RTES bisa membuat pendinginan data center hingga 7x lebih efisien. Dikombinasikan dengan AI, solusi ini bantu kurangi beban puncak dan dukung transisi energi Indonesia.
Lonjakan AI, Lonjakan Listrik: Di Sini Masalahnya
Permintaan listrik global dari data center sudah melewati angka raksasa dan terus naik tiap tahun. Lonjakan paling besar datang dari AI, cloud, dan layanan digital lain yang dipakai jutaan orang, termasuk di Indonesia. Yang sering dilupakan: bukan hanya server yang rakus energi, tapi juga sistem pendingin di belakangnya.
Untuk data center modern, pendinginan bisa memakan 30–40% konsumsi listrik. Di negara tropis seperti Indonesia, beban ini makin berat karena suhu lingkungan tinggi hampir sepanjang tahun. Kalau tren ini dibiarkan, data center yang menopang ekosistem AI justru bisa menjadi beban besar bagi sistem kelistrikan nasional.
Di seri “AI untuk Sektor Energi Indonesia: Transisi Berkelanjutan” ini, ada satu pertanyaan kunci: bagaimana memastikan pertumbuhan AI dan data center sejalan dengan transisi energi, bukan malah menghambatnya? Jawabannya mulai terlihat dari hasil riset terbaru: Reservoir Thermal Energy Storage (RTES), terutama ketika dipadukan dengan optimasi berbasis AI.
Apa Itu RTES dan Kenapa Penting untuk Data Center?
Jawabannya singkat: RTES adalah cara menyimpan “energi dingin” di bawah tanah lalu memakainya saat beban puncak.
Daripada memaksa chiller bekerja ekstra keras di siang hari yang panas dan tarif listrik mahal, RTES memanfaatkan udara luar yang lebih dingin dan listrik murah di malam hari atau musim sejuk (untuk negara empat musim) untuk mendinginkan air, lalu menyimpannya di akuifer (reservoir air bawah tanah).
Cara Kerja RTES Secara Sederhana
-
Saat udara lebih dingin / listrik murah (malam/musim dingin):
- Dry cooler atau chiller mendinginkan air.
- Air dingin diinjeksi ke sumur “dingin” di bawah tanah.
-
Saat cuaca panas / beban puncak (siang/musim panas):
- Air dingin dipompa naik, dialirkan ke heat exchanger, menyerap panas dari air balik data center.
- Air yang sudah hangat dikembalikan ke sumur “panas”.
-
Siklus berulang:
- Siklus “isi ulang dingin” dan “pakai dingin” terus berulang, menjaga keseimbangan termal reservoir.
RTES biasanya memakai akuifer air payau atau asin di kedalaman ratusan meter. Lapisan batu di sekitarnya bertindak sebagai “dinding alami” yang membuat penyimpanan termal stabil dan jangka panjang.
Poin penting: RTES bukan hanya soal teknologi bawah tanah. Nilai tambah terbesarnya muncul ketika dikombinasikan dengan AI untuk mengatur kapan mengisi, kapan mengosongkan, dan berapa kapasitas yang optimal dari waktu ke waktu.
Hasil Studi NLR: Pendinginan 7x Lebih Efisien dan Biaya Turun 67%
Riset dari National Laboratory of the Rockies (NLR) memberikan angka yang cukup keras: sistem RTES untuk pendinginan data center bisa jauh lebih efisien daripada chiller konvensional.
Dalam simulasi 20 tahun untuk beberapa skenario data center:
-
Koefisien performa (COP) musim panas:
- Chiller tradisional: sekitar 2,4
- RTES: sekitar 16,5
Artinya, untuk jumlah “pendinginan” yang sama, RTES butuh jauh lebih sedikit listrik.
-
Levelized Cost of Cooling (LCOC):
- Sistem chiller konvensional: sekitar US$15/MWh
- Sistem RTES: sekitar US$5/MWh
Jadi, biaya pendinginan turun sekitar 67% sepanjang umur sistem.
Ini bukan penghematan kecil. Untuk data center berskala puluhan megawatt, selisih ini bisa berarti pengurangan biaya operasional jutaan dolar dalam 10–20 tahun.
Kenapa RTES Bisa Sebegitu Efisien?
Ada tiga alasan kunci:
-
Menghindari kerja berat chiller di cuaca panas.
Chiller paling boros saat harus melawan suhu luar yang tinggi. RTES memindahkan sebagian besar kerja pendinginan ke periode suhu lebih rendah. -
Memanfaatkan listrik off-peak yang lebih murah.
RTES mengisi “tabungan dingin” saat tarif listrik rendah, mengosongkannya saat tarif tinggi. -
Dry cooler tanpa konsumsi air on-site.
