WWW.SINYALMAGZ.COM – Menyamakan data center konvensional dengan data center untuk Artificial Intelligence (AI) adalah sebuah kekeliruan besar. AI data center bukan sekadar data center biasa yang diperbesar ukurannya, melainkan bentuk infrastruktur yang mengalami perubahan mendasar pada kepadatan komputasinya.
Jika data center konvensional mengandalkan Central Processing Unit (CPU), penyimpanan data, dan perangkat jaringan standar, fasilitas AI menempatkan ratusan hingga ribuan Graphics Processing Unit (GPU) atau akselerator yang bekerja secara paralel. Kepadatan daya sistem generasi baru ini dapat mencapai 130–140 kW per rack—jauh melampaui rack tradisional. Semakin tinggi jumlah GPU, semakin besar pula konsumsi listrik dan daya panas yang harus dibuang, yang secara langsung meningkatkan kebutuhan sistem pendingin.
Lonjakan Kebutuhan Listrik
Dampak paling nyata dari tren ini adalah lonjakan konsumsi listrik. International Energy Agency (IEA) memproyeksikan kebutuhan listrik data center secara global akan meningkat dari sekitar 460 TWh pada 2024 menjadi lebih dari 1.000 TWh pada 2030.
Konsumsi listrik accelerated servers (yang utamanya didorong oleh beban kerja AI) diproyeksikan tumbuh sekitar 30% per tahun, jauh meninggalkan server konvensional yang hanya tumbuh sekitar 9% per tahun. Hal ini menempatkan AI sebagai pendorong utama lonjakan energi di sektor data center.
Di Amerika Serikat, tekanannya terasa kian berat. Laporan Lawrence Berkeley National Laboratory (2026) memperkirakan data center dapat menyedot 9,5% hingga 15,3% (rata-rata 11,8%) dari total listrik nasional pada 2030—melonjak tajam dibanding angka 4,4% pada 2023.
Tantangan utamanya terletak pada karakteristik beban listrik AI: berukuran sangat besar, beroperasi nonstop, dan terkonsentrasi di wilayah tertentu. Satu kampus AI dapat membutuhkan ratusan megawatt (MW) listrik, yang setara dengan kebutuhan energi sebuah kota kecil. Di Texas, misalnya, daya sebesar 75 MW saja diperkirakan setara dengan konsumsi listrik 15.000 hingga 20.000 rumah.
Konsumsi Air: Langsung vs. Tidak Langsung
Tingkat konsumsi air pada data center AI sangat bergantung pada teknologi pendingin yang digunakan. Sistem evaporative cooling memang membutuhkan air dalam jumlah besar karena panas dibuang melalui penguapan. Sebaliknya, sistem closed-loop liquid cooling atau pendingin non-evaporatif dapat menekan penggunaan air langsung secara drastis. Sebagai contoh, fasilitas AI Oracle di Abilene, Texas, menggunakan sistem one-time-fill closed-loop yang tidak mengandalkan penguapan, sehingga penggunaan air langsungnya relatif rendah.
Namun, terdapat dampak tersembunyi berupa penggunaan air tidak langsung (indirect water footprint). Listrik yang dipasok ke data center diproduksi oleh pembangkit listrik yang juga membutuhkan air. Studi dalam Nature Sustainability (2025) menunjukkan bahwa sekitar 71% jejak air server AI di AS berasal dari jalur tidak langsung ini, sementara penggunaan langsung hanya menyumbang 29%.
Studi tersebut memperkirakan deployment server AI di AS sepanjang 2024–2030 dapat menghasilkan jejak air tahunan sebesar 731–1.125 juta meter kubik serta tambahan emisi 24–44 juta ton CO2e per tahun. Artinya, sekadar mengganti teknologi pendingin di dalam gedung tidak otomatis menyelesaikan masalah air, karena beban tersebut berpindah ke pembangkit listrik.
