Mengapa Hidrogen Kalah & Peran AI di Transisi Energi

Di 2025, sekitar 36% proyek dan perusahaan transportasi hidrogen yang masih aktif di awal tahun dinyatakan berhenti, bangkrut, atau diam-diam diparkir. Bukan satu dua demo kecil, tapi puluhan inisiatif dari Eropa, Amerika Utara, sampai Asia.

Buat sektor energi Indonesia yang lagi serius bicara kendaraan listrik, biodiesel, dan hidrogen, angka ini bukan sekadar gosip industri. Ini sinyal keras: kita sering kalah bukan karena teknologinya rusak, tapi karena perencanaannya lemah dan datanya diabaikan. Di sinilah AI harus mulai masuk ke ruang rapat, bukan cuma ke laboratorium.

Artikel ini mengurai kegagalan transportasi hidrogen seperti proyek HyHaul di Inggris dan pasar truk berat di Tiongkok, lalu menarik pelajaran praktis untuk transisi energi Indonesia—terutama bagaimana AI bisa membantu menghindari salah arah investasi infrastruktur dan mempercepat integrasi solusi yang memang layak, seperti kendaraan listrik baterai dan optimasi jaringan listrik.

1. Pola Kegagalan Transportasi Hidrogen: Bukan Kebetulan

Intinya begini: sebagian besar proyek transportasi hidrogen gagal bukan karena truk atau bus hidrogennya tidak bisa jalan, tapi karena tidak pernah ketemu model bisnis yang masuk akal.

Beberapa pola yang berulang:

• Infrastruktur pengisian hidrogen mahal dan berisiko
• Operator armada enggan komit tanpa kepastian harga dan ketersediaan bahan bakar
• Investor infrastruktur menunggu kontrak operator armada sebelum berinvestasi
• Pemerintah memberi subsidi, tapi berhenti ketika target komersial tidak tercapai

Proyek HyHaul di Inggris adalah contoh jelas. Di atas kertas, ia adalah koridor logistik hidrogen pertama: ada dana publik, rencana stasiun pengisian, dan rencana truk sel bahan bakar. Di lapangan:

• Operator logistik tidak menandatangani komitmen jangka panjang
• Stasiun pengisian tidak mencapai keputusan investasi final
• Truk lebih banyak muncul di presentasi daripada di jalan

Hasil akhirnya bukan ledakan dramatis, tapi mati pelan-pelan: pendanaan berhenti, program dihentikan, dan semua bergeser ke prioritas lain.

Proyeknya tidak gagal secara teknis. Ia gagal secara komersial dan struktural.

Ini cocok dengan data: dari 171 firm dan proyek hidrogen transportasi yang dipantau, attrition rate sudah mencapai 36% di akhir 2025, dan banyak yang tersisa berada dalam tekanan finansial berat.

2. Mengapa Hidrogen Kalah dari Baterai? Faktor Fisika & Pasar

Kalau disederhanakan, baterai menang karena langsung memakai listrik; hidrogen kalah karena memutar terlalu banyak langkah.

2.1 Rantai energi hidrogen yang boros

Untuk satu kilometer perjalanan:

1. Listrik dipakai memproduksi hidrogen (elektrolisis)
2. Hidrogen dikompresi atau dicairkan
3. Hidrogen diangkut dan disimpan
4. Hidrogen mengisi tangki kendaraan lalu diubah lagi menjadi listrik dalam fuel cell

Setiap langkah membuang energi dan menambah biaya. Sebaliknya, kendaraan listrik baterai (BEV):

• Menerima listrik langsung dari jaringan
• Disimpan di baterai
• Dipakai motor listrik

Hasilnya jelas di biaya operasional: BEV mengalahkan hidrogen di hampir semua segmen di mana keduanya sama-sama bisa beroperasi.

2.2 Contoh keras dari Tiongkok: pasar nyata, bukan demo

Pasar truk berat Tiongkok sering jadi “stress test” teknologi. Kompetitif, volumenya besar, dan sensitif biaya. Di 2025:

• Penjualan truk berat listrik baterai melonjak di segmen urban freight, tambang, pelabuhan, dan mulai masuk regional haul
• Penjualan truk hidrogen justru turun, meski masih ada insentif dan program pilot

Operator yang bebas memilih, memilih BEV karena:

• Biaya energi per km lebih rendah
• Infrastruktur (charging & battery swapping) tumbuh cepat, memanfaatkan jaringan listrik yang memang sudah ada
• Operasi lebih sederhana dan andal

Narasi lama “baterai tidak mungkin untuk truk berat, bus jarak jauh, atau peralatan pelabuhan” runtuh ketika data nyata masuk.

