Kisruh Lelang Kapasitas MISO: Pelajaran Penting untuk AI Energi

AI dan Kesalahan US$280 Juta yang Mengguncang Pasar Kapasitas

Pada satu lelang kapasitas di Amerika Serikat, kesalahan kode software membuat perhitungan cadangan daya meleset dan memicu penyesuaian senilai sekitar US$280 juta. Produsen listrik protes, regulator pusat dilibatkan, dan kepercayaan investor terguncang.

Ini bukan sekadar drama hukum antara MISO (Midcontinent Independent System Operator) dan FERC di AS. Untuk Indonesia yang sedang mempercepat transisi energi dan mulai bicara pasar kapasitas, kasus ini adalah alarm keras:

Tanpa model dan sistem yang akurat, pasar energi bisa salah arah dalam skala ratusan juta dolar.

Di artikel seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” ini, saya gunakan kasus MISO sebagai studi kasus: di mana letak masalahnya, apa dampaknya, dan terutama, bagaimana AI bisa membantu Indonesia menghindari jebakan yang sama sambil memperkuat investasi di energi bersih.

---

Apa yang Terjadi di Lelang Kapasitas MISO?

Inti masalahnya sederhana: satu kesalahan software dalam perhitungan Loss of Load Expectation (LOLE) – metrik probabilitas kehilangan beban – mengubah kebutuhan cadangan daya yang digunakan dalam lelang kapasitas MISO tahun perencanaan 2025/2026.

Beberapa poin kunci dari kasus ini:

• Lelang kapasitas MISO digelar Maret 2025 untuk tahun perencanaan mulai 01/06/2025.
• Setelah lelang berjalan, MISO menemukan “continuing error” di sistem – perhitungan LOLE tidak sesuai tarif yang berlaku.
• Hasil awal: harga kapasitas musim panas di wilayah Utara dan Selatan MISO clearing di US$666,50/MW-hari.
• Setelah koreksi perhitungan, harga efektif berubah drastis:
  • MISO South turun sekitar 56% ke US$292,20/MW-hari.
  • MISO North turun sekitar 31% ke US$459,10/MW-hari.
• MISO kemudian melakukan “settlement adjustment” senilai total sekitar US$280 juta, membebankan biaya ke pihak yang kelebihan kapasitas dan mengkredit pihak yang kekurangan.

Produsen listrik independen menilai langkah ini sama saja dengan “rerun” lelang secara diam-diam, dan mengadu ke FERC dengan argumen:

• Melanggar filed rate doctrine dan larangan retroactive ratemaking (mengubah aturan harga setelah fakta).
• Menciptakan ketidakpastian pasar dan merusak kepercayaan investor yang sudah mengambil keputusan kontrak berdasarkan hasil lelang awal.

Kasus ini kini diperdebatkan di FERC, dengan berbagai pihak pasar dan pengawas (market monitor) terbelah antara mendukung dan menolak penyesuaian.

---

Kenapa Kasus MISO Penting untuk Indonesia?

Untuk Indonesia, pelajaran utamanya jelas: mekanisme pasar kapasitas sangat sensitif terhadap kualitas data dan model. Satu bug bisa mengubah:

• Harga kapasitas (capacity payment) yang dibayarkan PLN atau offtaker lain.
• Arus kas IPP dan kelayakan finansial proyek pembangkit.
• Sinyal investasi jangka panjang, terutama untuk pembangkit baseload dan energi terbarukan.

Indonesia sedang bergerak ke arah:

• Integrasi energi terbarukan variabel (surya, angin) yang tinggi.
• Wacana mekanisme keandalan sistem (kapasitas, keandalan, ancillary services) untuk menjaga pasokan.
• Reformasi tarif dan skema kontrak yang lebih berbasis kinerja dan kebutuhan sistem.

Dalam konteks itu, ada beberapa pertanyaan krusial:

1. Seberapa siap sistem IT dan model perencanaan kita untuk menangani kompleksitas baru ini?
2. Apakah proses validasi dan simulasi sudah cukup kuat untuk mencegah “kesalahan kecil” yang berbiaya besar?
3. Bisa tidak kita memakai AI dan analitik canggih untuk mengurangi risiko salah hitung seperti MISO?

Jawaban jujur saya: harus bisa, dan justru ini saat yang tepat untuk membangun fondasi AI di sektor energi sebelum pasar makin kompleks.

