi: mana yang layak studi detail, mana yang sebaiknya ditunda

Untuk konteks Indonesia, ini relevan di wilayah seperti:

  • Bandung dan sekitarnya (Jawa Barat)
  • Dieng (Jawa Tengah)
  • Lahendong (Sulawesi Utara)
  • Bali bagian utara dan timur

2. AI untuk Desain Sistem dan Simulasi Teknis

Setelah lokasi terpilih, tantangan berikutnya: merancang sistem.

AI dapat membantu dengan:

  • Optimasi desain pipa dan sumur: kedalaman optimal, diameter, dan konfigurasi jaringan untuk menekan rugi energi dan biaya instalasi
  • Simulasi beban pendinginan per jam sepanjang tahun, menggabungkan data cuaca, pola hunian, dan perilaku pengguna
  • Pemilihan konfigurasi heat pump yang paling efisien untuk profil beban tertentu

Pendekatan tradisional mengandalkan skenario terbatas (misalnya 5–10 skenario). AI bisa menjalankan ribuan skenario dalam waktu jauh lebih singkat dan menemukan desain yang minim biaya energi sepanjang umur proyek.

3. Operasi Harian: Smart Grid & Demand Forecasting

Pada tahap operasi, AI untuk prediksi beban dan smart grid menjadi kunci.

Beberapa manfaat praktis:

  • Forecast beban pendinginan harian dan mingguan berdasarkan cuaca, musim liburan, dan pola aktivitas kota
  • Menyesuaikan operasi pompa, flow rate, dan setpoint temperatur secara otomatis untuk menjaga efisiensi COP (Coefficient of Performance)
  • Mengintegrasikan operasi geothermal cooling dengan:
    • PLTS atap gedung-gedung yang terhubung
    • Program demand response PLN atau operator sistem

Kombinasi geothermal cooling + AI ini bisa mengurangi beban puncak jaringan pada siang hari, yang selama ini didominasi oleh AC konvensional.

Mengapa Kasus Hawaii Relevan untuk Indonesia

Kalau kita tarik ke konteks nasional, Hawaii dan Indonesia punya beberapa kemiripan penting:

  • Sama-sama pulau vulkanik dengan sumber panas bumi
  • Kebutuhan pendinginan tinggi sepanjang tahun
  • Ketergantungan historis pada energi fosil yang ingin dikurangi

Bedanya, skala Indonesia jauh lebih besar. Dan justru karena itu, potensi penghematan energinya juga jauh lebih besar.

1. Pasar Pendinginan Indonesia yang Meledak

Beberapa tren yang perlu diwaspadai:

  • Penetrasi AC rumah tangga di kota besar meningkat tajam seiring naiknya kelas menengah
  • Pembangunan pusat data (data center) di Jabodetabek, Batam, dan Surabaya yang haus pendinginan
  • Ekspansi kawasan industri dan kawasan ekonomi khusus

Kalau semua pendinginan ini hanya mengandalkan AC konvensional:

  • Beban puncak sistem kelistrikan melonjak
  • Kebutuhan pembangunan pembangkit fosil baru bertambah
  • Target bauran energi terbarukan 23% akan makin sulit dicapai

Di titik ini, pendinginan berbasis panas bumi plus AI bukan konsep akademik, tapi opsi kebijakan yang sangat rasional.

2. Contoh Skenario Indonesia: "District Cooling" Panas Bumi di Kawasan Wisata

Ambil contoh kawasan wisata seperti Bali atau Danau Toba.

Bayangkan satu sistem:

  • Sumur panas bumi dangkal atau medium-depth di dekat kawasan hotel
  • Jaringan pipa dingin yang melayani puluhan hotel dan vila
  • Sistem dikendalikan oleh platform AI energy management yang:
    • Memprediksi okupansi hotel (berdasarkan data booking, musim liburan, even lokal)
    • Mengatur operasi pompa dan chiller geothermal agar efisien
    • Mengintegrasikan PLTS atap di gedung-gedung sekitar

Hasilnya:

  • Tagihan listrik hotel turun, margin usaha lebih baik
  • Emisi karbon dari sektor pariwisata berkurang
  • Jaringan PLN di kawasan wisata lebih stabil saat high season

Pendekatan semacam ini persis sejalan dengan yang dikaji di Hawaii, tetapi dengan skala dan variasi geografis Indonesia yang jauh lebih kaya.

Di Mana Tepatnya AI Bisa Diterapkan oleh Pelaku Energi di Indonesia?

Supaya tidak berhenti di level konsep, berikut peta praktis bagaimana perusahaan energi, pengembang panas bumi, dan pemilik gedung di Indonesia bisa mulai memanfaatkan AI.

