Mengapa Data Center AI Membutuhkan Banyak Air?

 

Ketika membahas dampak lingkungan kecerdasan buatan atau Artificial Intelligence, perhatian publik biasanya tertuju pada kebutuhan listriknya.

Hal tersebut memang beralasan. AI membutuhkan komputasi besar untuk melatih model, menyimpan data, dan melayani permintaan pengguna. International Energy Agency memperkirakan konsumsi listrik pusat data global dapat meningkat dari sekitar 485 TWh pada 2025 menjadi sekitar 950 TWh pada 2030. Pertumbuhan AI menjadi salah satu pendorong utamanya.

Namun listrik bukan satu-satunya sumber daya yang digunakan.

Pusat data juga dapat membutuhkan air untuk:

• Membuang panas dari server.
• Mengoperasikan menara pendingin.
• Menjaga temperatur serta kelembapan fasilitas.
• Menghasilkan listrik yang digunakan pusat data.
• Membersihkan dan memelihara sistem pendinginan.

Meski demikian, pernyataan bahwa setiap aktivitas AI selalu “meminum” air dalam jumlah besar juga perlu diluruskan.

Tidak semua pusat data menggunakan metode pendinginan yang sama. Ada fasilitas yang memakai pendinginan evaporatif dengan konsumsi air cukup besar, tetapi ada pula pusat data yang menggunakan sistem tertutup atau pendinginan kering dengan konsumsi air langsung sangat rendah.

Karena itu, pertanyaan yang lebih tepat bukan hanya:

Berapa banyak air yang digunakan AI?

Pertanyaan yang lebih lengkap adalah:

Di mana AI dijalankan, teknologi pendinginan apa yang digunakan, dan dari sumber listrik mana energinya berasal?

Mengapa Server AI Menghasilkan Banyak Panas?

Pusat data AI berisi server dengan chip komputasi berperforma tinggi, seperti GPU, TPU, dan berbagai akselerator AI.

Chip tersebut menjalankan operasi matematika dalam jumlah sangat besar untuk:

• Melatih model AI.
• Menghasilkan teks, gambar, audio, dan video.
• Menganalisis data.
• Menjalankan aplikasi berbasis AI.
• Melayani permintaan pengguna secara waktu nyata.

Sebagian besar energi listrik yang masuk ke perangkat komputasi pada akhirnya berubah menjadi panas.

Semakin tinggi daya sebuah rak server, semakin besar panas yang harus dibuang. Beban AI juga cenderung mempunyai kepadatan daya lebih tinggi dibandingkan banyak aplikasi pusat data tradisional.

Jika panas tidak dikelola dengan baik, akibatnya dapat berupa:

• Penurunan kinerja chip.
• Bertambahnya kesalahan komputasi.
• Pemendekan umur perangkat.
• Penghentian otomatis sistem.
• Kerusakan komponen.
• Gangguan layanan.

Pendinginan karena itu bukan sekadar fasilitas tambahan. Pendinginan merupakan bagian utama dari keandalan operasional pusat data.

Apakah Semua Data Center AI Menggunakan Air?

Tidak selalu.

Hampir seluruh pusat data membutuhkan mekanisme untuk membuang panas, tetapi media dan metode yang digunakan dapat berbeda.

Hal yang sering membingungkan adalah perbedaan antara:

• Pendinginan perangkat di dalam pusat data.
• Pemindahan panas dari perangkat menuju sistem fasilitas.
• Pelepasan panas dari fasilitas menuju lingkungan.

Sebuah server dapat didinginkan menggunakan udara, tetapi fasilitasnya masih menggunakan menara pendingin berbasis air.

Sebaliknya, chip dapat didinginkan menggunakan cairan dalam sirkuit tertutup, sementara panas akhirnya dilepaskan melalui pendingin kering yang hampir tidak mengonsumsi air.

Karena itu, istilah “pendinginan cair” tidak otomatis berarti penggunaan air lebih boros.

Bagaimana Data Center AI Didinginkan?

