Oleh: Ruben Cornelius Siagian
Founder Siagian Global Research Center yang berbasis di Medan, Indonesia.
Kecerdasan artifisial atau artificial intelligence (AI) semakin ditempatkan sebagai teknologi strategis bagi masa depan Indonesia. AI diharapkan meningkatkan produktivitas, mempercepat pelayanan publik, memperkuat industri, dan mengembangkan riset. Karena itu, pembangunan infrastruktur digital, pusat data, compute cluster, jaringan telekomunikasi, energi, dan talenta AI mulai memperoleh perhatian yang semakin besar. Namun, di tengah optimisme tersebut, berapa banyak air yang dibutuhkan untuk membuat infrastruktur AI tetap beroperasi?
Pertanyaan ini relevan setelah muncul kasus pembangunan pusat data AI di Jatiluhur, Purwakarta. Pemerintah Provinsi Jawa Barat pada 1 Oktober 2026 mengumumkan penghentian sementara pembangunan karena dokumen AMDAL dan Persetujuan Bangunan Gedung belum tersedia. Pemerintah daerah meminta kajian penggunaan air Waduk Jatiluhur dibuka kepada masyarakat dan memastikan kebutuhan pusat data tidak mengganggu masyarakat serta pertanian. Proyek berkapasitas listrik hingga 640 MW ini bukan semata-mata persoalan teknologi dan investasi, tetapi juga tata ruang, energi, air, lingkungan, dan kepentingan masyarakat.
AI sering terlihat seperti teknologi “di awan”. Namun, model AI membutuhkan GPU dan CPU berperforma tinggi (Zhang dkk., 2025). Komputasi menghasilkan panas sehingga diperlukan pendinginan agar perangkat beroperasi pada temperatur aman (Chu dkk., 2004). Pada pusat data tertentu, pendinginan menggunakan air. Listriknya juga dapat memiliki jejak air dari pembangkitan (Siddik dkk., 2021), begitu pula produksi semikonduktor dan perangkat keras (Williams dkk., 2002).
Melalui Making AI Less “Thirsty”, Li dkk. (2025) memperkirakan pelatihan GPT-3 di pusat data Microsoft di Amerika Serikat berkaitan dengan konsumsi sekitar 5,4 juta liter air, termasuk konsumsi langsung dan tidak langsung. Sekitar 700.000 liter berasal dari konsumsi langsung di lokasi. Sekitar 500 mL air dapat dikaitkan dengan 10–50 respons GPT-3 berukuran sedang, bergantung pada lokasi dan waktu operasi. Ini bukan berarti setiap pertanyaan kepada setiap model membutuhkan setengah liter air. Estimasi dipengaruhi asumsi, teknologi pendinginan, sumber listrik, dan beban komputasi. Jejak air bergantung pada bagaimana, kapan, dan di mana AI dijalankan.
Selama ini keberlanjutan pusat data lebih berfokus pada carbon footprint. Padahal, listrik relatif rendah karbon tetap dapat disertai kebutuhan air tinggi apabila pendinginan berbasis evaporasi (Coroamă & Dumbravă, 2026).
Indonesia membutuhkan perspektif water footprint. Konsumsi air pendinginan dapat didekati melalui Wcooling = EIT × WUE, dengan EIT sebagai energi perangkat teknologi informasi dan WUE atau Water Usage Effectiveness sebagai konsumsi air per satuan energi. Semakin besar beban komputasi dan semakin tinggi WUE, semakin besar kebutuhan air. Jejak keseluruhannya mencakup pendinginan langsung, pembangkitan listrik, dan rantai pasok perangkat keras.
Konsumsi air juga bergantung pada efisiensi server, utilisasi, teknologi pendinginan, iklim, sumber listrik, dan infrastruktur (Lei dkk., 2025). Tidak ada angka universal bagi semua pusat data AI. Lokasi menjadi variabel ekologis. Pusat data di wilayah dengan temperatur dan kelembapan tertentu akan menghadapi kebutuhan pendinginan berbeda dengan wilayah lain. Ketersediaan dan kerentanan air harus menjadi bagian keputusan lokasi.
