Belajar dari Proyek CCS Thailand untuk Transisi Energi RI

Thailand Jalankan CCS Skala Juta Ton – Indonesia Jangan Hanya Menonton

Satu juta ton CO₂ per tahun. Itu kapasitas penyerapan emisi yang ditargetkan proyek carbon capture and storage (CCS) Arthit di Teluk Thailand, ketika sudah beroperasi penuh. Proyek ini baru saja masuk tahap rekayasa rinci yang digarap Technip Energies, melanjutkan peran mereka sejak tahap pre-FEED dan FEED pada 2022–2023.

Kenapa ini relevan buat Indonesia? Karena kondisi Thailand dan Indonesia mirip: sama-sama negara ASEAN dengan bauran energi yang masih didominasi fosil, tapi punya target penurunan emisi yang makin ketat sampai 2030 dan 2060. Kalau Thailand sudah menjalankan proyek CCS nasional yang terintegrasi dengan kebijakan NDC (Nationally Determined Contribution), Indonesia tidak bisa hanya berdiskusi di level konsep.

Di seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” ini, saya melihat proyek CCS Arthit bukan sekadar berita luar negeri, tapi cermin: seperti apa desain proyek CCS modern, di mana posisi AI di dalamnya, dan apa yang bisa langsung diadaptasi untuk Indonesia.

---

Apa yang Menarik dari Proyek CCS Arthit di Thailand?

Jawabannya: ini proyek CCS nasional pertama Thailand yang terhubung langsung dengan lapangan gas eksisting dan kebijakan iklim negara.

Beberapa poin kunci dari proyek Arthit CCS:

• Operator utama: PTTEP (perusahaan migas nasional Thailand)
• Lokasi: Lapangan gas Arthit, Teluk Thailand
• Peran Technip Energies:
  • Pre-FEED dan FEED (2022–2023)
  • Kini berlanjut ke detailed engineering untuk:
    • Unit pengolahan CCS baru
    • Fasilitas injeksi CO₂
    • Upgrade brownfield di central processing platform Arthit
• Kapasitas target: sekitar 1 juta ton CO₂ per tahun ketika penuh beroperasi
• Kebijakan: Diakui sebagai proyek landmark dalam Nationally Determined Contribution Action Plan on Mitigation 2021–2030 Thailand
• Konsep utama: Memanfaatkan infrastruktur eksisting di lapangan gas, lalu menambah fasilitas CCS sesuai kebutuhan

Ini persis pola yang sangat relevan untuk Indonesia: memanfaatkan lapangan migas yang sudah ada, meminimalkan investasi infrastruktur baru, dan menjadikan CCS sebagai jembatan transisi dari sistem energi berbasis fosil ke sistem energi rendah karbon.

CCS bukan pengganti energi terbarukan, tapi jembatan yang membuat transisi berjalan lebih aman bagi sistem energi dan ekonomi nasional.

---

CCS sebagai Teknologi Jembatan di Transisi Energi Indonesia

Kalau kita realistis, Indonesia tidak bisa mematikan PLTU dan lapangan gas besok pagi. Permintaan listrik dan energi industri terlalu besar, sementara kapasitas energi terbarukan dan jaringan masih berproses.

Di titik inilah CCS menjadi teknologi jembatan:

1. Menahan emisi dari aset eksisting

   • PLTU, kilang, pabrik semen, dan lapangan gas bisa tetap beroperasi sambil menurunkan jejak karbon.
   • Ini mengurangi risiko ekonomi dari stranded assets.

2. Memberi ruang waktu untuk membangun EBT

   • Sambil PLTS, PLTB, dan PLTA skala besar dikejar, CCS menahan kenaikan emisi.

3. Mendukung target NDC dan NZE 2060

   • Tanpa CCS, grafik penurunan emisi Indonesia akan jauh lebih curam dan mahal.

4. Membuka peluang carbon management industry

   • Jasa penangkapan, transportasi, dan penyimpanan CO₂ bisa jadi bisnis baru, bukan sekadar biaya.

Thailand sudah memasukkan Arthit CCS sebagai bagian resmi strategi mitigasi 2021–2030. Indonesia sebetulnya bergerak ke arah yang sama dengan pembahasan CCS/CCUS di RUPTL, RAN-GRK, dan peta jalan NZE. Bedanya, Thailand sekarang sudah punya proyek nyata dengan kapasitas juta ton per tahun di pipeline.

The reality? Indonesia butuh contoh konkret seperti Arthit untuk mengakselerasi eksekusi, bukan hanya studi.

