Mundurnya Target EBT RI dan Peran AI di Balik Layar

Realisasi bauran energi baru terbarukan (EBT) Indonesia baru ada di kisaran 13–14%, jauh dari target 23% yang semula dibidik. Di satu sisi, penasihat presiden menyebut ini masih wajar untuk negara berkembang. Di sisi lain, 2025 hampir berakhir dan tekanan untuk dekarbonisasi makin keras, dari komitmen Paris Agreement sampai tuntutan pasar global.

Ini bukan sekadar soal angka di laporan pemerintah. Buat PLN, pengembang energi, hingga pelaku industri besar, keterlambatan transisi energi berarti biaya operasional yang lebih tinggi, risiko regulasi ke depan, dan ancaman daya saing ekspor. Dan jujur saja, kalau kita mengandalkan cara lama, target berikutnya juga kemungkinan besar akan molor lagi.

Di sinilah kecerdasan buatan (AI) mulai jadi pembeda. Bukan sebagai slogan, tapi sebagai alat kerja yang sangat praktis: mengatur beban jaringan yang makin kompleks, mengurangi curtailment PLTS/PLTB, mengoptimalkan pemeliharaan pembangkit, sampai memprediksi permintaan energi dengan presisi yang dulu mustahil.

Tulisan ini membedah tiga hal: mengapa target EBT RI mundur, kenapa kondisi ini “wajar tapi harus diubah”, dan bagaimana AI bisa membantu Indonesia mengejar ketertinggalan bauran EBT secara realistis.

Mengapa Target Bauran EBT RI Mundur?

Target 23% bauran EBT awalnya dicanangkan untuk 2025. Fakta di lapangan, realisasi baru 13–14%. Penyebabnya bukan satu, tapi kombinasi hambatan struktural yang saling menguatkan.

1. Struktur sistem kelistrikan yang belum lincah

Inti masalahnya: sistem dirancang untuk pembangkit fosil base load, bukan untuk energi terbarukan yang variabel.

• Banyak sistem interkoneksi di Indonesia masih relatif lemah, terutama di luar Jawa-Bali.
• Integrasi PLTS dan PLTB sering dibatasi karena operator sistem khawatir terhadap fluktuasi.
• Proyek EBT kadang sudah siap, tapi kesulitan mendapatkan slot di sistem karena keterbatasan kapasitas jaringan.

Hasilnya, EBT tumbuh, tapi pelan. Potensi besar, realisasi kecil.

2. Skema bisnis dan regulasi yang masih “fosil-sentris”

Sebagian besar infrastruktur energi kita masih terkunci pada PLTU batu bara jangka panjang.

• Banyak kontrak PLTU memakai skema take-or-pay 25–30 tahun.
• Kelebihan pasokan (overcapacity) di beberapa sistem membuat ruang untuk EBT makin sempit.
• Pengembang EBT menghadapi ketidakpastian tarif, risiko perizinan, dan kepastian offtaker.

Buat investor, ini membuat proyek EBT di Indonesia terlihat lebih berisiko dibanding negara tetangga yang sudah lebih agresif mengurangi batu bara.

3. Kapasitas teknis dan data yang belum siap

Transisi energi yang serius butuh data real-time dan kemampuan analisis yang kuat. Di sini masih banyak celah:

• Data beban, produksi, dan cuaca sering tersebar di berbagai sistem, tidak terintegrasi.
• Perencanaan energi jangka panjang masih banyak berbasis asumsi statis dan studi manual.
• Simulasi skenario penetrasi EBT tinggi belum jadi praktik rutin di banyak instansi.

Makanya, ketika penasihat presiden bilang kemunduran target EBT ini “masih wajar” untuk negara berkembang, ada benarnya. Struktur, regulasi, dan kapasitas teknis belum sepenuhnya siap.

Tapi wajar bukan berarti bisa dibiarkan. Kalau Indonesia ingin tetap kompetitif dan menarik investasi hijau, kecepatan transisi perlu naik beberapa tingkat. Di sinilah AI punya peran konkret.

Dari “Wajar” ke “Cepat”: Di Mana AI Bisa Masuk?

Transisi energi bukan cuma urusan bangun PLTS dan PLTB lebih banyak. Tantangan utamanya ada di mengelola kompleksitas sistem: permintaan yang naik-turun, suplai yang makin variabel, harga yang fluktuatif, dan kebijakan yang berubah.

AI bagus justru di lini ini: mengolah data besar, menemukan pola, dan membuat prediksi yang membantu pengambil keputusan. Di sektor energi Indonesia, ada beberapa titik kritis di mana AI bisa langsung terasa dampaknya.

1. Optimasi operasi jaringan listrik real-time

Untuk mencapai bauran EBT lebih tinggi, operator sistem harus berani memasukkan lebih banyak PLTS dan PLTB ke jaringan tanpa mengorbankan keandalan.