1. Pendinginan udara

Pendinginan udara menggunakan kipas untuk mengalirkan udara dingin melewati server.

Udara panas kemudian diarahkan kembali menuju unit pendingin.

Sistem ini relatif sederhana dan telah lama digunakan. Namun kepadatan daya rak AI yang semakin tinggi membuat udara lebih sulit membawa seluruh panas secara efisien.

Pendinginan udara tetap dapat digunakan pada beban tertentu, tetapi mungkin membutuhkan:

• Kipas lebih kuat.
• Ruang lebih besar.
• Pengaturan lorong panas dan dingin.
• Temperatur udara lebih rendah.
• Konsumsi listrik pendinginan yang lebih tinggi.

Perlu diingat, sistem pendinginan udara di dalam ruang server masih dapat terhubung ke chiller dan menara pendingin yang menggunakan air.

2. Pendinginan evaporatif

Pendinginan evaporatif memanfaatkan penguapan air untuk menurunkan temperatur udara atau membuang panas.

Ketika air menguap, panas diserap dari sistem.

Metode ini dapat menggunakan energi lebih sedikit dibandingkan sebagian sistem pendinginan mekanis. Namun air yang telah menguap tidak langsung kembali ke sumber lokal sehingga dikategorikan sebagai konsumsi air.

Sistem berbasis menara pendingin termasuk salah satu sumber utama konsumsi air langsung pusat data.

3. Chilled-water cooling

Dalam sistem ini, air dingin bersirkulasi melalui pipa menuju unit penukar panas.

Air tidak dituangkan langsung ke server. Air berfungsi membawa panas dari ruang server menuju sistem pendingin.

Sirkuit utama dapat digunakan berulang kali. Namun fasilitas masih dapat kehilangan air melalui:

• Penguapan di menara pendingin.
• Pembuangan sebagian air untuk menjaga kualitas.
• Kebocoran.
• Pemeliharaan.

4. Direct-to-chip liquid cooling

Pada sistem direct-to-chip, pelat dingin ditempatkan langsung pada chip atau komponen yang menghasilkan panas tinggi.

Cairan membawa panas dengan lebih efisien dibandingkan udara.

Teknologi ini cocok untuk rak AI berdaya tinggi karena dapat:

• Mengurangi kebutuhan kipas.
• Meningkatkan kepadatan server.
• Membuang panas lebih dekat dari sumbernya.
• Menggunakan temperatur cairan yang lebih tinggi.
• Mempermudah pemanfaatan kembali panas.

Namun konsumsi air akhirnya tetap ditentukan oleh cara fasilitas membuang panas dari sirkuit tersebut.

5. Immersion cooling

Dalam immersion cooling, server atau komponennya ditempatkan di dalam cairan dielektrik yang tidak menghantarkan listrik.

Panas dipindahkan langsung dari komponen ke cairan.

Metode ini berpotensi meningkatkan efisiensi pendinginan dan mengurangi penggunaan kipas. Namun fasilitas tetap memerlukan sistem untuk membuang panas dari cairan tersebut menuju lingkungan.

Jadi, immersion cooling tidak otomatis berarti pusat data bebas air. Hasilnya tergantung pada desain sistem pelepasan panas.

Air Tidak Hanya Digunakan di Lokasi Data Center

Jejak air pusat data dapat dibagi menjadi beberapa lapisan.

Konsumsi air langsung

Air digunakan di dalam fasilitas, terutama untuk pendinginan, pelembapan, dan pemeliharaan.

Konsumsi air tidak langsung

Listrik yang digunakan pusat data dapat berasal dari pembangkit yang juga membutuhkan air.

Pembangkit termal, termasuk sebagian pembangkit batu bara, gas, dan nuklir, dapat menggunakan air untuk pendinginan. Waduk pembangkit listrik tenaga air juga mengalami kehilangan air akibat penguapan.

Dengan demikian, pusat data yang tidak menggunakan air untuk pendinginan di lokasinya belum tentu memiliki jejak air total yang rendah.

