AI & Thermal Storage: Pendingin Data Center yang Hemat Energi

AI & Thermal Energy Storage: Jalan Pintas Hemat Energi untuk Data Center Indonesia

Lonjakan trafik video, e-commerce, dan penggunaan model AI besar membuat konsumsi listrik data center dunia naik terus tiap tahun. Di beberapa negara, data center sudah menghabiskan lebih dari 1–2% konsumsi listrik nasional. Polanya sama di Indonesia: kebutuhan pusat data melonjak seiring ledakan ekonomi digital dan komputasi AI.

Masalahnya, hingga 40% konsumsi listrik data center habis hanya untuk pendinginan. Bukan untuk komputasinya. Jadi kalau kita bicara transisi energi dan efisiensi, bagian yang paling boros justru sistem cooling.

Di sinilah kombinasi AI + Reservoir Thermal Energy Storage (RTES) menarik banget. Analisis National Renewable Energy Laboratory (NREL) di AS menunjukkan bahwa sistem RTES bisa mengurangi konsumsi energi dan biaya pendinginan secara signifikan dalam simulasi 20 tahun operasional data center. Kalau ini dikawinkan dengan optimasi berbasis AI, hasilnya bisa jadi salah satu strategi paling masuk akal untuk mendukung transisi energi Indonesia, tanpa mengorbankan pertumbuhan ekonomi digital.

Artikel ini mengurai:

• Kenapa pendinginan data center jadi masalah besar untuk energi Indonesia
• Apa itu reservoir thermal energy storage dan bagaimana cara kerjanya
• Bagaimana AI mengoptimalkan sistem pendingin dan RTES secara real-time
• Mengapa pendekatan ini relevan untuk roadmap transisi energi Indonesia
• Langkah praktis untuk pelaku industri, utilitas, dan pembuat kebijakan

Pendinginan Data Center: Beban Tersembunyi di Sistem Energi

Pendinginan data center adalah salah satu beban listrik yang paling “sunyi” tapi dampaknya besar.

Fakta kunci:

• Di banyak desain data center, 30–40% konsumsi listrik digunakan untuk cooling.
• Beban puncak (peak load) sering terjadi siang hari, saat suhu lingkungan tinggi dan tarif listrik juga tinggi.
• Di Indonesia, puncak beban sistem listrik sering beririsan dengan jam kerja dan cuaca panas, sehingga data center ikut mendorong kebutuhan pembangkit fosil.

Untuk Indonesia yang ingin:

• menaikkan porsi EBT,
• mengurangi penggunaan PLTU batubara secara bertahap,
• dan menjaga keandalan sistem kelistrikan,

beban pendinginan data center yang tidak dikelola dengan cerdas akan selalu jadi “rem tangan” pada transisi energi.

Di mana peran AI dan penyimpanan energi termal?

• AI bisa mengoptimalkan kapan dan bagaimana sistem pendingin bekerja.
• Thermal storage seperti RTES bisa memindahkan beban pendinginan dari jam mahal/panas ke jam murah/dingin.
• Kombinasinya mengurangi puncak beban listrik, memotong biaya energi, dan membuka ruang lebih besar untuk integrasi energi terbarukan.

Apa Itu Reservoir Thermal Energy Storage (RTES)?

Reservoir Thermal Energy Storage pada dasarnya adalah “bank energi dingin” dalam skala besar.

Cara kerja sederhananya:

1. Saat listrik murah atau intensitas karbon rendah (misalnya malam hari atau saat pembangkit surya/angin sedang tinggi), sistem chiller membuat “energi dingin” dan menyimpannya di reservoir.
2. Energi dingin ini disimpan dalam media tertentu (misalnya air dingin dalam volume besar, atau material fase berubah/phase change material).
3. Saat siang hari, ketika beban tinggi dan tarif listrik mahal, data center menggunakan energi dingin dari reservoir untuk membantu atau menggantikan operasi chiller.

Hasilnya:

• Konsumsi listrik bergeser dari jam puncak ke jam off-peak.
• Biaya operasional total menurun.
• Sistem listrik nasional mendapat profil beban yang lebih rata (peak shaving).

Analisis NREL menunjukkan bahwa, dalam simulasi 20 tahun operasional:

• Sistem RTES dapat mengurangi konsumsi energi pendinginan secara signifikan.
• Total biaya kepemilikan (CAPEX + OPEX) bisa turun dibandingkan sistem pendinginan konvensional, terutama di lokasi dengan tarif waktu-pakai (time-of-use) atau intensitas karbon yang bervariasi.