Sistem referensi memakai dry cooler yang tidak boros air seperti cooling tower. Dikombinasikan dengan RTES, ini efektif menekan jejak air sekaligus jejak energi.
Di konteks Indonesia yang sedang mendorong efisiensi energi dan pengurangan emisi, angka-angka ini selaras dengan target RUPTL hijau dan bauran energi terbarukan.
RTES + AI: Kombinasi Kuat untuk Transisi Energi Indonesia
RTES memberikan “hardware” efisiensi, sementara AI menyediakan “otak” yang mengoptimalkan cara kerjanya. Untuk sistem energi Indonesia yang makin kompleks, kombinasi ini sangat relevan.
1. Mengurangi Beban Puncak di Jaringan Listrik
Masalah klasik PLN dan operator sistem di seluruh dunia sama: beban puncak. Ketika ribuan gedung, industri, dan data center pakai pendingin bersamaan, sistem harus menyediakan kapasitas pembangkit dan jaringan yang mahal, namun hanya terpakai beberapa jam per hari.
RTES, yang dikontrol oleh AI, bisa:
- Menghitung secara real-time kapan tarif dan beban sistem paling rendah.
- Menjadwalkan “charging dingin” saat beban dan emisi grid rendah (misalnya malam hari, saat angin kencang atau PLTU sedang baseload).
- Mengurangi kebutuhan kapasitas puncak ketika siang hari.
Ini cocok dengan visi smart grid Indonesia: AI mengatur sisi suplai (operasi pembangkit) sekaligus sisi permintaan (data center dan gedung besar) agar beban puncak lebih rata.
2. Menyerap Surplus Energi Terbarukan
Seiring bertambahnya PLTS dan PLTB, isu baru muncul: surplus energi terbarukan di jam tertentu. Tanpa “penyimpanan”, energi murah dan bersih ini sering terbuang.
RTES bisa bertindak sebagai bentuk storage termal jangka panjang:
- Saat produksi surya tinggi (siang hari cerah), AI dapat menaikkan kapasitas pengisian RTES hingga maksimum.
- Data center tetap nyaman dingin di malam hari tanpa perlu banyak konsumsi listrik dari pembangkit fosil.
Dari sudut pandang transisi energi, ini menarik: AI mengarahkan energi terbarukan ke RTES, RTES mengembalikannya dalam bentuk pendinginan saat dibutuhkan.
3. Orkestrasi Multi-Objektif: Biaya, Emisi, dan Keandalan
AI dalam manajemen energi data center tidak hanya mengejar biaya rendah. Model optimasi yang matang biasanya menyeimbangkan tiga hal:
- Biaya listrik (berbasis tarif dan kontrak).
- Jejak karbon (berdasarkan campuran pembangkit di jam tertentu).
- Keandalan layanan (SLA uptime, suhu ruangan, dll.).
Dengan RTES sebagai opsi tambahan di toolbox, algoritma AI bisa menghasilkan strategi seperti:
- Mengurangi operasi chiller di jam ketika grid didominasi PLTU.
- Mengandalkan RTES saat intensitas karbon grid tinggi.
- Menjaga cadangan dingin yang cukup untuk mengatasi gangguan mendadak pada suplai listrik.
Ini cocok untuk pemain data center dan operator AI di Indonesia yang mulai menargetkan sertifikasi hijau dan laporan ESG yang kredibel.
Relevansi RTES untuk Kondisi Geologi & Iklim Indonesia
Pertanyaannya sekarang: apakah konsep ini realistis untuk Indonesia, negara tropis dengan geologi kompleks dan potensi panas bumi besar?
Jawabannya: potensi ada, tapi butuh pendekatan lokasi-spesifik dan desain yang cermat.
1. Keuntungan Iklim Tropis
Walau kita tidak punya “musim dingin”, Indonesia tetap punya beberapa kondisi yang bisa dimanfaatkan:
- Perbedaan suhu siang–malam yang cukup signifikan di beberapa daerah.
- Musim hujan dengan suhu udara lebih rendah.
- Lokasi data center di dataran tinggi (misalnya sekitar Bogor, Bandung, atau Malang) yang lebih sejuk dibanding permukaan laut.
RTES tidak mensyaratkan salju; yang paling penting adalah adanya periode dengan suhu lebih rendah dan akses ke listrik murah/off-peak.
2. Geologi dan Akuifer
Studi NLR menggunakan sumur sekitar 275 meter, tapi di Indonesia kedalaman dan tipe batuan akan sangat bervariasi. Di sinilah peran studi geologi dan geofisika menjadi krusial:
- Identifikasi akuifer payau/asin yang tertutup baik oleh lapisan batuan kedap.