AI dapat:

• Memprediksi beban sistem per 15 menit dengan akurasi tinggi berbasis data historis, pola konsumsi, dan faktor eksternal (hari libur, cuaca, tren industri).
• Menghitung dispatch optimal pembangkit fosil dan EBT secara dinamis untuk menekan biaya bahan bakar dan emisi.
• Memonitor stabilitas sistem secara terus-menerus dan memberi peringatan dini sebelum terjadi gangguan.

Beberapa utilitas di Eropa sudah melaporkan penurunan biaya operasional pembangkitan 5–10% setelah memakai sistem optimasi berbasis AI. Polanya sama: ketika prediksi dan dispatch lebih akurat, ruang untuk EBT bertambah.

2. Integrasi PLTS dan PLTB berbasis prediksi cuaca

Masalah klasik EBT: “matahari dan angin tidak bisa diatur.” Sebenarnya bisa dikelola, asalkan prediksinya bagus.

AI bisa menggabungkan data satelit, radar cuaca, dan data historis untuk:

• Memprediksi output PLTS dan PLTB beberapa jam sampai beberapa hari ke depan.
• Memberi sinyal ke operator sistem untuk menyiapkan cadangan putar (spinning reserve) yang tepat.
• Mengurangi praktik curtailment (pengurangan paksa produksi EBT) karena ketidakpastian.

Contoh aplikatif di Indonesia:

• Di sistem Jawa–Bali dengan PLTS atap yang tumbuh cepat, AI bisa membantu memprediksi “duck curve” sehingga pembangkit fosil bisa diatur lebih halus.
• Di wilayah dengan PLTB (misalnya Sulawesi Selatan), AI dapat membantu PLN menentukan kapan PLTB dimaksimalkan dan kapan pembangkit lain mesti naik.

Semakin akurat prediksi, semakin tinggi porsi EBT yang bisa diterima jaringan tanpa menurunkan keandalan.

AI untuk Efisiensi Sistem dan Investasi EBT

Selain operasional harian, AI juga kuat di perencanaan jangka menengah–panjang. Di sinilah banyak keputusan strategis dibuat: pembangkit mana yang dibangun, jaringan mana yang diperkuat, skema bisnis mana yang layak.

1. Perencanaan sistem tenaga berbasis skenario

Selama ini, perencanaan sistem tenaga sering mengandalkan model deterministik dengan skenario terbatas. AI dan advanced analytics memungkinkan sesuatu yang jauh lebih kaya:

• Mensimulasikan ribuan skenario pertumbuhan permintaan, harga bahan bakar, adopsi EBT, dan kebijakan karbon.
• Menghitung kombinasi kapasitas pembangkit dan jaringan yang paling ekonomis untuk tiap skenario.
• Mengidentifikasi “no regret options”: proyek EBT dan jaringan yang tetap masuk akal di berbagai skenario.

Bagi pemerintah dan PLN, ini penting untuk mengurangi risiko salah arah investasi yang berujung aset terdampar (stranded assets), terutama PLTU.

2. Manajemen aset dan pemeliharaan prediktif

Satu aspek yang sering diremehkan: keandalan pembangkit dan jaringan. Kerusakan tak terduga bisa menurunkan kepercayaan operator sistem terhadap integrasi EBT.

Dengan AI, pemilik aset bisa:

• Menganalisis data sensor (vibrasi, suhu, arus) untuk memprediksi kerusakan sebelum terjadi.
• Menjadwalkan pemeliharaan saat beban rendah atau ketika produksi EBT sedang tinggi.
• Mengurangi downtime dan biaya perbaikan darurat.

Untuk PLTS skala besar, misalnya, AI dapat mendeteksi:

• Panel yang kotor atau rusak berdasarkan pola output harian.
• String yang performanya turun dari tren normal.

Ini berujung ke produksi energi yang lebih stabil dan kepercayaan bank/finansial terhadap proyek EBT meningkat karena risiko teknis berkurang.

3. Analisis kelayakan proyek dan risiko pasar

Investor EBT butuh jawaban detail: berapa lama payback, seberapa besar risiko harga listrik turun, apa dampak kebijakan karbon baru?

AI bisa membantu dengan:

• Mengolah data harga energi historis, kebijakan tarif, dan tren global untuk memprediksi skenario harga listrik.
• Menghitung kelayakan proyek (NPV, IRR) di berbagai skenario kebijakan, termasuk kemungkinan pajak karbon atau insentif hijau.
• Mengidentifikasi lokasi proyek paling menarik berdasarkan kombinasi potensi sumber daya (solar irradiance, angin), ketersediaan lahan, dan kedekatan ke jaringan.

Pendekatan ini membuat pengembangan proyek EBT jadi lebih terukur dan menarik bagi lembaga keuangan, termasuk green finance internasional.

Smart Metering dan Manajemen Permintaan: Kartu As EBT

Sisi lain yang sering terlewat dalam diskusi bauran EBT adalah demand side. Padahal, kalau permintaan bisa diatur lebih fleksibel, integrasi EBT jadi jauh lebih mudah.