2.3 Risiko iklim: kebocoran hidrogen

Ada satu masalah lain yang sering diabaikan: hidrogen gampang bocor. Sebagai molekul paling kecil, ia mudah lolos dari sambungan, seal, dan pipa.

Penelitian menunjukkan bahwa kebocoran hidrogen bisa memberi dampak pemanasan tak langsung sekitar 33–37 kali CO₂ pada horizon 20 tahun, karena memperpanjang umur metana dan membentuk ozon troposfer.

Artinya, infrastruktur hidrogen terdistribusi (seperti jaringan SPBU hidrogen) harus sangat ketat kebocorannya agar benar-benar punya manfaat iklim. Itu menambah lagi kompleksitas dan biaya.

3. Apa Hubungannya dengan Indonesia? Banyak.

Indonesia sedang menyusun arah transisi energi:

• Target NDC dan Net Zero
• Program kendaraan listrik dan elektrifikasi transportasi publik
• Diskusi hidrogen hijau, terutama untuk industri dan mungkin transportasi berat

Pelajaran dari HyHaul, Eropa, dan Tiongkok jelas: kalau kita meng-copy-paste narasi hidrogen transportasi tanpa analisis data yang jernih, kita berisiko menghabiskan triliunan rupiah untuk koridor yang sepi kendaraan.

Beberapa risiko spesifik untuk konteks Indonesia:

• Infrastruktur SPBU hidrogen di tol yang dibangun duluan tanpa kepastian volume truk
• Skema KPBU yang terlihat menarik di proposal, tapi tidak bankable ketika model permintaan diuji
• Proyek showcase yang ramai di media, kosong di excel

Padahal, kita sudah punya kebutuhan mendesak lain:

• Penguatan jaringan listrik (grid) untuk integrasi PLTS dan PLTB
• Ekspansi charging kendaraan listrik di kota-kota besar dan jalur logistik utama
• Digitalisasi sistem distribusi dan transmisi (smart grid, smart metering)

Ini semua adalah area di mana AI punya peran konkret dan langsung terasa, jauh lebih relevan dibanding memaksa hidrogen masuk ke segmen transportasi yang sudah jelas lebih cocok untuk baterai.

4. Di Mana AI Bisa Mencegah Kegagalan ala HyHaul?

Kalau HyHaul dan proyek sejenis sejak awal memakai pendekatan perencanaan berbasis AI dan data, banyak jebakan bisa terlihat lebih dini. Hal yang sama sangat relevan untuk Indonesia.

4.1 Prediksi permintaan yang realistis

Banyak studi kelayakan hidrogen memakai asumsi top-down: “sekian persen truk akan beralih ke hidrogen pada tahun X”. AI menawarkan pendekatan bottom-up:

• Mengolah data riil rute logistik, muatan, pola operasi armada
• Mengintegrasikan data harga listrik, harga hidrogen, biaya infrastruktur
• Mensimulasikan skenario adopsi: BEV vs hidrogen vs biodiesel

Dengan model machine learning dan simulasi skenario, pemerintah dan investor bisa melihat:

• Di koridor mana BEV sudah menang telak
• Di segmen mana hidrogen bahkan tidak masuk 3 besar opsi
• Di mana justru elektrifikasi langsung plus sedikit biofuel sudah cukup

Outputnya bukan brosur, tapi angka konkret: berapa stasiun, berapa truk, berapa rupiah per km, dan break-even year.

4.2 Optimasi lokasi infrastruktur

Salah satu masalah klasik hidrogen adalah chicken-and-egg: infrastruktur menunggu kendaraan, kendaraan menunggu infrastruktur.