---

Di Mana AI Bisa Masuk? Tiga Titik Kritis di Pasar Kapasitas

AI bukan jimat yang menyelesaikan semua masalah, tapi sangat kuat di tiga area yang justru menjadi akar masalah MISO: prediksi, optimasi, dan deteksi anomali.

1. Prediksi LOLE dan Kebutuhan Cadangan yang Lebih Akurat

Masalah di MISO berawal dari perhitungan LOLE yang salah. Di Indonesia, kebutuhan cadangan operasi dan cadangan kapasitas akan makin rumit karena:

• Penetrasi PLTS atap dan utility-scale.
• Pertumbuhan beban yang tidak merata (contoh: kawasan industri, data center, smelter).
• Pola cuaca ekstrem yang lebih sering.

Apa yang bisa dilakukan AI?

• Model probabilistik berbasis machine learning untuk memprediksi:
  • Pola permintaan listrik harian hingga tahunan.
  • Ketersediaan sumber terbarukan (radiasi surya, kecepatan angin).
  • Gangguan pembangkit dan jaringan berdasarkan histori.
• Simulasi Monte Carlo bertenaga AI untuk menghitung LOLE dan parameter keandalan lain dengan:
  • Memasukkan ribuan skenario iklim, demand, dan gangguan.
  • Menghasilkan estimasi LOLE yang lebih kaya dan teruji.

Dengan ini, regulator dan operator sistem bisa menentukan margin cadangan dengan dasar yang kuat, bukan angka statis atau asumsi konservatif yang mahal.

2. Optimasi Lelang Kapasitas dan Penetapan Harga

Pasar kapasitas pada dasarnya adalah masalah optimasi besar: mencari kombinasi pembangkit dan sumber daya lain yang memenuhi keandalan dengan biaya terendah.

AI dan algoritma optimasi modern (misalnya kombinasi optimization + reinforcement learning) bisa:

• Menyusun model pasar kapasitas yang mempertimbangkan:
  • Pembangkit konvensional (PLTU, PLTG, PLTA, dsb.).
  • Energi terbarukan plus storage.
  • Demand response dan fleksibilitas beban industri.
• Menghasilkan “shadow price” dan harga kapasitas yang merefleksikan kelangkaan daya secara lebih adil.
• Menguji berbagai desain pasar sebelum diimplementasikan:
  • Apakah hasil tetap stabil saat asumsi berubah?
  • Apakah ada risiko “winner-loser” ekstrem seperti di kasus MISO (penyesuaian 56% di satu wilayah)?

Buat saya, ini salah satu area paling besar dampaknya: sebelum aturan pasar diterapkan di dunia nyata, kita sudah bisa stress-test dengan digital twin bertenaga AI.

3. Deteksi Anomali, Bug, dan Risiko Sistem Secara Dini

Di kasus MISO, “continuing error” di software baru disadari setelah lelang selesai dan harga sudah terbentuk.

Dengan AI, operator sistem dan pengelola pasar bisa punya lapisan proteksi tambahan:

• Anomaly detection untuk:
  • Mencari pola harga, hasil clearing, dan alokasi kapasitas yang tidak wajar.
  • Membandingkan hasil aktual dengan model referensi dan simulasi historis.
• Model explainability (XAI) untuk memeriksa:
  • Kenapa LOLE berubah drastis?
  • Apakah sensitivitas model terhadap input masuk akal?
• Continuous monitoring terhadap perubahan parameter kunci:
  • Jika satu pembaruan software mengubah output LOLE di luar band toleransi, sistem langsung menandai sebelum dipakai resmi.

Singkatnya, AI bisa bertindak sebagai “pengawas digital” yang bekerja 24/7, melengkapi proses audit dan QA manual yang selama ini terbatas waktu dan sumber daya.

---

Penerapan untuk Indonesia: Dari PLN hingga IPP dan Regulator

Bagaimana ini diterjemahkan ke konteks Indonesia secara praktis? Ada beberapa langkah yang menurut saya cukup realistis untuk 2–5 tahun ke depan.

1. Membangun AI-ready data infrastructure sektor ketenagalistrikan

Tanpa data yang rapi, AI hanya sekadar jargon.

Langkah konkret:

• Konsolidasi data operasi pembangkit, jaringan, dan demand di satu platform data terpadu.
• Standardisasi format data untuk:
  • SCADA dan historian.
  • Data produksi pembangkit IPP.
  • Data smart meter (di mana sudah terpasang).
• Menetapkan governance data antara PLN, IPP, dan regulator agar akses dan privasi jelas.

