Bus Hidrogen Sering Gagal: AI Bisa Cegah Salah Arah

Pada banyak kota, bus listrik baterai (battery electric bus/BEB) sudah jadi “pekerja harian” yang stabil: jalan, ngecas, jalan lagi. Tapi proyek bus hidrogen berulang kali tersandung—mulai dari operasional yang tersendat sampai program yang bubar. Polanya makin terasa jelas: ini bukan sekadar isu “ada yang main kotor” atau “pasti ada suap”. Yang lebih sering terjadi adalah sistem pengambilan keputusan dan desain programnya yang rapuh.

Gagasan bus hidrogen memang terdengar rapi di atas kertas: isi bahan bakar cepat, jarak tempuh jauh, emisi knalpot nol. Masalahnya, realitas di lapangan itu kejam: rantai pasok hidrogen rumit, infrastruktur mahal, dan pengoperasian jauh lebih sensitif terhadap kualitas perencanaan. Kalau perencanaannya keliru, proyeknya tampak “aneh” dari luar—dan mudah sekali dituduh macam-macam.

Di seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”, saya melihat satu benang merah: teknologi energi bersih sering gagal bukan karena idenya jelek, tapi karena integrasi sistemnya lemah. Kabar baiknya, di sinilah AI (kecerdasan buatan) bisa jadi penyangga: membantu pemda, operator transportasi, dan perusahaan energi memilih skenario yang masuk akal, menghitung risiko operasional, serta mengunci rute elektrifikasi yang paling hemat.

Bus hidrogen sering gagal karena sistemnya tidak siap

Jawaban langsungnya: bus hidrogen memerlukan ekosistem yang jauh lebih kompleks daripada bus listrik baterai, dan kompleksitas itu menciptakan banyak titik gagal.

Kalau sebuah kota membeli BEB, kebutuhan utamanya biasanya: armada, depot charging, upgrade daya, jadwal pengisian, dan manajemen baterai. Itu pun bukan pekerjaan ringan, tapi komponennya relatif standar dan vendor-nya semakin banyak.

Bus hidrogen? Anda masuk ke dunia lain: produksi/pengadaan H₂, kompresi, penyimpanan bertekanan tinggi, stasiun pengisian, prosedur keselamatan, kualitas pasokan, serta kontrak layanan yang biasanya lebih rumit. Setiap mata rantai adalah sumber risiko.

“Bukan suap” sering kali artinya: desain kebijakan yang menipu diri sendiri

Banyak pengamat menilai kegagalan proyek hidrogen sebagai tanda ada “permainan”. Padahal penjelasan yang lebih sering benar adalah: insentif dan KPI programnya salah, sehingga proyek didorong untuk “tampak hijau” di proposal, bukan “tahan banting” di operasi.

Contoh pola yang sering terjadi:

• Pengadaan mengejar headline (misal: “armada hidrogen pertama”) ketimbang target layanan (ketepatan waktu, biaya per km, ketersediaan armada).
• Evaluasi menitikberatkan pada emisi knalpot, tapi mengabaikan emisi rantai pasok energi (well-to-wheel).
• Pilot project tidak disertai rencana suku cadang, kontrak ketersediaan, dan pelatihan teknisi yang memadai.

Kalau parameter suksesnya kabur, kegagalan tampak “tidak masuk akal”. Padahal akarnya sangat masuk akal: sistem pengambilan keputusan tidak memodelkan realitas.

Realitas biaya dan energi: hidrogen itu mahal untuk mobilitas kota

Jawaban langsungnya: untuk bus perkotaan, hidrogen biasanya kalah efisien energi dibanding BEB, sehingga biaya operasional lebih mudah membengkak.

Secara sederhana, rantai energi hidrogen untuk transportasi (listrik → elektrolisis → kompresi/penyimpanan → fuel cell → listrik ke motor) memiliki rugi-rugi berlapis. Sementara BEB umumnya (listrik → baterai → motor) lebih ringkas.

Akibatnya, saat harga listrik naik atau pasokan hidrogen tidak stabil, proyek hidrogen lebih rentan “kaget biaya”. Ini penting untuk Indonesia karena banyak pemda dan operator bekerja dengan ruang fiskal terbatas, sementara ekspektasi layanan publik tetap tinggi.

