Oleh: Arki Rifazka, S.T., M.M. – Digital Transformation Specialist, Eks Kepala BPH APJII (2022-2025), Eks Direktur Eksekutif MASTEL (2018-2022)
Layanan digital modern dibangun di atas satu asumsi yang jarang diucapkan, layanan tidak boleh padam meski mesin bisa jatuh tempo. Di balik pengalaman pengguna yang tampak tanpa friksi, pusat data bekerja menjaga suhu, kelembapan, dan aliran energi agar komputasi tetap berada dalam batas aman. Karena itu, pendinginan tidak layak diperlakukan sebagai urusan teknik yang berdiri sendiri. Ia sudah menjadi keputusan ketahanan operasional yang ikut menentukan stabilitas pendapatan, reputasi merek, dan kredibilitas komitmen keberlanjutan. Relevansinya makin terasa ketika forum industri mempertemukan rantai pasok energi, teknologi pendinginan, dan tata kelola fasilitas dalam satu panggung. Di ruang seperti ini, pertanyaannya bergeser dari sekadar perangkat apa yang dipasang menjadi bagaimana manajemen menyusun strategi pendinginan yang dapat dibuktikan, dapat diaudit, dan tetap kompetitif pada 2026.
Masalahnya, ketika skala pusat data meningkat, tiga target manajemen sering tertarik ke arah berbeda dan memicu keputusan yang saling mengunci. Manajemen biaya ingin konsumsi listrik dan air turun agar biaya total kepemilikan terkendali. Tim operasi menuntut reliabilitas termal yang stabil karena gangguan kecil saja dapat berujung pada insiden layanan. Pada saat yang sama, tuntutan kepatuhan dan tata kelola, termasuk kerangka Environmental, Social, and Governance (ESG), meminta bukti yang dapat diuji, bukan narasi. Jika ketiga target itu dikelola sebagai proyek terpisah, organisasi sering memindahkan biaya dan risiko dari satu pos ke pos lain, lalu menyebutnya efisiensi. Menurut Silva-Llanca et al. (2023), pendekatan air-side free-cooling economization dapat menurunkan konsumsi energi, namun kinerjanya sangat dipengaruhi cuaca, terutama temperatur dan kelembapan, serta keputusan desainnya berimplikasi pada konsumsi air. Pelajarannya tegas, efisiensi yang sempit bisa menciptakan risiko yang luas, termasuk risiko reputasi saat organisasi berada di bawah sorotan water stewardship.
Solusi yang lebih matang berangkat dari cara pandang bahwa pendinginan adalah sistem yang harus dikendalikan, bukan sekadar mesin yang dihidupkan. Pada sisi desain, temuan Silva-Llanca et al. (2023) mendorong disiplin berbasis profil iklim, karena jam operasi dan manfaat free cooling berubah signifikan mengikuti kondisi lingkungan. Secara sederhana, ketika lingkungan mendukung, udara luar bisa membantu pendinginan sehingga beban pendingin mekanis turun. Ketika lingkungan tidak mendukung, sistem tetap harus menjaga kondisi suplai udara, sehingga kebutuhan pengendalian kelembapan dan konsumsi sumber daya dapat meningkat dan menggerus manfaat. Pada sisi kontrol, ruang peningkatan terbesar sering berada pada cara sistem diatur dari hari ke hari. Menurut He et al. (2021), optimasi parameter pada sistem pendinginan terintegrasi berbasis pipa kalor atau heat pipe dapat meningkatkan efisiensi energi melalui pencarian kombinasi setelan yang lebih optimal dibanding pengaturan konvensional. Ketika kontrol dibuat lebih adaptif, pendekatan pembelajaran juga relevan. Li et al. (2019) menunjukkan bahwa deep reinforcement learning (DRL) atau pembelajaran penguatan mendalam dapat membentuk kebijakan kontrol yang menyesuaikan diri terhadap variasi beban dan lingkungan sambil menjaga batas aman termal, asalkan telemetri memadai dan tujuan kontrol dirumuskan selaras dengan indikator kinerja. Dalam bahasa manajemen, perangkat keras memberi fondasi, sedangkan kontrol cerdas memberi konsistensi hasil, dan konsistensi inilah yang membuat efisiensi menjadi dapat diproyeksikan.