---

Di Mana Peran AI di Proyek CCS Modern?

AI bukan sekadar buzzword di CCS. Di proyek skala besar seperti Arthit, AI berfungsi sebagai otak yang mengawasi dan mengoptimalkan seluruh rantai CCS: dari penangkapan, kompresi, transportasi, sampai injeksi dan pemantauan penyimpanan.

1. Perencanaan & Desain: AI untuk Simulasi dan Optimasi

Pada fase pre-FEED dan FEED seperti yang dikerjakan Technip Energies, AI dapat:

• Menganalisis ratusan skenario desain: konfigurasi unit penangkap CO₂, ukuran pipa, tekanan optimal, dll.
• Mengoptimalkan CAPEX & OPEX:
  • Memilih titik injeksi dengan kombinasi paling aman dan ekonomis.
  • Mengurangi overdesign yang sering membuat proyek CCS terasa terlalu mahal.
• Memetakan risiko geologis dengan mengolah data seismik dan logging jauh lebih cepat dibanding metode manual.

Di konteks Indonesia, ini bisa dipakai untuk studi CCS di lapangan-lapangan besar seperti:

• Lapangan migas matang di Jawa dan Sumatra
• Lapangan gas offshore di Natuna dan Makassar Strait

Dengan AI, proses analisis yang biasanya makan waktu berbulan-bulan bisa dipangkas drastis.

2. Operasi Harian: Monitoring Real-Time Berbasis AI

Begitu proyek berjalan, tantangan utama CCS adalah: apakah CO₂ benar-benar tersimpan aman di bawah tanah? Di sini AI melakukan beberapa hal penting:

• Deteksi anomali tekanan dan aliran di sumur injeksi secara real-time.
• Peringatan dini kalau ada indikasi kebocoran atau well integrity issue.
• Optimasi energi untuk kompresi dan injeksi CO₂, sehingga konsumsi listrik dan bahan bakar lebih rendah.

Contoh praktis:

• Model machine learning memprediksi pola penurunan tekanan reservoir dan menyesuaikan laju injeksi supaya tidak melebihi batas aman.
• Sistem AI memprioritaskan pompa dan kompresor mana yang dijalankan untuk meminimalkan konsumsi energi per ton CO₂ yang ditangkap.

3. Predictive Maintenance: Mengurangi Downtime Mahal

Di fasilitas kompleks seperti central processing platform Arthit, kerusakan satu kompresor kritis bisa menghentikan proses injeksi CO₂ dan mengganggu target pengurangan emisi.

AI bantu melalui:

• Prediksi kegagalan peralatan berdasarkan pola getaran, suhu, dan histori operasi.
• Penjadwalan perawatan yang lebih presisi, bukan hanya berbasis jam operasi.
• Pengurangan downtime tak terencana, yang otomatis menurunkan biaya per ton CO₂ yang disimpan.

Pengalaman saya melihat implementasi di industri migas: predictive maintenance yang matang bisa menurunkan unplanned downtime 20–40%. Angka ini, kalau diterapkan ke CCS, akan sangat terasa di biaya operasi.

4. Pelaporan & Transparansi Emisi

CCS akan mendapat sorotan publik. Data harus rapi dan transparan:

• AI dapat mengotomatiskan pelaporan emisi dan kinerja penangkapan CO₂ ke regulator.
• Data dari sensor lapangan hingga model reservoir bisa diringkas menjadi dashboard emisi yang mudah dibaca manajemen.

Ini penting kalau Indonesia ingin menarik pendanaan iklim internasional dan kredit karbon dari proyek CCS.

---

Pelajaran untuk Indonesia: Dari Arthit ke Aset Migas & PLTU Kita

Most companies get this wrong: mereka melihat CCS hanya sebagai proyek teknik, bukan sebagai sistem yang harus data-driven dan siap diintegrasikan dengan AI sejak awal.

Dari contoh Arthit dan tren global CCS, ada beberapa langkah konkret yang menurut saya relevan untuk Indonesia:

1. Mulai dari brownfield seperti Thailand

Arthit memanfaatkan infrastruktur eksisting di lapangan gas, lalu melakukan brownfield upgrade. Pendekatan serupa sangat cocok bagi Indonesia:

• Lapangan migas mature di laut Jawa, Sumatra, dan Kalimantan
• Infrastruktur pipa dan platform lepas pantai yang masih layak pakai

Pendekatan ini:

• Mempercepat waktu start-up proyek
• Menekan investasi awal
• Memudahkan business case CCS untuk diterima pemegang saham

2. Rancang Proyek CCS dengan “AI-Ready Architecture”

Daripada menambal AI di belakang, jauh lebih efektif kalau sejak tahap FEED dan detailed engineering sudah ada requirement:

• Semua peralatan kritis dilengkapi sensor yang cukup kaya data
• Data historian dan data pipeline disiapkan dari awal
• Platform SCADA/DCS yang terbuka untuk integrasi AI (bukan silo tertutup)

Dengan begitu, ketika perusahaan mulai menerapkan model AI untuk optimasi dan predictive maintenance, datanya sudah siap dan tidak perlu retrofit besar-besaran.

