Pelajaran dari Dana Iklim Filipina untuk Transisi Energi RI

AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan••By 3L3C

Inggris–Filipina meluncurkan dana iklim untuk offshore wind, perencanaan sistem tenaga, dan mikrogrid. Ini pelajaran konkret bagi transisi energi Indonesia berbasis AI.

AI energitransisi energi Indonesiamikrogridoffshore windperencanaan sistem tenagasmart grid
Share:

Mengapa Dana Iklim Filipina Penting untuk Indonesia

Filipina menargetkan porsi energi terbarukan 35% pada 2030 dan 50% pada 2040. Angka ini mirip dengan ambisi Indonesia dalam RUPTL hijau dan komitmen NZE 2060. Bedanya, Filipina baru saja mendapat dorongan kuat: Philippines Country Fund di bawah program UK PACT (Partnering for Accelerated Climate Transitions) yang diluncurkan di Manila pada 03/12/2025.

Ini menarik untuk Indonesia karena empat fokus utama dana tersebut — offshore wind, marine spatial planning, perencanaan sistem tenaga berbasis data, dan percepatan mikrogrid — adalah isu yang juga kita hadapi. Dan di setiap titik itu, kecerdasan buatan (AI) bisa jadi pembeda antara proyek yang sekadar pilot dan transisi energi yang benar-benar terasa di lapangan.

Tulisan ini bagian dari seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan”. Di sini saya ingin membedah apa yang dilakukan Inggris–Filipina, lalu menerjemahkannya menjadi pelajaran praktis untuk Indonesia: dari desain lelang listrik hijau, integrasi energi terbarukan, sampai pemanfaatan AI untuk mikrogrid di daerah 3T.

Ringkasnya: Apa Itu Philippines Country Fund UK PACT?

Intinya, Philippines Country Fund adalah dana iklim untuk capacity building dan bantuan teknis, bukan sekadar hibah proyek fisik. Pendanaannya berasal dari komitmen International Climate Finance Pemerintah Inggris melalui Foreign, Commonwealth and Development Office dan Department for Energy Security and Net Zero.

Fokus tahun pertamanya adalah sektor energi, dengan empat intervensi kunci:

  1. Pembaruan model harga offshore wind untuk memperkuat sistem lelang energi hijau.
  2. Penerapan marine spatial planning khusus offshore wind.
  3. Pengembangan alat simulasi biaya sistem tenaga listrik untuk perencanaan berbasis data.
  4. Percepatan pembangunan mikrogrid di wilayah yang belum terjangkau jaringan.

Semua ini dirancang agar Filipina bisa mengejar target:

  • 35% bauran energi terbarukan di pembangkitan listrik pada 2030.
  • 50% pada 2040.
  • Dominasi energi terbarukan pada 2050.

Bagi Indonesia, pola intervensinya jauh lebih menarik daripada nominal dananya. Karena pola ini sangat mudah diterjemahkan ke konteks PLTS, PLTB, PLTA kecil, dan jaringan interkoneksi Nusantara — apalagi jika digabung dengan teknologi AI.

1. Offshore Wind & Lelang Hijau: Di Mana Peran AI?

Kunci pertama program di Filipina adalah memperbarui model harga offshore wind untuk mendukung skema lelang energi hijau yang lebih efektif. Mereka juga menilai kesiapan infrastruktur dan pengembang.

Apa masalah yang sedang mereka selesaikan?

Biasanya pemerintah menghadapi beberapa tantangan klasik:

  • Harga patokan terlalu tinggi → tarif mahal, beban ke konsumen.
  • Terlalu rendah → proyek mangkrak, pengembang tak tertarik.
  • Data angin, biaya konstruksi, risiko teknis tidak cukup matang.
  • Sistem lelang tidak cukup fleksibel terhadap dinamika pasar.

Filipina mencoba memperbaiki ini dengan bantuan teknis, termasuk penyusunan pricing model yang lebih realistis dan dinamis.

Bagaimana ini relevan untuk Indonesia?

Indonesia sedang mengkaji potensi offshore wind (terutama di Jawa, Sulawesi, dan Nusa Tenggara) sambil terus mendorong PLTS dan PLTB darat. Tantangan kita mirip: bagaimana menentukan tarif yang menarik investor tetapi tetap terjangkau dan tidak menciptakan stranded asset di masa depan.

Di sinilah AI untuk sektor energi mulai terasa manfaatnya:

  • Model AI untuk resource assessment
    Mengolah data kecepatan angin multi-tahun, batimetri laut, jarak ke titik interkoneksi, hingga data cuaca ekstrem untuk memprediksi capacity factor per lokasi.