Infrastruktur: satu stasiun pengisian bisa jadi “single point of failure”

Pada BEB, Anda bisa menyebar charger di depot atau titik tertentu, dan kalau satu charger rusak, armada masih bisa diatur ulang.

Pada bus hidrogen, sering kali satu stasiun pengisian menjadi titik kritis. Ketika stasiun bermasalah (kompresor, pasokan, izin keselamatan), armada langsung berhenti beroperasi. Dari sisi manajemen risiko, ini mengerikan.

Perkotaan Indonesia: pola rute justru cocoknya BEB

Banyak rute bus kota di Indonesia punya karakter:

• jarak tempuh harian yang dapat diprediksi,
• kembali ke depo di malam hari,
• kemacetan yang membuat regenerative braking BEB makin menguntungkan,
• kebutuhan reliabilitas tinggi pada jam puncak.

Ini cenderung menguntungkan bus listrik baterai. Hidrogen baru mulai masuk akal pada skenario tertentu: jarak sangat jauh, duty cycle berat, atau operasi yang sulit melakukan charging lama—dan itu pun harus dibuktikan lewat data.

Kalau proyek energi bersih sering “melenceng”, AI biasanya menemukan penyebabnya

Jawaban langsungnya: AI membantu memaksa keputusan berbasis data, bukan asumsi atau tren.

Saya sering melihat program teknologi bersih berjalan seperti ini: target politis dulu, solusi dipilih belakangan, baru kemudian data dicari untuk membenarkan keputusan. AI membalik urutannya: mulai dari data operasi, lalu menyusun opsi yang realistis.

1) Prediksi permintaan energi dan beban charging depot

Untuk BEB, tantangan umumnya bukan “bisa atau tidak”, tapi “bagaimana supaya grid dan operasi depo tidak kacau”. Di sinilah AI relevan untuk perusahaan energi dan operator transportasi:

• Prediksi permintaan (load forecasting) per depo berdasarkan jadwal, cuaca, pola penumpang, dan kondisi lalu lintas.
• Optimasi jadwal pengisian agar tidak memicu puncak beban (peak) dan mengurangi biaya demand charge.
• Deteksi anomali pada peralatan charging untuk mencegah downtime.

Hasil akhirnya sederhana: armada siap jalan, biaya listrik lebih terkendali, dan kebutuhan upgrade jaringan lebih terencana.

2) Optimasi rute dan ukuran armada berbasis data nyata

AI dapat mensimulasikan rute, topografi, kemacetan, dan headway untuk menjawab pertanyaan yang sering disepelekan:

• Rute mana yang paling “siap” dielektrifikasi lebih dulu?
• Berapa unit bus yang dibutuhkan agar jadwal tetap rapat ketika charging terjadwal?
• Apakah perlu opportunity charging di halte tertentu atau cukup depot charging?

Pada proyek hidrogen, pertanyaan serupa ada—bedanya, variabelnya lebih banyak dan data pasoknya sering tidak stabil. AI bisa membantu, tapi itu artinya Anda harus jujur dengan input data. Kalau datanya “optimistis”, hasil AI pun ikut menyesatkan.

3) Model biaya total (TCO) yang tidak gampang dibohongi

Banyak keputusan salah lahir dari perbandingan biaya yang tidak setara. AI/ML bukan kalkulator ajaib, tapi sangat kuat untuk:

• membangun Total Cost of Ownership (TCO) per km: energi, perawatan, ban, downtime, suku cadang, pelatihan, dan risiko pasokan.
• menjalankan ribuan skenario: harga listrik, harga H₂, faktor kapasitas, dan pertumbuhan permintaan.
• mengukur dampak “kejadian langka tapi mahal” (misal: stasiun H₂ downtime seminggu).

Kalau TCO dibuat transparan, banyak proyek yang dari awal tampak “aneh” akan terlihat: bukan korupsi, tapi keputusan yang dipaksa masuk ke angka yang tidak realistis.