1. Untuk Pengembang Panas Bumi & Konsultan Energi

  • AI geospatial screening: menggabungkan data geologi, peta panas bumi, dan peta beban pendinginan kota untuk memetakan “sweet spot” geothermal cooling
  • Model finansial berbasis AI yang menguji sensitivitas terhadap harga listrik, suku bunga, dan biaya pengeboran untuk berbagai skenario
  • Optimasi portofolio proyek: memutuskan mana yang dikembangkan duluan untuk memaksimalkan IRR dan dampak penurunan emisi

2. Untuk Utility dan Operator Sistem (misalnya PLN dan anak usaha)

  • Demand forecasting granular untuk beban pendinginan di kota-kota panas dengan pertumbuhan AC tinggi seperti Jakarta, Surabaya, Makassar
  • Perencanaan jaringan (grid planning) yang mempertimbangkan skenario adopsi geothermal cooling dan PLTS atap
  • Skema tarif dinamis yang didukung model AI, mendorong shifting beban pendinginan ke jam-jam dengan supply terbarukan tinggi

3. Untuk Pemilik Gedung dan Kawasan Industri

  • Sistem manajemen energi berbasis AI yang mengontrol chiller, pompa, dan distribusi pendinginan (baik konvensional maupun panas bumi)
  • Fault detection & diagnosis untuk tahu lebih cepat bila ada penurunan performa heat pump atau kebocoran sistem
  • Simulasi retrofit dari AC konvensional ke geothermal heat pump untuk menghitung payback period dan penghematan energi

Pengalaman saya menyusun strategi digital untuk perusahaan energi: proyek yang sukses biasanya dimulai dari pilot yang fokus, misalnya satu kampus universitas, satu kawasan industri, atau satu klaster hotel, bukan langsung satu kota.

Tantangan Nyata dan Cara Menghadapinya

Tentu tidak semua mulus. Ada beberapa hambatan yang hampir pasti muncul ketika bicara geothermal cooling + AI di Indonesia.

1. Data yang Terbatas dan Tersebar

AI butuh data yang rapi. Di lapangan, data sering:

  • Tersimpan di spreadsheet terpisah
  • Tidak kontinu (banyak missing data)
  • Tidak terdigitalisasi (khususnya data geologi lama)

Solusi realistis:

  • Mulai dari data minimal tapi konsisten: misalnya data beban 15-menit untuk satu gedung + data cuaca lokal
  • Bangun data pipeline sederhana sebelum bicara model AI kompleks
  • Libatkan kampus dan lembaga riset untuk membantu kurasi dan data cleaning

2. Kapex yang Lebih Tinggi di Awal

Geothermal cooling dan sistem AI energy management butuh investasi awal yang tidak kecil. Namun,

  • Umur teknis sistem panjang (20–30 tahun)
  • Penghematan energi per tahun bisa signifikan, terutama di lokasi tarif listrik tinggi

Pendekatan yang biasa dipakai secara global:

  • Skema ESCO (Energy Service Company): pihak ketiga menanggung CAPEX, dibayar dari penghematan energi
  • Kombinasi pinjaman hijau dan insentif pemerintah untuk proyek panas bumi dan efisiensi energi

3. Kekhawatiran Teknis & SDM

Panas bumi sering dianggap “ribet” dan “berisiko”. AI dianggap “terlalu canggih”. Dua-duanya bisa membuat pengambil keputusan ragu.

Menurut saya, kuncinya:

  • Mulai dari proyek demonstrasi dengan skala terbatas tapi sangat terukur
  • Libatkan tim operasi sejak awal, bukan hanya tim IT dan konsultan
  • Bangun kapasitas lokal: pelatihan operator, engineer, dan analis data energi

Langkah Praktis: Dari Inspirasi Hawaii ke Implementasi di Indonesia

Kasus Hawaii menunjukkan satu hal penting: pendinginan berbasis panas bumi itu feasible, apalagi bila didukung analisis canggih dan data yang baik. Indonesia punya modal yang bahkan lebih besar: sumber daya panas bumi, kebutuhan pendinginan tinggi, dan pasar energi yang berkembang cepat.

Kalau Anda berada di perusahaan energi, pengembang properti, atau pengelola kawasan industri, beberapa langkah berikut bisa jadi titik awal yang realistis:

  1. Identifikasi cluster beban pendinginan di portofolio Anda (gedung kantor, mal, hotel, kampus, data center).
  2. Audit singkat data: apa saja data energi, cuaca, dan operasional yang sudah tersedia 12–24 bulan terakhir.
  3. Mulai pilot AI untuk demand forecasting pendinginan di satu lokasi strategis.
  4. Diskusikan opsi pemanfaatan panas bumi dengan konsultan geotermal atau lembaga riset lokal, dengan fokus ke skenario district cooling.
  5. Rancang business case yang menggabungkan AI + geothermal cooling, bukan berdiri sendiri-sendiri.

Seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” pada dasarnya ingin menunjukkan hal ini: AI bukan hanya untuk aplikasi digital seperti rekomendasi video atau iklan. AI sangat relevan untuk keputusan fisik bernilai triliunan rupiah di sektor energi — dari menempatkan sumur panas bumi sampai mengatur kapan pompa pendingin menyala.

Pertanyaannya sekarang: apakah kita mau membiarkan peluang ini lewat begitu saja, atau mulai merancang proyek nyata yang bisa jadi “Hawaii versi Indonesia” beberapa tahun ke depan?