LBNL memperkirakan pusat data Amerika Serikat menggunakan sekitar 66 miliar liter air secara langsung pada 2023. Pada tahun yang sama, jejak air tidak langsung akibat pembangkitan listrik diperkirakan mendekati 800 miliar liter. Data tersebut mencakup seluruh pusat data Amerika Serikat, bukan hanya fasilitas AI.

Air dalam rantai pasok

Air juga digunakan untuk:

• Produksi semikonduktor.
• Pembuatan server.
• Produksi baterai cadangan.
• Pembangunan gedung.
• Produksi baja dan beton.

Jejak tersebut sering disebut sebagai embodied water atau air yang tertanam dalam rantai produksi.

Metrik operasional pusat data biasanya tidak memasukkan seluruh penggunaan air tersebut.

Water Withdrawal dan Water Consumption Tidak Sama

Dua istilah ini sering dipertukarkan, padahal artinya berbeda.

Water withdrawal

Jumlah air yang diambil dari sungai, danau, air tanah, jaringan air kota, atau sumber lainnya.

Sebagian air tersebut dapat dikembalikan setelah digunakan.

Water consumption

Bagian air yang tidak segera dikembalikan ke sumber lokal, misalnya karena:

• Menguap.
• Menjadi bagian dari produk.
• Dipindahkan ke daerah lain.
• Tidak dapat digunakan kembali dalam waktu dekat.

Dalam sistem menara pendingin, sebagian air diuapkan. Volume tersebut biasanya dihitung sebagai konsumsi air.

Perbedaan ini penting karena suatu fasilitas dapat mengambil air dalam jumlah besar, tetapi mengembalikan sebagian besar volumenya. Sebaliknya, fasilitas dengan pengambilan lebih kecil dapat mengonsumsi proporsi air yang lebih besar.

Apa Itu Water Usage Effectiveness?

Efisiensi air pusat data biasanya diukur menggunakan Water Usage Effectiveness atau WUE.

Secara sederhana:

WUE = konsumsi air pusat data dibagi energi listrik peralatan teknologi informasi

Satuannya umumnya liter per kilowatt-hour atau L/kWh.

Semakin rendah WUE, semakin sedikit air langsung yang digunakan untuk setiap kWh energi perangkat IT.

Namun angka WUE tidak dapat dinilai sendirian.

WUE dipengaruhi oleh:

• Teknologi pendinginan.
• Temperatur dan kelembapan.
• Lokasi pusat data.
• Efisiensi server.
• Tingkat pemanfaatan server.
• Sumber air.
• Jam operasi.
• Musim.
• Cara panas dilepaskan.

LBNL memperkirakan rata-rata WUE langsung pusat data Amerika Serikat berada sedikit di atas 0,36 L/kWh pada 2023. Nilainya diproyeksikan dapat meningkat menjadi sekitar 0,45–0,48 L/kWh karena pertumbuhan pusat data hyperscale dan sistem AI berpendingin cair. Angka tersebut merupakan hasil pemodelan dan tidak mewakili setiap fasilitas.

PUE Rendah Belum Tentu Berarti WUE Rendah

Power Usage Effectiveness atau PUE mengukur efisiensi energi pusat data.

PUE = total listrik fasilitas dibagi listrik perangkat IT

PUE mendekati 1 menunjukkan semakin sedikit energi tambahan yang digunakan untuk pendinginan, kelistrikan, pencahayaan, dan fasilitas pendukung.

Masalahnya, teknologi yang menghemat listrik belum tentu menghemat air.

Pendinginan berbasis penguapan dapat memberikan PUE lebih baik karena menggunakan lebih sedikit listrik. Namun metode tersebut dapat meningkatkan konsumsi air.

Sebaliknya, pendinginan kering dapat mengurangi konsumsi air di lokasi, tetapi memerlukan lebih banyak listrik, terutama pada cuaca panas.

LBNL menekankan adanya pertukaran antara efisiensi energi dan efisiensi air. Evaluasi pusat data karena itu perlu memperhitungkan PUE, WUE langsung, serta air yang digunakan untuk menghasilkan listrik.