AI bisa membantu memotong lingkaran ini, misalnya untuk charging BEV dan—kalau tetap ingin eksperimen—sedikit hidrogen di lokasi yang sangat spesifik:

• Menggabungkan data GIS, kepadatan lalu lintas, pola logistik, kapasitas jaringan listrik lokal
• Mengoptimasi lokasi stasiun pengisian atau charging hub supaya utilisasi tinggi sejak awal
• Mengidentifikasi titik di mana upgrade jaringan listrik paling efisien untuk mendukung kendaraan listrik

Pendekatan ini jauh lebih rasional dibanding membangun SPBU hidrogen di rest area hanya karena ada tanah dan anggaran.

4.3 Evaluasi risiko finansial dan kebijakan

Banyak proyek bersih tampak cantik di pitch deck, tapi rapuh terhadap perubahan kecil: harga listrik naik 15%, permintaan turun 20%, atau satu regulasi terlambat dua tahun.

AI bisa dipakai untuk:

• Stress test model bisnis dengan ribuan skenario otomatis
• Mengukur sensitivitas IRR terhadap variabel utama (harga energi, tarif tol, kebijakan pajak karbon)
• Memberi skor risiko kebijakan dan pasar untuk tiap jenis teknologi

Untuk pemerintah, ini berarti subsidi bisa diarahkan ke teknologi dengan rasio manfaat-biaya terbaik. Untuk BUMN dan swasta, ini mengurangi peluang masuk ke “jebakan HyHaul”.

5. Aplikasi Praktis AI di Transisi Energi Indonesia

Supaya tidak abstrak, berikut beberapa contoh konkret di konteks “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”:

5.1 Optimasi jaringan listrik untuk kendaraan listrik

Elektrifikasi transportasi berarti beban baru pada jaringan listrik. AI bisa:

• Memprediksi lokasi dan jam puncak pengisian baterai kendaraan listrik
• Mengoptimasi operasi pembangkit dan storage (PLTS + baterai) untuk mengurangi beban puncak
• Mengatur smart charging agar pengisian bergeser ke jam beban rendah atau jam produksi surya tinggi

Ini membuat integrasi kendaraan listrik jauh lebih mulus tanpa harus menambah pembangkit fosil.

5.2 Perencanaan ekosistem logistik listrik

Untuk pelabuhan, kawasan industri, atau tambang, AI bisa menyusun roadmap elektrifikasi yang realistis:

• Mengklasifikasi rute dan duty cycle yang siap dialihkan ke truk/bus listrik
• Mengkalkulasi penghematan emisi dan biaya operasional
• Mengatur tahapan investasi: mulai dari pilot yang benar-benar scalable, bukan sekadar demo satu unit truk untuk foto bersama

5.3 Prioritas pemakaian hidrogen yang masuk akal

Bukan berarti hidrogen tidak punya tempat. Justru, AI bisa membantu memfokuskan hidrogen ke segmen yang memang membutuhkan sifat kimianya, misalnya:

• Industri pupuk, petrokimia, dan baja
• Aplikasi industri yang sulit dialiri listrik langsung

Model optimasi sistem energi tingkat nasional bisa menunjukkan bahwa tugas pertama hidrogen di Indonesia adalah mengganti hidrogen fosil di industri, bukan memaksa masuk ke truk dan bus yang sudah sangat cocok dielektrifikasi.

6. Menghindari “Narasi”, Mengejar “Data”

Ada pelajaran besar dari 36% kegagalan proyek transportasi hidrogen dunia:

Transisi energi tidak kalah karena kekurangan teknologi, tetapi karena terlalu banyak percaya narasi dan terlalu sedikit menghitung data.

Untuk Indonesia, artinya:

• Jangan buru-buru membangun koridor hidrogen hanya karena negara lain pernah mencoba
• Pastikan setiap proyek besar transportasi bersih melewati filter analitik dan AI, bukan hanya studi kertas
• Jadikan kendaraan listrik baterai, optimasi jaringan listrik, dan efisiensi energi sebagai tulang punggung, lalu tempatkan hidrogen di ceruk yang benar-benar butuh

Kalau kita memanfaatkan AI dengan serius—dari prediksi permintaan energi, optimasi grid, sampai simulasi kebijakan—transisi energi Indonesia bisa melompat beberapa jebakan yang kini menelan uang publik di banyak negara.

Pertanyaannya sekarang: apakah keputusan investasi energi berikutnya di perusahaan atau lembaga Anda akan didorong oleh narasi, atau oleh model data dan AI yang transparan?