Proyek surya 1 GW di Khavda, India, membuka pelajaran penting bagi Indonesia: skala gigawatt butuh strategi jangka panjang, kemitraan kuat, dan AI di setiap tahap.
India Bangun 1 GW Surya di Khavda – Apa Relevansinya untuk Indonesia?
Sterling and Wilson Renewable Energy (SWREL) baru saja mengamankan kontrak EPC senilai sekitar US$154,5 juta untuk proyek surya 1 GW milik Adani Green Energy di Taman Energi Terbarukan Khavda, Gujarat, India. Di saat yang sama, mereka menandatangani kerangka kemitraan strategis lima tahun untuk mengerjakan total 6 GW di kawasan yang sama.
Angka-angka ini bukan sekadar berita korporasi. Ini gambaran konkret bagaimana satu negara membangun pabrik listrik tenaga surya dalam skala gigawatt, dengan model kemitraan jangka panjang dan eksekusi cepat. Untuk Indonesia yang sedang mengejar target bauran EBT, kasus Khavda ini sangat relevan — apalagi jika dikaitkan dengan pemanfaatan AI di sektor energi untuk mengelola sistem sebesar itu.
Tulisan ini membedah apa yang terjadi di Khavda, bagaimana peran EPC dan digitalisasi (termasuk AI), dan apa yang bisa diadopsi Indonesia, terutama bagi PLN, IPP, dan pengembang proyek yang serius dengan transisi energi berkelanjutan.
Ringkasnya: Apa yang Terjadi di Khavda, India?
Intinya, Khavda adalah contoh bagaimana proyek surya skala sangat besar dijalankan secara terstruktur:
- SWREL mendapat order EPC untuk 1 GW proyek surya di Gujarat.
- Nilai kontrak sekitar Rs13.810 miliar (sekitar US$154,5 juta, belum termasuk pajak).
- Pekerjaan mencakup balance of system (BoS) package untuk tiga proyek surya di Taman Energi Terbarukan Khavda.
- Ada perjanjian kemitraan strategis 5 tahun antara SWREL dan Adani Green Energy.
- Secara total, SWREL sedang mengerjakan 6 GW di Khavda, dengan 5 GW ditargetkan selesai pada tahun fiskal 2025/26.
Dalam struktur proyek besar, Adani Green berperan sebagai pengembang dan pemilik aset, sementara SWREL bertindak sebagai kontraktor engineering, procurement, and construction (EPC). Model developer–EPC–O&M seperti ini sudah umum secara global, tapi Khavda menarik karena:
- Skalanya: multi-GW dalam satu kawasan.
- Kecepatannya: gigawatt-level dalam rentang hanya beberapa tahun.
- Pendekatan jangka panjang: ada kerangka kerja strategis, bukan sekadar kontrak proyek per proyek.
Buat Indonesia yang sedang menyiapkan kawasan seperti PLTS terapung Cirata, rencana PLTS skala besar di Kalimantan, NTT, dan kawasan industri hijau, pola ini sangat layak dicermati.
Peran EPC dan BoS: Di Sini AI Mulai Masuk
Perusahaan EPC seperti SWREL adalah tulang punggung implementasi proyek surya skala utilitas. Mereka menangani:
- Desain teknis (engineering)
- Pengadaan modul, inverter, kabel, struktur, dan komponen lain (procurement)
- Pembangunan fisik di lapangan (construction)
Dalam kontrak Khavda, SWREL menangani Balance of System (BoS) untuk tiga proyek. BoS mencakup semua komponen selain modul surya itu sendiri:
- Struktur mounting
- Kabel, konektor, dan junction box
- Inverter dan transformator
- Sistem SCADA dan monitoring
- Infrastruktur sipil (jalan akses, drainase, pagar, dan lain-lain)
Di mana AI relevan dalam pekerjaan EPC dan BoS?
Untuk proyek skala GW, tanpa digitalisasi dan AI, proyek akan pelan dan boros biaya. Beberapa titik kunci penerapan AI di sektor energi dalam konteks EPC dan BoS:
-
Perencanaan tata letak (layout optimization)
AI bisa mengoptimalkan penempatan modul, sudut kemiringan, serta jarak antar string untuk memaksimalkan produksi energi dan meminimalkan shading. Algoritma dapat:- Menganalisis data radiasi matahari multi-tahun
- Menggabungkan topografi lahan, kondisi tanah, dan batasan ROW
- Menghasilkan beberapa skenario layout dengan estimasi kWh per tahun
-
Perencanaan rantai pasok (supply chain)
Untuk 1 GW, kesalahan jadwal pengiriman atau stok bisa bernilai jutaan dolar. Model AI:- Memprediksi kebutuhan material per minggu
- Mengoptimalkan pengiriman dari pelabuhan ke site
- Mengurangi idle time akibat bahan terhambat
-
Penjadwalan konstruksi (project scheduling)
AI dapat belajar dari ratusan proyek sebelumnya untuk memperkirakan durasi realistis tiap aktivitas, kemudian merekomendasikan urutan kerja paling efisien dengan mempertimbangkan cuaca, ketersediaan alat berat, dan tenaga kerja. -
Kualitas konstruksi dan keselamatan
Dengan computer vision, drone dapat memindai ribuan rangka dan modul, mendeteksi pemasangan yang tidak presisi atau berpotensi membahayakan, jauh sebelum menjadi masalah serius.