  • Simulasi harga dengan machine learning
    Menggabungkan data CAPEX/OPEX global, suku bunga, risiko konstruksi, dan kebijakan pajak untuk memodelkan rentang harga wajar per kWh.

  • Optimasi desain lelang
    AI dapat mensimulasikan berbagai skenario aturan lelang (jenis kontrak, durasi PPA, mekanisme indeksasi) dan memperkirakan:

    • berapa banyak pengembang yang akan ikut,
    • berapa potensi penurunan harga,
    • serta risiko proyek gagal COD.

Banyak negara maju mengarah ke desain lelang berbasis data dan simulasi AI, bukan hanya rule of thumb. Filipina sedang memantapkan dasar teknisnya. Indonesia punya kesempatan untuk melompat lebih jauh dengan langsung mengadopsi pendekatan AI-assisted auction design.

2. Marine Spatial Planning: Dari Konflik Ruang ke Peta Cerdas

Intervensi kedua Filipina adalah penerapan marine spatial planning (MSP) untuk offshore wind. Ini menyatukan perencanaan lintas sektor: perikanan, pariwisata, konservasi, jalur pelayaran, dan energi.

Kenapa MSP penting di era transisi energi?

Tanpa MSP, setiap proyek energi di laut berpotensi:

  • berbenturan dengan kawasan konservasi,
  • mengganggu jalur kapal,
  • memicu konflik dengan nelayan.

MSP berusaha memetakan zona terbaik untuk offshore wind yang meminimalkan konflik dan memaksimalkan manfaat.

Di mana posisi AI dalam MSP?

Untuk Indonesia — negara kepulauan dengan laut luas — AI bisa menjadi “otak” di balik MSP yang hidup, bukan sekadar dokumen statis:

  • Pengolahan citra satelit otomatis
    Computer vision mengklasifikasi area terumbu karang, mangrove, jalur kapal, hingga pola ombak ekstrem.

  • Model spasial multi-kriteria
    AI menggabungkan:

    • data potensi energi (angin/gelombang),
    • data ekologi (habitat penting),
    • data sosial-ekonomi (wilayah tangkap nelayan, jalur wisata), lalu memberi skor kesesuaian lokasi.

  • Simulasi dampak jangka panjang
    Model AI dapat mensimulasikan dampak pembangunan offshore wind terhadap:

    • pola arus,
    • erosi pantai,
    • dan potensi penurunan stok ikan di area tertentu.

Jika Filipina memulai dengan MSP untuk offshore wind, Indonesia seharusnya berpikir lebih luas: MSP yang terintegrasi dengan peta transmisi bawah laut, rencana kabel interkoneksi antar pulau, dan koridor data center hijau. Semua itu sulit dilakukan tanpa otomasi dan analitik AI.

3. Alat Simulasi Biaya Sistem Tenaga: Fondasi “RUPTL + AI”

Intervensi ketiga di Filipina adalah pengembangan alat simulasi biaya sistem tenaga listrik untuk perencanaan yang lebih berbasis data dan hemat biaya.

Secara praktis, mereka ingin menjawab pertanyaan seperti:

  • Kalau menambah 5 GW PLTS dan 3 GW angin, berapa biaya sistem secara total?
  • Berapa kebutuhan cadangan, baterai, dan pembangkit fleksibel?
  • Apa dampak ke tarif listrik rata-rata dan keandalan?

Indonesia butuh hal yang sama, tetapi lebih kompleks

Sistem ketenagalistrikan Indonesia tersebar di banyak sistem kecil dan menengah, bukan satu interconnected grid besar saja. Di sinilah AI untuk transisi energi Indonesia punya peran strategis:

  • Prediksi beban dan permintaan jangka panjang
    Model time series berbasis AI menggabungkan data ekonomi, urbanisasi, penetrasi kendaraan listrik, dan pola konsumsi.

  • Optimasi bauran energi (generation expansion planning)
    AI membantu mencari kombinasi PLTU pensiun, penambahan PLTS/PLTB/PLTA, dan teknologi penyimpanan energi dengan biaya sistem minimum.

  • Analitik skenario regulasi
    Misalnya, apa dampaknya jika:

    • PLTU wajib co-firing biomassa 20%,
    • ada pajak karbon Rp 200.000/ton,
    • atau ada insentif investasi baterai skala besar?

Alat simulasi yang dikembangkan Filipina bisa dibilang generasi awal. Indonesia punya peluang membangun platform perencanaan sistem tenaga berbasis AI yang terhubung langsung dengan:

  • data SCADA dan smart meter,
  • data cuaca real-time,
  • dan proyeksi industrialisasi (misalnya kawasan industri hijau dan data center).

Ini bukan hanya soal perencanaan RUPTL di atas kertas, tapi “RUPTL hidup” yang terus diperbarui oleh data.

