Nanoengineering mengubah sampah jadi sumber daya. Cara berpikir ini persis yang dibutuhkan AI untuk sektor energi Indonesia agar transisi energi lebih efisien.
Dari Kebakaran Hutan ke Lab: Mengapa Cerita Taylor Relevan untuk Indonesia
Seorang anak 9 tahun terbangun tengah malam, berlari ke mobil sambil memeluk boneka beruangnya, sementara langit di belakang rumahnya merah terbakar. Itu momen yang mengubah cara Taylor Uekert melihat dunia: alam bisa begitu kuat ketika “salah jalan”.
Beberapa dekade kemudian, Taylor bukan penulis fantasi seperti cita-citanya dulu, tapi nanoengineer di laboratorium riset energi di Amerika. Ia mengulik plastik, bahan kimia, dan limbah di level molekul untuk mengurangi emisi dan menghemat energi.
Kenapa cerita ini penting untuk Indonesia yang lagi serius mendorong AI untuk sektor energi dan transisi rendah karbon? Karena pola pikirnya sama: mengubah masalah jadi sumber daya, entah itu sampah plastik, data dari smart meter, atau ketidakpastian beban di jaringan listrik.
Artikel ini membahas:
- Bagaimana nanoengineering mengubah cara kita melihat daur ulang
- Apa hubungannya dengan AI yang mengoptimalkan sistem energi
- Pelajaran praktis untuk Indonesia dalam mendorong inovasi berkelanjutan
Nanoengineering: Mengubah Sampah Jadi Sumber Daya
Inti kerja Taylor Uekert cukup sederhana: membuktikan dengan angka kapan sebuah teknologi hijau benar-benar ramah lingkungan dan ekonomis.
Ia menggabungkan dua hal yang biasanya dipisah:
- Teknologi fisik: misalnya katalis untuk mengubah plastik jadi bahan bakar dengan sinar matahari
- Analisis sistem: life-cycle assessment (LCA) dan techno-economic analysis (TEA) untuk menghitung emisi, konsumsi energi, biaya, dan dampak sosial-ekonomi
Daur Ulang Plastik Tidak “Rusak”, yang Rusak Sistemnya
Salah satu hasil analisanya menarik dan agak bertentangan dengan narasi populer:
Daur ulang mekanis plastik itu relatif murah dan rendah energi. Yang bermasalah justru pengumpulannya.
Artinya:
- Kalau plastik sudah masuk tempat sampah daur ulang, peluang didaur ulang itu tinggi
- Tantangan terbesar bukan teknologinya, tapi akses, perilaku, dan tata kelola
Ini mirip dengan energi:
- Teknologi panel surya, turbin angin, dan baterai makin matang
- Tantangan besar kita di Indonesia justru ada di integrasi ke jaringan, manajemen beban, kebijakan, dan data
Di sinilah AI untuk sektor energi punya peran mirip “analisis sistem” di pekerjaan Taylor.
Paralel Kuat: Nanoengineering vs AI untuk Transisi Energi
Kalau nanoengineering mengatur atom, AI mengatur informasi. Keduanya mengejar hal yang sama:
efisiensi, pengurangan dampak lingkungan, dan keputusan yang lebih cerdas.
1. Mengurangi Pemborosan
- Taylor: Mencari cara agar plastik, tekstil, dan limbah karbon tinggi bisa kembali ke rantai pasok sebagai bahan baku
- AI di energi Indonesia: Mengurangi pemborosan di jaringan listrik lewat:
- prediksi beban yang lebih akurat
- optimasi operasi pembangkit dan baterai
- deteksi losses dan pencurian listrik
Keduanya memandang limbah (energi yang terbuang, plastik yang terbuang) sebagai peluang.
2. Analisis Dini Sebelum Skala Besar
Taylor menekankan satu hal krusial:
Analisis harus dimasukkan sejak tahap riset awal, bukan setelah teknologi telanjur besar dan mahal diubah.
Dalam dunia AI energi, prinsip ini harusnya standar:
- Uji model AI di skala kecil: misalnya satu substation atau satu area pelanggan dulu
- Jalankan simulasi skenario: variasi cuaca, pertumbuhan beban, gangguan jaringan
- Hitung dari awal:
- berapa emisi yang bisa dihindari
- berapa efisiensi jaringan naik
- berapa biaya operasional turun
Cara berpikir ini mencegah kita menggelontorkan dana besar ke solusi yang secara politis keren tapi secara angka tidak masuk akal.
3. Fokus ke Akses, Bukan Hanya Teknologi
Dalam daur ulang plastik, teknologinya sudah cukup baik. Bottleneck terbesar: plastik tidak pernah sampai ke fasilitas daur ulang.
Sektor energi Indonesia punya pola yang sama:
- Algoritma AI untuk prediksi beban dan optimasi sudah ada
- Masalahnya sering:
- data smart meter belum merata
- infrastruktur komunikasi tidak stabil
- kualitas data buruk (missing values, pencatatan manual)
Belajar dari perspektif Taylor, perusahaan energi seharusnya bertanya:
“Bukan cuma algoritmanya apa, tapi bagaimana memastikan data mengalir, orang bisa mengakses, dan prosesnya realistis di lapangan?”
Dari Laboratorium ke Dunia Nyata: Kunci Sukses Teknologi Hijau
Sebagian besar teknologi gagal bukan karena idenya jelek, tapi karena tidak sanggup keluar dari lab. Taylor menghabiskan banyak waktu untuk mengidentifikasi “jebakan” itu.
1. Pakai Angka, Bukan Asumsi
Taylor tertarik mengukur:
- benar tidak teknologi ini mengurangi emisi sepanjang siklus hidupnya?