- Analisis aliran air bawah tanah agar distribusi panas/dingin stabil dan terkendali.
- Pengujian kimia agar air dan batuan tidak menimbulkan scaling atau korosi berat.
Indonesia punya pengalaman panjang dalam geotermal dan pengeboran migas. Kompetensi ini bisa dialihkan ke pengembangan RTES, terutama untuk kawasan industri dan klaster data center.
3. Contoh Skema Implementasi di Indonesia
Beberapa skenario yang masuk akal:
- Kawasan data center di Jawa Barat atau Jawa Tengah yang terkoneksi ke jaringan 150 kV, dekat dengan sumber terbarukan (PLTA, PLTMH, PLTS).
- Kawasan industri digital di IKN yang dirancang sejak awal dengan konsep kota rendah karbon, lengkap dengan smart grid dan PLTS skala besar.
- KampĂĽs universitas atau pusat riset dengan High Performance Computing (HPC) yang butuh pendinginan intensif namun punya fleksibilitas eksperimental.
Di tiap lokasi, AI dapat mengintegrasikan data: cuaca, status grid, tarif, dan kondisi RTES bawah tanah untuk mengoptimalkan operasi.
Langkah Praktis bagi Pelaku Data Center & Energi di Indonesia
Untuk pembaca yang bergerak di sektor energi, operator data center, atau pengembang solusi AI, ada beberapa langkah konkret yang bisa mulai dipikirkan dari sekarang.
1. Mulai dari Data dan Simulasi
Sebelum bicara pengeboran sumur, kuasai dulu datanya:
- Profil beban pendinginan data center 24 jam, 365 hari.
- Tarif listrik per jam dan pola beban sistem PLN setempat.
- Data cuaca historis: suhu udara, kelembapan, kecepatan angin.
Dengan data ini, tim AI dapat membangun model techno-ekonomi sederhana untuk membandingkan:
chiller konvensional vs chiller + RTES, dengan berbagai skenario.
2. Pilot Project Berskala Terbatas
Pendekatan yang masuk akal adalah memulai dari:
- Sistem RTES kecil dengan 2–4 sumur untuk sebagian beban pendinginan.
- Integrasi dengan sistem manajemen energi berbasis AI yang sudah ada (misalnya yang sebelumnya hanya mengontrol UPS, genset, dan scheduling workload AI).
Tujuannya bukan langsung ROI maksimal, tapi belajar tentang perilaku termal bawah tanah dan respons sistem di iklim Indonesia.
3. Kolaborasi Lintas Disiplin
RTES menyatukan:
- Geotermal & geologi bawah permukaan.
- Teknik mesin & HVAC.
- Teknik elektro & sistem tenaga.
- Data science & AI untuk optimasi.
Artinya, proyek seperti ini cocok sebagai inisiatif konsorsium antara:
- Perusahaan energi & utilitas.
- Operator data center & penyedia cloud/AI.
- Universitas dan lembaga riset.
Di tengah dorongan pemerintah untuk hilirisasi digital dan transisi energi, model kolaborasi seperti ini punya peluang besar mendapat dukungan kebijakan maupun pembiayaan hijau.
Menyatukan AI, RTES, dan Transisi Energi Indonesia
Pertumbuhan AI di Indonesia tidak akan melambat; justru akan makin kencang. Data center baru bermunculan, dan beban listrik mereka akan makin terasa di jaringan nasional.
RTES menawarkan satu hal yang jarang: efisiensi energi yang besar sekaligus pengurangan biaya dan emisi, khususnya ketika dipadukan dengan AI untuk pengelolaan energi cerdas. Dari hasil studi NLR, kita sudah melihat bahwa:
- RTES bisa membuat pendinginan data center hampir 7x lebih efisien di puncak musim panas.
- Biaya pendinginan jangka panjang bisa turun hingga sekitar sepertiga dibandingkan chiller konvensional.
Untuk Indonesia, ini bukan sekadar teknologi baru. Ini cara konkret agar:
- Ekosistem AI dan data center tumbuh tanpa membebani sistem kelistrikan secara berlebihan.
- Integrasi energi terbarukan lebih mulus, dengan RTES sebagai “penyimpan dingin” jangka panjang.
- Target transisi energi berkelanjutan tetap berada di jalur yang realistis secara teknis dan ekonomis.
Jika Anda berkecimpung di sektor energi atau pengelola data center, pertanyaannya sekarang bukan lagi “apakah RTES dan AI relevan?”, tapi “di mana lokasi pertama yang layak dicoba di Indonesia, dan siapa saja mitra yang harus diajak sejak awal?”