2. Pilot project AI untuk prediksi beban dan produksi energi terbarukan

Mulai dari hal yang langsung terasa manfaatnya:

• Model AI untuk forecast beban di sistem Jawa-Bali dan sistem Sumatra.
• Model AI untuk forecast PLTS dan PLTB di beberapa lokasi utama.
• Integrasi hasil forecast ke:
  • Perencanaan operasi harian (unit commitment & dispatch).
  • Perhitungan kebutuhan cadangan dan margin kapasitas.

Keberhasilan di sini akan membangun kepercayaan terhadap AI untuk keputusan yang lebih strategis, termasuk desain pasar keandalan.

3. Regulatory sandbox untuk desain pasar kapasitas berbasis AI

Jika Indonesia ingin menguji mekanisme pasar kapasitas atau skema keandalan lainnya, gunakan pendekatan sandbox:

• Regulator dan PLN menetapkan satu atau dua daerah/uji kawasan sebagai laboratorium pasar.
• AI digunakan untuk:
  • Menyimulasikan hasil lelang di berbagai skenario.
  • Mengukur dampak ke biaya sistem, emisi, dan keandalan.
• Hasil simulasi menjadi dasar perbaikan desain sebelum diterapkan nasional.

Ini jauh lebih aman daripada langsung menerapkan skema baru dan kemudian menyadari ada ketidaksempurnaan desain yang mahal – persis seperti yang dialami MISO.

4. Kolaborasi multi-pihak: PLN, IPP, startup AI, dan akademisi

Agar tidak terjebak dalam solusi parsial, perlu:

• PLN dan IPP: menyediakan data, kebutuhan bisnis, dan domain expertise sistem.
• Startup dan perusahaan AI energi: membangun model, tools, dan dashboard yang dapat digunakan operasional.
• Akademisi dan lembaga riset: menguji metodologi, melakukan validasi independen, dan mengembangkan talenta.

Dari pengalaman saya melihat berbagai proyek di luar negeri, kombinasi ini biasanya yang paling efektif untuk menghindari proyek AI yang berakhir menjadi proof of concept saja tanpa dampak nyata.

---

Menghindari “Drama MISO” di Transisi Energi Indonesia

Kasus MISO mengajari kita satu hal penting: sistem yang kompleks butuh alat dan tata kelola yang sepadan. Tanpa itu, kesalahan model bisa berujung pada:

• Penyesuaian miliaran rupiah yang memicu sengketa.
• Investor ragu menanam modal di pembangkit baru, termasuk energi terbarukan.
• Regulator tersandera antara menjaga keadilan pelaku pasar dan melindungi konsumen.

AI bukan obat mujarab, tapi:

• Ia bisa mengurangi risiko salah perhitungan seperti LOLE error.
• Ia membantu merancang pasar kapasitas dan skema keandalan yang lebih adil dan transparan.
• Ia memperkuat transisi energi berkelanjutan dengan menjaga keandalan sistem sekaligus membuka ruang bagi energi terbarukan.

Kalau Indonesia ingin mendorong PLTS, angin, storage, dan fleksibilitas beban sambil tetap menjaga keamanan pasokan, investasi di AI sektor energi sekarang akan jauh lebih murah dibanding biaya koreksi di masa depan.

Pertanyaannya bukan lagi “perlu AI atau tidak”, tapi seberapa cepat PLN, regulator, dan pelaku pasar berani memulai – dan bagaimana mereka memastikan desain pasar dan teknologinya tahan uji, sehingga kita tidak mengalami “versi Indonesia” dari kisruh US$280 juta di MISO.

---

Tertarik Membawa AI ke Operasi dan Perencanaan Energi Anda?

Kalau Anda IPP, pengelola kawasan industri, atau bagian dari tim perencanaan sistem di Indonesia dan ingin:

• Mengurangi risiko kesalahan perhitungan kapasitas.
• Meningkatkan akurasi forecast beban dan energi terbarukan.
• Menguji desain kontrak atau skema kapasitas dengan simulasi AI.

mulailah dari diskusi kecil dan pilot project yang terukur. Pengalaman di banyak negara menunjukkan, tim yang berani memulai lebih dulu biasanya yang paling diuntungkan ketika regulasi dan pasar mulai berubah.