1. Smart metering berbasis AI

Smart meter bukan sekadar alat pencatat kWh otomatis. Ketika digabung dengan AI, manfaatnya melonjak:

• Profil konsumsi pelanggan bisa dipetakan dengan detail (per jam, per jenis pelanggan).
• Pola anomali (pencurian listrik, kerusakan instalasi) bisa terdeteksi otomatis.
• Program tarif dinamis (misalnya tarif lebih murah di jam tertentu) bisa dirancang lebih presisi.

Bagi perusahaan energi di Indonesia, ini membuka peluang bisnis baru:

• Layanan manajemen energi untuk pelanggan industri dan komersial.
• Bundling PLTS atap + smart meter + dashboard AI untuk mengoptimalkan tagihan listrik.

2. Demand response untuk membantu bauran EBT

Kalau kita ingin lebih banyak PLTS dan PLTB, kadang bebanlah yang perlu mengikuti suplai, bukan sebaliknya.

Program demand response yang cerdas dapat:

• Menurunkan konsumsi di jam-jam ketika sistem sedang kritis.
• Meningkatkan konsumsi saat EBT berlimpah (misalnya siang hari untuk PLTS).

AI memegang peran di sini untuk:

• Mengidentifikasi pelanggan yang paling cocok ikut demand response.
• Mengestimasi berapa besar penghematan dan kompensasi yang menarik.
• Mengotomatisasi respons (misalnya mengatur AC, pompa industri, atau cold storage) lewat integrasi IoT.

Kalau ini berjalan, bauran EBT bisa naik tanpa harus membangun pembangkit fosil cadangan dalam skala besar.

Langkah Praktis untuk Perusahaan Energi di Indonesia

Banyak perusahaan menunggu “grand strategy nasional” sebelum bergerak. Menurut saya, itu justru bikin tertinggal. Ada beberapa langkah realistis yang bisa mulai digarap dari sekarang:

1. Mulai dari proyek AI yang sempit tapi berdampak

Pilih satu–dua use case yang:

• Data-nya sudah ada (misalnya data beban, data operasi pembangkit, atau data pelanggan besar).
• Dampaknya jelas ke biaya atau pendapatan.

Contoh:

• Model prediksi beban harian untuk satu wilayah interkoneksi.
• Sistem pemeliharaan prediktif untuk satu pembangkit utama.
• Analitik konsumsi untuk 100 pelanggan industri terbesar.

2. Bangun tim lintas fungsi energi + data

AI di energi tidak bisa diserahkan ke tim IT saja. Perlu kombinasi:

• Engineer sistem tenaga
• Analis data/AI engineer
• Tim bisnis dan regulasi

Tim seperti ini bisa memastikan model AI yang dikembangkan relevan dengan operasi lapangan dan regulasi Indonesia.

3. Siapkan fondasi data yang rapi

AI hanya sebagus datanya. Jadi:

• Standarkan format data operasi dan pemeliharaan.
• Bangun data lake internal dengan hak akses yang jelas.
• Pastikan kualitas data (lengkap, akurat, konsisten) sebelum membangun model terlalu kompleks.

4. Sinkron dengan agenda transisi energi nasional

Walaupun bergerak cepat itu penting, tetap perlu sinkron dengan:

• Target bauran EBT nasional dan RUPTL.
• Rencana pensiun dini PLTU dan kebijakan EBT.

Ini membuat investasi AI dan digitalisasi masuk ke arus besar transisi energi Indonesia, bukan jalan sendiri-sendiri.

Mengejar Target EBT Berikutnya: Waktu untuk Naik Kelas

Kemunduran target bauran EBT 23% ke angka realisasi 13–14% memang mencerminkan tantangan negara berkembang: infrastruktur belum siap, regulasi masih berat ke fosil, kapasitas teknis terbatas. Dalam konteks itu, menyebut kondisi ini “masih wajar” bisa dimaklumi.

Namun kalau Indonesia ingin tetap relevan di ekonomi hijau global, “wajar” saja tidak cukup. Target bauran EBT berikutnya harus dikejar dengan cara berbeda, dan AI adalah salah satu alat paling rasional untuk mempercepat transisi.

Untuk perusahaan energi, pertanyaannya bukan lagi “perlu atau tidak pakai AI?”, tapi “di area mana AI paling cepat mengurangi biaya dan membuka ruang EBT lebih besar?”. Yang bergerak lebih dulu akan punya posisi tawar lebih kuat, baik ke regulator, investor, maupun pelanggan.

Transisi energi Indonesia sedang memasuki babak yang lebih serius. Data makin banyak, tekanan iklim makin kuat, dan ekspektasi publik makin tinggi. AI memberi kesempatan untuk mengelola semua kompleksitas itu dengan lebih cerdas.

Pada akhirnya, keberhasilan mengejar bauran EBT bukan hanya ditentukan oleh berapa banyak PLTS dan PLTB yang dibangun, tapi seberapa pintar kita mengoperasikan seluruh sistem energinya. Di titik itu, AI bukan lagi aksesori, tapi bagian inti dari strategi.