4. Mikrogrid di Daerah Tertinggal: AI Sebagai “Operator Virtual”

Intervensi keempat dana UK–Filipina adalah percepatan pembangunan mikrogrid di wilayah belum terlayani. Tujuannya jelas: memperluas akses listrik dan mendorong pertumbuhan ekonomi inklusif.

Filipina dan Indonesia berada di perahu yang sama: banyak pulau kecil, desa terpencil, dan biaya ekstensi jaringan utama yang sangat mahal.

Di lapangan, apa tantangan mikrogrid?

  • Beban tidak stabil, sering undersized atau oversized.
  • Operasi manual, bergantung pada satu-dua teknisi lokal.
  • Sulit mengoptimalkan pemakaian baterai dan genset cadangan.
  • Pendapatan terbatas, sulit menjaga keberlanjutan finansial.

Di sini AI bisa berfungsi sebagai “operator virtual” mikrogrid

Beberapa peran kunci AI di mikrogrid:

  • Optimasi operasi real-time
    Sistem AI mengatur kapan PLTS, baterai, dan genset dipakai agar:

    • biaya bahan bakar minimum,
    • usia baterai panjang,
    • dan kualitas tegangan stabil.

  • Prediksi permintaan dan produksi lokal
    Model AI memprediksi beban harian (misalnya saat musim panen, musim liburan) dan produksi PLTS, sehingga jadwal operasi bisa diatur lebih rapi.

  • Deteksi gangguan dan pemeliharaan prediktif
    Analisis data sensor membantu mendeteksi:

    • panel yang kotor atau rusak,
    • baterai yang mulai menurun performanya,
    • potensi gangguan sebelum benar-benar terjadi.

  • Model bisnis pintar berbasis data
    Data konsumsi pelanggan dianalisis untuk menyusun skema tarif yang adil, tetapi cukup untuk menutup biaya operasi dan pemeliharaan.

Filipina menggunakan dana iklim untuk mendorong mikrogrid secara umum. Indonesia bisa melangkah lebih jauh: menggandeng dana iklim + perusahaan teknologi AI untuk menciptakan template mikrogrid cerdas yang bisa direplikasi dari NTT sampai Maluku dan Papua.

5. Apa yang Bisa Dilakukan Pemangku Kepentingan di Indonesia Sekarang?

Pelajaran terbesar dari kasus UK–Filipina bukan pada besarnya dana, tapi pada ketepatan sasaran intervensi. Semua diarahkan ke titik di mana kebijakan, data, dan teknologi bertemu.

Untuk pembuat kebijakan, BUMN, dan pelaku usaha energi di Indonesia, beberapa langkah praktis yang realistis:

  1. Mengadopsi pendekatan “empat pilar” ala Filipina, tapi dengan AI sebagai benang merah:

    • desain lelang energi terbarukan berbasis simulasi AI,
    • MSP dan tata ruang energi laut berbasis data dan citra satelit,
    • platform perencanaan sistem tenaga nasional berbasis model AI,
    • program mikrogrid cerdas di daerah 3T.

  2. Memasukkan AI secara eksplisit dalam dokumen kebijakan energi
    Bukan sekadar “transformasi digital”, tetapi menyebut:

    • AI untuk optimasi jaringan,
    • AI untuk integrasi energi terbarukan,
    • AI untuk prediksi permintaan,
    • AI untuk smart metering.

  3. Membangun kemitraan lintas sektor
    Kombinasi yang ideal:

    • pemerintah pusat/daerah (regulasi dan insentif),
    • BUMN/PLN (sistem dan infrastruktur),
    • startup AI energi (teknologi dan inovasi),
    • lembaga keuangan dan dana iklim (pembiayaan).

  4. Memulai proyek percontohan yang jelas skalanya
    Misalnya:

    • satu provinsi sebagai pilot RUPTL+AI,
    • satu kawasan pesisir untuk MSP + potensi offshore wind,
    • 10 desa mikrogrid yang dioperasikan dengan sistem AI.

Seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” pada dasarnya menekankan satu hal: tanpa AI, transisi energi akan berjalan, tetapi lambat dan mahal. Dengan AI yang dirancang tepat, data yang rapi, dan desain kebijakan yang cerdas, Indonesia bisa bergerak lebih cepat dari banyak negara tetangga.

Pada akhirnya, pertanyaannya bukan lagi “perlu AI atau tidak”, tetapi di titik mana di rantai nilai energi Anda akan mulai menggunakannya lebih dulu: perencanaan, operasi jaringan, manajemen aset, atau ekspansi mikrogrid. Semakin cepat jawaban itu ditemukan, semakin besar peluang Indonesia untuk tidak sekadar mengejar Filipina — tetapi melampauinya.