Untuk konteks Indonesia yang mulai memperkenalkan skema tarif waktu pemakaian dan mendorong PLTS atap serta pembangkit EBT lain, RTES menjadi alat yang sangat relevan.

Kenapa RTES Cocok untuk Iklim Tropis Indonesia

Iklim tropis lembap seperti Indonesia seolah membuat cooling jadi “tak terhindarkan”. Tapi justru di situ kekuatan RTES:

• Perbedaan suhu malam dan siang masih cukup untuk memberi efisiensi tinggi pada chiller malam hari.
• Banyak data center berlokasi di kawasan industri atau gedung tinggi dengan ruang underground yang bisa dimanfaatkan untuk reservoir.
• Pertumbuhan kota baru dan kawasan ekonomi khusus memberi peluang memasukkan RTES sejak tahap desain, bukan hanya retrofit.

Dari sisi kebijakan, RTES membantu mencapai target efisiensi energi sektor bangunan dan industri yang sedang digenjot pemerintah.

Dimana AI Masuk? Otak yang Menggerakkan Sistem Pendingin Pintar

RTES adalah “otot” penyimpanan energi dingin. AI adalah otaknya. Tanpa AI, RTES tetap bermanfaat, tapi tidak mencapai potensi penuhnya.

1. Prediksi Beban & Cuaca

Model AI dapat:

• memprediksi beban komputasi data center (trafik aplikasi, batch AI training, backup, dsb),
• memprediksi suhu dan kelembapan udara beberapa jam hingga beberapa hari ke depan.

Dengan informasi ini, sistem bisa menjawab pertanyaan kunci secara otomatis:

• "Berapa banyak energi dingin yang harus saya simpan malam ini?"
• "Apakah besok akan panas sekali sehingga perlu charge RTES lebih besar?"
• "Kapan waktu terbaik menjalankan chiller dengan daya maksimum?"

2. Optimasi Operasional Real-Time

AI bisa mengatur:

• kapan chiller dinyalakan/dimatikan atau diatur kapasitasnya,
• kapan mengambil energi dingin dari reservoir,
• kapan memprioritaskan penggunaan listrik dari PLTS atap atau sumber EBT lain,
• kapan menyesuaikan setpoint suhu untuk menyeimbangkan efisiensi dan keandalan.

Pendekatan ini cocok untuk:

• Data center hyperscale milik operator besar,
• Data center edge di kota-kota tier-2 dan tier-3,
• bahkan fasilitas TI skala kampus, BUMN, atau lembaga pemerintah.

3. Manajemen Karbon & Biaya Sekaligus

Satu hal yang sering dilupakan: AI bisa mengoptimalkan dua target sekaligus:

• Minimasi biaya (menghindari jam tarif tinggi)
• Minimasi jejak karbon (menghindari jam ketika sistem listrik didominasi batubara)

Dengan memanfaatkan data intensitas karbon jam per jam dari sistem kelistrikan (atau model proyeksinya), AI dapat memilih:

• mengisi RTES saat intensitas karbon rendah (misalnya saat PLTS dan PLTA tinggi),
• menggunakan energi dingin RTES saat intensitas karbon tinggi.

Ini langkah praktis untuk mendukung target netral karbon jangka panjang tanpa menunggu seluruh pembangkit fosil berhenti beroperasi.

Relevansi untuk Transisi Energi Indonesia

Kalau kita kaitkan dengan seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”, kombinasi AI + RTES di data center mengisi celah yang sering terabaikan: infrastruktur digital sebagai beban besar di sistem energi.

Beberapa poin strategis untuk konteks Indonesia:

1. Pertumbuhan pusat data nasional & regional
   Indonesia diproyeksikan menjadi hub data center Asia Tenggara, didorong oleh regulasi data lokal dan pertumbuhan ekonomi digital. Tanpa efisiensi, beban listrik data center bisa menekan sistem kelistrikan dan memperlambat pensiun PLTU.

2. Integrasi EBT di sistem Jawa-Bali dan luar Jawa
   Data center yang memanfaatkan AI + RTES dapat bertindak sebagai beban fleksibel (flexible load): mereka bisa memindahkan konsumsi ke jam saat EBT melimpah, membantu mengurangi curtailment dan meningkatkan faktor kapasitas pembangkit bersih.

3. Konektivitas dengan smart grid
   Dalam skenario jangka menengah, data center bisa menjadi bagian dari smart grid Indonesia:

   • berkomunikasi dengan operator sistem (misalnya untuk demand response),
   • menyesuaikan strategi charging/discharging RTES berdasarkan kondisi jaringan,
   • bahkan menawarkan layanan fleksibilitas untuk menstabilkan frekuensi/beban.