Indonesia yang mulai banyak membangun PLTS di lokasi terpencil bisa mengambil shortcut digital: langsung merancang standar EPC yang mengintegrasikan AI project management, AI-based design, dan monitoring sejak awal.
Menghubungkan PLTS Raksasa ke Sistem Kelistrikan: Tantangan Grid dan AI
Membangun PLTS 1 GW itu satu hal, menghubungkannya ke sistem kelistrikan nasional adalah tantangan lain. Di sinilah optimasi jaringan listrik dengan AI jadi penentu.
Tantangan teknis integrasi gigawatt surya
Beberapa isu yang selalu muncul ketika kapasitas EBT variabel menembus skala GW:
- Variabilitas output: iradiasi berubah cepat, produksi naik turun dalam hitungan menit.
- Kestabilan frekuensi dan tegangan: terutama jika sistem tidak punya banyak pembangkit berbasis putaran (rotating mass).
- Kemacetan jaringan (congestion): ketika daya dari satu kawasan (seperti Khavda) terlalu besar untuk kapasitas jaringan yang ada.
- Kebutuhan cadangan dan fleksibilitas: perlu pembangkit yang cepat merespons (PLTG, baterai, demand response).
Peran AI untuk optimasi jaringan
Untuk Indonesia, terutama di sistem Jawa–Bali dan rencana interkoneksi Kalimantan–Nusantara–Sulawesi, penerapan AI untuk manajemen jaringan tidak lagi opsional.
Beberapa aplikasi praktis:
-
Prediksi beban dan produksi surya (forecasting)
Model AI bisa memprediksi:- Beban per jam per area hingga 24–72 jam ke depan
- Produksi PLTS berdasarkan prakiraan cuaca granular Hasilnya: operator sistem bisa merencanakan operasi pembangkit lain dengan lebih presisi dan mengurangi kebutuhan cadangan mahal.
-
Unit commitment dan economic dispatch berbasis AI
Alih-alih mengandalkan optimasi linier klasik saja, operator dapat memanfaatkan AI untuk:- Menghasilkan skenario kombinasi operasi pembangkit yang lebih efisien
- Menyeimbangkan antara biaya, emisi, dan keandalan
-
Deteksi dini risiko gangguan
AI yang dilatih dari data PMU/SCADA dapat mendeteksi pola anomali yang sering mendahului blackout atau voltage collapse, kemudian memberikan peringatan atau tindakan otomatis. -
Manajemen baterai dan sistem penyimpanan energi (BESS)
Untuk integrasi PLTS skala GW, BESS hampir tak terhindarkan. AI membantu:- Menentukan kapan baterai diisi/dikurangi untuk memaksimalkan nilai ekonomi
- Memperpanjang umur baterai dengan pengelolaan siklus charge–discharge yang optimal
Khavda sendiri digadang-gadang sebagai salah satu pusat energi terbarukan terbesar dunia. Mengelola kawasan seperti ini tanpa dukungan AI akan sangat sulit. Pola yang sama akan terjadi jika Indonesia serius mendorong klaster EBT besar di NTB, NTT, Kalimantan, atau Sulawesi.
Pelajaran Khavda untuk Indonesia: Strategi, Bukan Hanya Teknologi
Banyak perusahaan di Indonesia sudah bicara PLTS skala besar dan integrasi energi terbarukan, tapi yang sering terlupa adalah pendekatan strategis jangka panjang. Kasus SWREL–Adani memberi beberapa pelajaran penting.
1. Bangun kemitraan strategis, bukan proyek satuan
SWREL tidak hanya memenangkan 1 proyek, tetapi menandatangani perjanjian 5 tahun untuk mendukung pengembangan EBT Adani Green.
Untuk Indonesia, ini bisa berarti:
- PLN dan IPP menjalin kemitraan multi-tahun dengan penyedia EPC dan teknologi, termasuk penyedia solusi AI untuk sektor energi.
- Menyusun framework agreement yang mencakup beberapa wilayah dan beberapa GW sekaligus, bukan tender PLTS 50–100 MW secara terpisah tanpa konsistensi desain dan teknologi.
Hasilnya:
- Standarisasi desain teknis dan sistem digital
- Skala ekonomi yang lebih baik (biaya per MW turun)
- Proses pembelajaran yang terakumulasi dari proyek ke proyek
2. Sertakan AI sejak tahap perencanaan
Banyak pengembang di Indonesia baru memikirkan sistem digital dan AI saat proyek sudah hampir COD. Ini pola yang kurang sehat.