3. Integrasi CCS dengan Sistem Energi Nasional

Proyek seperti Arthit bukan hanya soal menyimpan CO₂ di satu titik. Ke depan, Indonesia perlu melihat:

• Konektivitas dengan jaringan listrik:
  • Apakah energi untuk kompresi CO₂ bisa dipasok dari EBT lokal?
  • Bisakah AI mengatur operasi CCS mengikuti profil beban dan output PLTS/PLTB agar emisi sistem turun maksimal?
• Konektivitas dengan klaster industri:
  • Satu hub CCS melayani beberapa pabrik/pembangkit di satu kawasan.

AI berperan mengoptimalkan dispatch energi dan alokasi kapasitas CCS lintas fasilitas.

4. Bangun Kapasitas SDM: Data, AI, dan Subsurface Jalan Bareng

Thailand mengandalkan pemain global seperti Technip Energies untuk memastikan aspek teknik berjalan kuat. Indonesia juga butuh hal serupa, tapi jangan berhenti di situ.

Perusahaan energi Indonesia perlu:

• Mengembangkan tim lintas disiplin: geoscientist, process engineer, data scientist, dan AI engineer dalam satu squad CCS.
• Menyiapkan program upskilling internal di:
  • Pemodelan reservoir untuk CCS
  • Data engineering dan machine learning untuk industri energi

Tanpa fondasi SDM yang paham data dan subsurface sekaligus, manfaat AI di CCS hanya akan setengah jalan.

---

Langkah Praktis: Dari Insight ke Aksi di Indonesia

Kalau Anda berada di perusahaan migas, listrik, atau industri berat di Indonesia, berikut beberapa langkah yang realistis untuk 6–18 bulan ke depan:

1. Identifikasi aset kandidat CCS

   • Pilih 1–2 lapangan migas/PLTU/pabrik dengan emisi besar dan lokasi dekat potensi storage.

2. Mulai studi konseptual CCS dengan komponen AI sejak awal

   • Minta tim atau konsultan memasukkan scope data & AI: kebutuhan sensor, data lake, dan use case AI prioritas.

3. Bangun pilot monitoring berbasis AI

   • Walau proyek CCS penuh belum jalan, mulai dari predictive maintenance dan optimasi energi di fasilitas eksisting.
   • Ini langsung menurunkan biaya dan jadi bukti bahwa investasi AI masuk akal.

4. Selaraskan dengan kebijakan nasional dan carbon market

   • Pastikan proyek selaras dengan target NDC Indonesia dan peta jalan NZE, sehingga berpeluang mendapat dukungan pembiayaan.

5. Siapkan narasi komunikasi publik

   • CCS sering dikritik sebagai cara “melegitimasi” fosil. Transparansi data dan kinerja, yang didukung sistem AI, adalah cara terbaik menjawab kritik.

---

Menatap 2030: CCS + AI Sebagai Kombinasi Rasional untuk Indonesia

Proyek Arthit di Thailand menunjukkan bahwa CCS skala juta ton bukan fantasi, tapi kenyataan yang sedang dibangun di kawasan kita sendiri. Bedanya, mereka sudah memposisikan proyek ini sebagai landmark nasional dalam jalur dekarbonisasi.

Untuk Indonesia, kombinasi CCS + AI adalah pendekatan rasional:

• CCS menjaga agar aset energi eksisting tetap bernilai sambil menekan emisi.
• AI memastikan proyek CCS berjalan efisien, aman, dan terukur, dari perencanaan hingga operasi.
• Integrasi keduanya mempercepat tercapainya target transisi energi tanpa mengguncang keandalan pasokan.

Kalau Indonesia ingin transisi energi yang berkelanjutan dan terukur, pertanyaannya bukan lagi “perlu CCS atau tidak?” tapi “proyek CCS mana yang akan jadi Arthit-nya Indonesia, dan seberapa siap kita menanamkan AI di dalamnya sejak hari pertama?”