Faktor lokasi juga memegang peranan krusial. Texas memiliki lahan luas dan potensi energi terbarukan yang melimpah, tetapi menghadapi keterbatasan pasokan air. Penelitian University of Texas (Mei 2026) memperkirakan data center dapat menyumbang 3–9% dari total penggunaan air di Texas pada 2040, naik pesat dari posisi saat ini yang berada di bawah 1%.
Di sisi lain, tidak tepat jika masalah ini disederhanakan dengan menyalahkan data center AI atas mengeringnya sumber air tertentu secara mutlak. Kasus Danau Medina di Texas yang mencapai kondisi dead pool (kapasitas sisa 2,1%) pada April 2025 utamanya disebabkan oleh bencana kekeringan. AI data center lebih tepat dilihat sebagai beban tambahan bagi sistem air yang memang sudah mengalami tekanan hidrologis.
Polusi Suara dan Udara
Dampak lingkungan lain yang kian meresahkan adalah kebisingan dan polusi udara. Suara bising umumnya bukan berasal dari GPU secara langsung, melainkan dari kipas, chiller, pompa, cooling tower, transformator, turbin gas, hingga generator diesel. Di Loudoun County, Virginia, fasilitas data center yang memanfaatkan turbin gas menghasilkan suara bising menyerupai mesin jet yang terdengar hingga radius 1,5–2 mil.
Karena pertumbuhan kebutuhan listrik data center kerap mendahului kapasitas pembangunan jaringan listrik umum (grid), banyak pengembang mulai membangun fasilitas pembangkit listrik mandiri di lokasi (onsite).
Investigasi Texas Tribune (2026) mengungkapkan setidaknya 38 data center di Texas mengantongi izin untuk mengoperasikan lebih dari 2.100 generator diesel onsite. Secara kumulatif, generator tersebut diizinkan melepas hingga 2.500 ton nitrogen oksida (NOx) per tahun. Fenomena ini menandai pergeseran karakter data center: dari gedung komputer biasa menjadi kompleks industri energi terpadu.
Jejak lingkungan AI juga mencakup emisi dan material dari seluruh siklus hidup perangkat—mulai dari manufaktur GPU, CPU, memori, baterai, semen, dan baja, hingga proses pembuangannya. Siklus pembaruan teknologi akselerator yang cepat berisiko memperpendek umur ekonomis perangkat dan memperparah krisis sampah elektronik (e-waste).
Efisiensi dan Paradoks Jevons
Di sisi lain, AI memiliki potensi untuk menjadi bagian dari solusi lingkungan. GPU generasi baru mencatatkan efisiensi komputasi per watt yang lebih tinggi, teknologi liquid cooling menekan konsumsi energi pendingin, dan penggunaan AI dapat mengoptimalkan efisiensi grid listrik, memprediksi pasokan energi terbarukan, serta meminimalkan kebocoran air.
Namun, di sinilah muncul Efek Jevons (paradoks efisiensi): ketika komputasi menjadi semakin hemat energi, jumlah permintaan komputasi justru melonjak jauh lebih cepat. Jika satu proses AI sepuluh kali lebih hemat energi tetapi volume pemakaiannya naik seratus kali lipat, total konsumsi energi tetap akan melonjak tajam.
Tantangan utama dari data center AI terletak pada skala, kecepatan, dan lokasi pembangunannya. AI membuat persoalan klasik data center menjadi jauh lebih intensif. Tantangan kebijakan ke depan adalah memastikan pengembangan AI tidak hanya mengejar kapasitas komputasi, tetapi juga memperhitungkan daya dukung jaringan listrik, ketersediaan air, emisi lokal, kebisingan, e-waste, serta beban biaya infrastruktur yang harus ditanggung oleh masyarakat.(*)
BACA JUGA: Saat Proyek AI Data Center BDx Rp3,5 Triliun Terganjal Izin Lingkungan