Kapasitas 640 MW di Jatiluhur tidak dapat langsung diterjemahkan menjadi konsumsi air. Diperlukan informasi beban IT aktual, PUE, WUE, teknologi pendinginan, sumber listrik, pola operasi, serta kebutuhan air lainnya. Masyarakat perlu mengetahui kebutuhan air harian dan tahunan, sumber air, water withdrawal dan water consumption, perubahan kebutuhan pada musim kemarau, serta dampaknya terhadap masyarakat dan pertanian.
Air tidak tersedia dalam ruang sosial yang kosong. Air yang digunakan industri juga dibutuhkan rumah tangga, pertanian, industri lain, dan ekosistem. Keberhasilan pusat data harus diukur pula dari kemampuannya mengelola sumber daya yang menjadi fondasinya.
Di sinilah paradoks pembangunan. AI dapat memprediksi kekeringan, mengoptimalkan jaringan listrik, mendeteksi kebocoran air, meningkatkan produktivitas pertanian, dan membantu mitigasi bencana. Namun, infrastrukturnya dapat mengonsumsi energi dan air dalam jumlah besar. Persoalannya adalah bagaimana membangun AI yang secara ekologis dapat dipertanggungjawabkan.
Tata kelola AI perlu mencakup infrastruktur fisik dalam kerangka environmental governance. Pusat data berskala besar seharusnya wajib melaporkan PUE, WUE, konsumsi listrik dan air, sumber air dan energi, teknologi pendinginan, serta risiko ketika terjadi kekeringan.
AMDAL perlu menyusun neraca air yang membandingkan kebutuhan pusat data dengan ketersediaan air dan kebutuhan masyarakat. Izin pembangunan harus mempertimbangkan apakah sumber dayanya dapat dipenuhi secara berkelanjutan.
Indonesia dapat mendorong dry cooling, closed-loop cooling, dan direct-to-chip liquid cooling, serta air daur ulang atau non-potabel apabila secara teknis dan lingkungan memungkinkan. Tujuannya bukan sekadar label “data center hijau”, melainkan intensitas penggunaan air yang terukur dan terus dikurangi.
Penentuan lokasi berdasarkan water stress juga penting. Wilayah dengan tekanan air tinggi semestinya memiliki persyaratan lebih ketat. Lokasi dengan kapasitas air lebih baik tetap harus memperhatikan ekosistem, masyarakat, dan keberlanjutan.
Indonesia dapat menghitung water footprint per AI workload. Konsumsi dinormalisasi terhadap GPU-hours, training runs, inference requests, token, atau ukuran komputasi tertentu agar efisiensi air dapat dibandingkan antarteknologi dan fasilitas.
Penelitian Indonesia dapat menggabungkan data NASA POWER, meteorologi lokal, PUE dan WUE, sumber energi, serta indeks tekanan air. Temperatur, kelembapan, dan wet-bulb temperature dapat dianalisis secara temporal untuk membangun model konsumsi air sesuai iklim dan hidrologi Indonesia.
Investasi dan lingkungan dapat berjalan bersama apabila aturan dibuat sejak awal. Kasus Jatiluhur dapat menjadi momentum membangun standar sebelum ekspansi pusat data AI meluas.
AI tidak berada di awan. AI berada di gedung-gedung nyata, menggunakan server nyata, membutuhkan listrik nyata, menghasilkan panas nyata, dan dalam desain tertentu membutuhkan air nyata. Kita perlu memastikan kebutuhan industri tidak mengurangi hak masyarakat terhadap sumber daya air.
Masa depan AI Indonesia semestinya tidak hanya diukur dari kapasitas komputasi, nilai investasi, dan jumlah pusat data, tetapi juga kemampuan mengelola sumber daya alam yang menopangnya. Sebab kecerdasan sebuah negara bukan hanya terlihat dari seberapa besar teknologi yang mampu dibangunnya, melainkan juga dari seberapa bijak negara tersebut memastikan teknologi itu dapat berkembang tanpa mengorbankan lingkungan dan kebutuhan generasi mendatang. (*)
Editor : Arief M