Implikasi bisnisnya langsung terasa pada sektor yang paling bergantung pada kontinuitas layanan. Untuk perbankan, jasa keuangan, dan asuransi (BFSI), stabilitas termal yang terukur memperkuat ketahanan layanan dan menurunkan risiko gangguan yang berdampak pada kepercayaan nasabah. Untuk telco, efisiensi pendinginan yang konsisten memberi ruang ekspansi kapasitas tanpa lonjakan biaya operasi dan tanpa kompromi pada service level yang dijanjikan. Untuk manufaktur, pusat data yang stabil membantu otomasi, analitik, dan kendali proses yang makin intensif komputasi sekaligus menekan volatilitas biaya utilitas. Untuk pemerintah, terutama layanan publik digital, pendekatan yang mengaitkan desain, kontrol, dan metrik mendukung akuntabilitas karena keputusan dapat ditautkan ke bukti kinerja, bukan sekadar klaim pengadaan. Di titik ini, metrik menjadi bahasa bersama. Chen et al. (2023) menunjukkan bagaimana integrasi pendinginan dan pemulihan panas buangan dapat dinilai dengan indikator yang mudah dipakai industri, seperti koefisien performa (Coefficient of Performance, COP), sekaligus membuka cara pandang bahwa fasilitas adalah sistem energi yang bisa dioptimalkan untuk nilai. Walaupun konteks pemanfaatan panas buangan tidak selalu sama di setiap lokasi, pelajarannya tetap relevan, yaitu pengukuran yang disiplin membantu menyelaraskan efisiensi, reliabilitas, dan kepatuhan dalam satu kerangka keputusan.
Pada 2026, kebutuhan industri tidak lagi sekadar memilih teknologi, melainkan membangun kesepakatan kerja sama lintas rantai pasok agar pendinginan benar-benar menjadi strategi ketahanan. Artinya, organisasi perlu mengikat tiga target yang sering berseberangan menjadi satu paket insentif dan metrik yang transparan. Efisiensi harus dibaca bersama dimensi air dan konteks cuaca, reliabilitas harus dibangun melalui kontrol yang cerdas dan dapat dijelaskan, dan kepatuhan harus ditopang oleh bukti yang dapat diaudit. Bukti dari literatur memberi arah bahwa ketahanan layanan digital yang paling kredibel lahir ketika pendinginan dikelola sebagai portofolio metrik dan kontrol, bukan sebagai silo teknis yang saling menyalahkan. Kesimpulannya, keputusan pendinginan yang benar bukan memilih antara hemat, andal, atau patuh, melainkan merancang sistem agar ketiganya bergerak sebagai satu logika nilai yang dapat dipertanggungjawabkan (Silva-Llanca et al., 2023; He et al., 2021; Li et al., 2019).
Referensi
- Chen, X., Wang, X., Ding, T., & Li, Z. (2023). Experimental research and energy saving analysis of an integrated data center cooling and waste heat recovery system. Applied Energy, 352, 121875. https://doi.org/10.1016/j.apenergy.2023.121875
- He, Z., Xi, H., Ding, T., Wang, J., & Li, Z. (2021). Energy efficiency optimization of an integrated heat pipe cooling system in data center based on genetic algorithm. Applied Thermal Engineering, 190, 115800. https://doi.org/10.1016/j.applthermaleng.2020.115800
- Li, Y., Wen, Y., Tao, D., & Guan, K. (2019). Transforming cooling optimization for green data center via deep reinforcement learning. IEEE Transactions on Cybernetics.
- Silva-Llanca, L., Ponce, C., Bermúdez, E., et al. (2023). Improving energy and water consumption of a data center via air free-cooling economization: The effect weather on its performance. Energy Conversion and Management, 281, 117344. https://doi.org/10.1016/j.enconman.2023.117344