Kalimat yang perlu ditempel di ruang rapat: “Teknologi boleh baru, tapi layanan publik tidak boleh ikut-ikutan coba-coba.”

Pelajaran untuk Indonesia: jangan ulangi pola yang sama

Jawaban langsungnya: Indonesia butuh tata kelola data dan evaluasi yang disiplin sebelum memilih hidrogen untuk bus kota.

Akhir 2025, narasi transisi energi di Indonesia makin menuntut bukti yang konkret: biaya yang turun, emisi yang benar-benar berkurang, dan layanan publik yang membaik. Dalam konteks itu, saya mengambil posisi tegas: untuk transportasi bus perkotaan, default-nya adalah bus listrik baterai sampai ada bukti kuat bahwa hidrogen memberikan keuntungan bersih.

Checklist keputusan: BEB vs hidrogen (praktis, bukan teoritis)

Sebelum belanja armada, minta tim Anda menjawab ini dengan data:

1. Ketersediaan energi: apakah depot punya pasokan listrik memadai atau rencana upgrade jelas? Jika tidak, apakah solusi manajemen beban dengan AI bisa menghindari upgrade besar?
2. Risiko infrastruktur: apakah proyek bergantung pada satu fasilitas kritis (stasiun H₂ atau trafo utama)? Apa rencana redundansinya?
3. Biaya per km: bukan harga busnya saja. Masukkan downtime, suku cadang, dan harga energi dalam 10–12 tahun.
4. Kesiapan SDM: teknisi, prosedur keselamatan, dan kontrak layanan. Siapa yang bertanggung jawab jika armada berhenti?
5. Integrasi dengan energi terbarukan: apakah charging bisa diselaraskan dengan surplus PLTS siang hari, atau memanfaatkan time-of-use? AI sangat membantu di sini.

Peran perusahaan energi: smart metering dan demand response untuk depo bus

Kalau targetnya leads dari sektor energi, ini titik yang paling praktis: depo bus adalah pelanggan besar dengan pola beban yang bisa diprediksi.

Dengan smart metering, utilitas bisa melihat profil beban detail dan menawarkan skema:

• tarif berbasis waktu,
• demand response untuk menggeser charging,
• peringatan dini ketika beban mendekati batas kontrak daya.

AI kemudian menjadi “otak” yang mengatur keputusan operasional harian, bukan sekadar laporan bulanan.

“People also ask” versi lapangan: pertanyaan yang selalu muncul

Apakah bus hidrogen pasti buruk? Tidak. Untuk konteks tertentu (jarak jauh, operasi berat, atau lokasi yang sangat sulit listriknya), hidrogen bisa relevan. Tapi untuk bus kota, beban pembuktiannya tinggi.

Kalau BEB sudah bagus, kenapa masih ada yang memilih hidrogen? Karena faktor non-teknis: target politis, preferensi vendor, kekhawatiran waktu pengisian, atau asumsi jarak tempuh. Tanpa model data yang disiplin, asumsi-asumsi ini mudah menang.

Apa kontribusi AI paling nyata dalam transisi energi transportasi? Tiga hal: prediksi beban, optimasi charging, dan TCO berbasis skenario. Ini yang langsung menekan biaya dan meningkatkan keandalan.

Langkah berikutnya: jadikan data sebagai “rem tangan” sebelum belanja

Bus hidrogen yang gagal sering terlihat seperti cerita gelap: uang besar, hasil kecil. Saya percaya sebagian besar kasusnya lebih membosankan—dan justru itu masalahnya. Sistemnya tidak dibangun untuk menangani kompleksitas, sehingga kegagalan jadi berulang dan dapat diprediksi.

Kalau Indonesia ingin transisi energi yang tidak bikin kapok, kita perlu kebiasaan baru: wajibkan pemodelan operasi dan energi sebelum pengadaan, dan jadikan AI sebagai alat audit realitas—untuk operator transportasi, pemda, dan perusahaan energi.

Pertanyaannya sekarang bukan “hidrogen atau baterai” sebagai slogan. Pertanyaannya: apakah keputusan kita ditopang data operasional yang jujur, dan apakah sistem energinya siap mengikuti?