Lebih masuk akal jika AI sudah dipertimbangkan di awal untuk:
- Studi kelayakan: simulasi produksi dan skenario interkoneksi jaringan
- Desain teknis: optimasi layout, BoS, dan pemilihan komponen
- Model bisnis: simulasi pendapatan dan biaya operasional berbasis data historis dan prediksi
Dengan begitu, ketika pembangkit beroperasi, data yang masuk ke platform AI sudah rapi dan konsisten dari hari pertama.
3. Jadikan O&M sebagai arena utama pemanfaatan AI
SWREL memiliki portofolio operasi dan pemeliharaan (O&M) lebih dari 9,1 GWp proyek surya. Pada skala ini, manual inspection tidak lagi realistis.
Indonesia bisa mengambil pendekatan serupa dengan mendorong:
- Condition-based maintenance: menggunakan AI untuk menganalisis data inverter, string, dan modul, lalu merekomendasikan perawatan sebelum terjadi kerusakan.
- Computer vision untuk inspeksi modul: drone + AI untuk mendeteksi modul retak, kotor, atau hotspot.
- Optimasi performa: AI mengidentifikasi string atau array dengan kinerja rendah dan menyarankan tindakan perbaikan.
Ini langsung berdampak pada yield: peningkatan 1–2% produksi energi di PLTS besar bisa berarti ratusan miliar rupiah dalam beberapa tahun.
Langkah Nyata untuk Pemain Energi di Indonesia
Untuk Anda yang berada di PLN, IPP, pengembang PLTS, atau kawasan industri yang ingin masuk ke energi terbarukan, ada beberapa langkah praktis yang bisa mulai digerakkan sekarang.
1. Petakan potensi klaster EBT skala besar
Identifikasi kawasan yang cocok menjadi “Khavda versi Indonesia”:
- Lahan luas dengan radiasi tinggi (NTT, NTB, Kalimantan Timur, Sulawesi Tenggara)
- Akses ke jaringan transmisi eksisting atau rencana jaringan baru
- Dekat dengan pusat beban industri (smelter, kawasan industri hijau, ibu kota baru)
Lalu, rancang pengembangan multi-tahap (GW, bukan sekadar puluhan MW) dengan roadmap 5–10 tahun.
2. Rancang arsitektur digital dan AI sejak awal
Sebelum tender EPC pertama dilepas, sudah ada:
- Blueprint arsitektur data dan SCADA yang kompatibel dengan platform AI
- Standar integrasi data dari pembangkit ke pusat kontrol
- Kriteria pengadaan yang memasukkan kemampuan integrasi dengan sistem AI (bukan hanya spesifikasi teknis listrik)
3. Bangun tim data & AI di dalam organisasi energi
Mengandalkan vendor sepenuhnya untuk AI jarang berakhir optimal. Idealnya:
- Ada tim internal kecil (data engineer, data scientist, energy analyst) yang mengerti operasi sistem tenaga.
- Vendor AI masuk sebagai mitra teknologi, bukan pengendali penuh.
Tim ini yang akan:
- Mengembangkan dan memelihara model prediksi beban dan produksi
- Mengolah data PLTS, PLTB, PLTA, dan beban menjadi insight untuk manajemen
- Berkolaborasi dengan unit perencanaan dan operasi
4. Mulai dari proyek percontohan yang terukur
Anda tidak perlu menunggu proyek 1 GW untuk mulai. Satu PLTS 50–100 MW pun sudah cukup untuk:
- Menerapkan smart metering dan monitoring granular
- Menguji model AI untuk prediksi produksi dan deteksi anomali
- Menyusun SOP kerja baru berbasis insight dari data
Jika pilot berhasil, skala mudah ditingkatkan ke ratusan MW atau GW.
Menjadikan Indonesia Pemain Serius di Era PLTS Gigawatt
Kasus Khavda menunjukkan satu hal penting: transisi energi yang agresif bukan sekadar urusan panel surya murah. Di belakangnya ada strategi jangka panjang, kemitraan kuat antara developer dan EPC, serta eksekusi yang makin bergantung pada data dan AI.
Untuk Indonesia, dekade 2025–2035 akan menentukan apakah kita hanya menjadi pasar impor teknologi, atau benar-benar membangun kapasitas nasional dalam pengembangan proyek EBT dan pengelolaan sistem tenaga yang kompleks.
Jika Anda berada di perusahaan energi, kawasan industri, atau lembaga pemerintah yang mengurusi energi, ini saatnya bertanya:
Apakah roadmap EBT dan jaringan listrik kita sudah memasukkan AI sebagai komponen inti, bukan pelengkap?
Semakin cepat AI diintegrasikan ke perencanaan, pembangunan, dan operasi sistem tenaga, semakin besar peluang Indonesia mengejar — bahkan menyalip — negara lain dalam transisi energi berkelanjutan yang andal dan efisien.