4. Efisiensi energi sebagai "pembangkit virtual"
   Pengurangan konsumsi melalui pendinginan pintar setara dengan membangun pembangkit baru, tapi lebih murah dan lebih cepat. Pendekatan ini mendukung target efisiensi energi nasional tanpa infrastruktur berat tambahan.

Contoh Skenario: Data Center AI di Jabodetabek

Bayangkan sebuah data center besar di Jabodetabek yang mengoperasikan layanan cloud dan training model AI untuk perusahaan-perusahaan Indonesia.

Tanpa RTES + AI:

• Chiller bekerja keras pada siang hari ketika suhu tinggi dan beban TI besar.
• Tagihan listrik membengkak karena tarif puncak.
• Jejak karbon tinggi karena pada jam tersebut sistem listrik banyak memakai PLTU.

Dengan RTES + AI:

• Malam hari: AI melihat prediksi beban besok tinggi dan cuaca panas. Sistem menjalankan chiller dengan kapasitas tinggi untuk mengisi reservoir saat tarif murah dan intensitas karbon lebih rendah.
• Siang hari: Beban pendinginan utama dipenuhi dari energi dingin di reservoir, chiller hanya bekerja sebagai backup atau pada kapasitas minimal.
• Jika ada PLTS atap di fasilitas yang sama, AI mengatur agar charging tambahan RTES dilakukan saat produksi surya puncak.

Dampaknya dalam periode 20 tahun (mengacu pada jenis analisis seperti yang dilakukan NREL):

• Tagihan listrik pendinginan turun signifikan.
• Emisi CO₂ terkait operasi data center berkurang.
• Operator sistem mendapatkan profil beban yang lebih rata.

Ini bukan lagi sekadar efisiensi teknis. Ini strategi bisnis jangka panjang yang memperkuat posisi Indonesia sebagai basis data center hijau di kawasan.

Langkah Praktis untuk Pemain di Indonesia

Untuk Operator Data Center & Perusahaan Besar

1. Audit energi dan profil beban pendinginan

   • Pahami porsi energi untuk cooling, pola beban harian/musiman, dan biaya aktual.

2. Studi kelayakan RTES + AI

   • Simulasikan skenario 10–20 tahun dengan dan tanpa RTES.
   • Hitung penghematan OPEX vs tambahan CAPEX.

3. Bangun tim lintas disiplin

   • Gabungkan ahli HVAC, ahli energi, dan tim data/AI.
   • Desain arsitektur sistem yang memungkinkan data real-time dan kontrol otomatis.

4. Integrasi dengan strategi EBT perusahaan

   • Sinkronkan RTES dengan PLTS atap atau kontrak pembelian listrik hijau.

Untuk Utilitas & Pengelola Sistem Kelistrikan

• Kembangkan skema tarif dan program demand response yang memberi insentif untuk beban fleksibel seperti data center dengan RTES.
• Sediakan data intensitas karbon sistem secara periodik sebagai masukan untuk algoritma AI optimasi energi.

Untuk Regulator & Pemerintah

• Masukkan RTES dan optimasi AI sebagai bagian dari standar bangunan hijau dan regulasi efisiensi energi data center.
• Dorong pilot project di kawasan industri dan kota baru yang sedang dikembangkan.

Penutup: AI Bukan Hanya Konsumen Energi, Tapi Juga Penghemat Energi

Banyak orang melihat AI sebagai penyebab lonjakan konsumsi listrik. Pandangan itu ada benarnya, terutama untuk training model besar. Namun, kalau digunakan dengan benar, AI justru bisa menjadi alat yang sangat efektif untuk menghemat energi.

Analisis seperti yang dilakukan NREL pada reservoir thermal energy storage menunjukkan bahwa pendekatan penyimpanan energi termal untuk pendinginan data center itu bukan eksperimen futuristik. Ini solusi yang sudah bisa dirancang dan diterapkan saat ini, termasuk di Indonesia.

Untuk transisi energi Indonesia yang berkelanjutan, data center—termasuk yang menjalankan beban AI besar—perlu didesain sebagai warga kelas satu dalam sistem energi, bukan penumpang gelap. Kombinasi AI untuk optimasi energi + RTES untuk penyimpanan dingin memberi jalan yang realistis menuju data center yang hemat biaya, rendah emisi, dan siap menyokong ekonomi digital Indonesia dalam jangka panjang.