- benar tidak biaya operasionalnya bisa bersaing?
Untuk AI di energi, pertanyaan sederhananya:
- Setelah menerapkan AI dispatch pembangkit, berapa persen efisiensi naik?
- Penerapan prediksi beban mengurangi berapa MW reserve yang perlu disiapkan?
- Sistem smart metering berbasis AI mengurangi non-technical loss berapa persen?
Perusahaan energi di Indonesia perlu disiplin dengan metrik, misalnya:
- target: efisiensi jaringan naik 3–5% dalam 2 tahun
- target: penurunan emisi sistem kelistrikan X ton COâ‚‚ per tahun karena manajemen beban lebih halus
Tanpa angka, AI hanya jadi proyek pilot yang keren di presentasi.
2. Manfaatkan Limbah Sebagai Bahan Baku
Taylor mengkaji cara menghasilkan bahan kimia dan plastik dari limbah, bukan dari bahan baku murni.
Logika yang sama bisa dipakai di sistem energi:
- Data historis beban yang berantakan? Bukan masalah, itu bahan baku model AI
- Riwayat gangguan jaringan, keluhan pelanggan, dan tagihan: semua bisa dipakai untuk model prediktif dan perencanaan investasi
Yang sering terjadi justru sebaliknya: data dihapus atau diabaikan karena dianggap “sampah”. Padahal di era AI, sampah data itu sama berharganya dengan sampah plastik di tangan nanoengineer.
3. Kolaborasi Multidisiplin
Taylor menekankan bahwa terobosan datang dari kerja tim, bukan jenius tunggal di sudut lab.
Dalam proyek AI energi, aktor yang perlu duduk satu meja:
- ahli sistem tenaga & perencanaan jaringan
- data scientist & engineer
- regulator dan pembuat kebijakan tarif
- tim layanan pelanggan & operasi lapangan
Kalau salah satu hilang, solusinya mudah mandek di “nge-lag di implementasi” atau mental karena regulasi tertinggal.
Apa yang Bisa Dipetik Indonesia dari Perjalanan Taylor?
Cerita Taylor itu bukan cuma inspirasi personal (dari atlet senam dan calon penulis fantasi jadi peneliti energi). Ada beberapa pelajaran praktis untuk Indonesia, terutama dalam konteks AI untuk sektor energi dan transisi berkelanjutan.
1. Ikuti Rasa Ingin Tahu, Bukan Hanya “Trend” Teknologi
Taylor tidak punya rencana lima tahun yang super rapi. Ia mengikuti hal yang menarik baginya: dari bioengineering pindah ke nanoengineering, lalu ke analisis sistem.
Dalam konteks perusahaan energi dan startup AI di Indonesia:
- Jangan asal ikut tren “AI untuk segalanya”
- Fokus ke masalah paling menyebalkan dan paling boros energi di operasi Anda
- misalnya: pembangkitan diesel di daerah terpencil, curtailment PLTS, atau losses di jaringan distribusi
Dimulai dari masalah nyata, lalu cari di mana AI dan analitik bisa memberi dampak paling besar.
2. Normalisasi Analisis Sejak Awal
Seperti Taylor yang mendorong analisis LCA dan TEA sejak fase riset, Indonesia perlu menormalisasi:
- analisis emisi dan biaya sebagai bagian dari setiap proyek AI energi
- monitoring & evaluation yang kuat, bukan hanya laporan akhir proyek
Beberapa pertanyaan yang wajib muncul sejak awal proyek:
- Apa baseline emisi dan biaya sebelum ada AI?
- Metrik keberhasilan apa yang disepakati (COâ‚‚/ kWh, losses, SAIDI/SAIFI, dsb.)?
- Bagaimana cara pengumpulan dan validasi data di lapangan?
3. Bangun Akses, Bukan Hanya Showcase Teknologi
Seperti daur ulang yang gagal kalau plastik tidak pernah terkumpul, proyek AI pun gagal kalau:
- data tidak pernah terkumpul dengan rapi
- akses data antar unit organisasi tertutup
- sistem terlalu rumit untuk dioperasikan teknisi lapangan
Solusinya:
- bangun kapasitas SDM: pelatihan AI dan data untuk engineer sistem tenaga
- siapkan arsitektur data yang jelas sejak awal
- rancang antarmuka yang bisa dipakai orang non-teknis tanpa pusing
Menyatukan Ilmu, Data, dan Keberanian Bereksperimen
Cerita Taylor Uekert menunjukkan satu hal penting:
Transisi berkelanjutan bukan cuma soal teknologi canggih, tapi soal cara kita berpikir dan mengukur dampak.
Nanoengineering mengajarkan kita melihat limbah sebagai sumber daya di tingkat molekul. AI untuk sektor energi Indonesia mengajarkan hal yang sama di tingkat sistem: beban yang fluktuatif, data berantakan, dan jaringan tua bisa menjadi bahan baku untuk sistem energi yang lebih efisien dan rendah emisi.
Kalau Anda bekerja di utilitas listrik, startup energi, BUMN, atau lembaga riset, pertanyaan praktisnya sekarang:
- Di mana “sampah” terbesar di sistem Anda hari ini—energi, waktu, atau data?
- Bagaimana kombinasi AI + analisis sistem bisa mengubahnya jadi nilai?
- Siapa saja yang perlu Anda ajak kolaborasi agar proyek tidak berhenti di pilot?
Transisi energi Indonesia tidak akan beres dalam semalam. Tapi dengan pola pikir seperti Taylor—berani bereksperimen, disiplin dengan angka, dan fokus ke akses—AI bisa menjadi “mesin molekuler” versi kita sendiri untuk merapikan sistem energi yang selama ini boros dan penuh kebocoran.