Berapa Banyak Air yang Digunakan Satu Permintaan AI?

Tidak ada satu angka yang berlaku untuk seluruh pertanyaan AI.

Jumlah air per permintaan dapat berbeda sangat jauh karena dipengaruhi oleh:

• Model yang digunakan.
• Panjang input dan jawaban.
• Apakah sistem menghasilkan teks, gambar, atau video.
• Jenis chip.
• Tingkat pemanfaatan server.
• Lokasi pusat data.
• Waktu permintaan.
• Metode pendinginan.
• Sumber listrik.
• Efisiensi model.

Kajian LBNL pada 2025 menemukan bahwa penggunaan air pada tingkat beban kerja dapat berbeda lebih dari 10.000 kali lipat. Faktor penentunya mencakup efisiensi server, sumber listrik, pemanfaatan perangkat, jenis pendinginan, iklim, dan umur server.

Karena itu, klaim seperti:

“Satu pertanyaan AI pasti menghabiskan satu botol air”

tidak dapat diterapkan secara universal.

Google melaporkan bahwa berdasarkan metodologinya sendiri, median satu permintaan teks pada aplikasi Gemini menggunakan sekitar 0,26 mililiter air pada periode pengukuran tertentu. Perhitungan tersebut memasukkan energi server, perangkat pendukung, kapasitas menganggur, dan pendinginan. Angka ini hanya menggambarkan sistem serta metodologi Google dan tidak boleh dianggap sebagai angka rata-rata seluruh layanan AI.

Jawaban singkat, pembuatan video, dan pelatihan model besar jelas memiliki kebutuhan komputasi yang berbeda.

Pelatihan dan Inferensi Memiliki Pola Berbeda

Pelatihan model

Pelatihan dilakukan untuk membangun atau memperbarui kemampuan model AI.

Prosesnya dapat melibatkan banyak akselerator yang bekerja selama berhari-hari atau berminggu-minggu.

Beban komputasinya besar, tetapi biasanya terjadi pada periode tertentu.

Inferensi

Inferensi terjadi setiap kali model digunakan untuk menghasilkan jawaban atau keluaran.

Satu permintaan mungkin menggunakan sumber daya lebih kecil daripada pelatihan. Namun jumlah inferensi dapat mencapai jutaan atau miliaran permintaan.

Dalam layanan populer, total konsumsi inferensi dapat menjadi sangat besar karena berlangsung terus-menerus.

Membandingkan dampak lingkungan AI karena itu perlu memperhitungkan keduanya.

Bagaimana Google Mengelola Konsumsi Air?

Google menyatakan menyeimbangkan penggunaan energi dan air ketika memilih metode pendinginan pusat datanya.

Pada 2025, proyek pengelolaan air perusahaan tersebut dilaporkan mengembalikan sekitar 7,7 miliar galon air, setara sekitar 78 persen dari konsumsi air tawar operasi globalnya pada tahun tersebut. Angka ini mencakup operasi Google secara luas dan bukan hanya pusat data AI.

Pendekatan yang digunakan dapat berbeda berdasarkan lokasi, antara lain:

• Air daur ulang.
• Pendinginan udara.
• Air laut pada fasilitas tertentu.
• Proyek pemulihan daerah aliran sungai.
• Pengurangan penggunaan air tawar.
• Peningkatan efisiensi komputasi.

Klaim “mengembalikan air” juga tidak berarti molekul air yang sama dimasukkan kembali ke lokasi serta waktu penggunaannya.

Kualitas program perlu dinilai berdasarkan relevansi proyek dengan kondisi daerah aliran sungai setempat.

Bagaimana Microsoft Mengurangi Penggunaan Air?

Microsoft mengukur efisiensi air pusat datanya menggunakan WUE.

Perusahaan melaporkan rata-rata WUE pusat data miliknya turun dari sekitar 2,3 L/kWh pada generasi awal menjadi 0,27 L/kWh pada 2025. Microsoft juga menargetkan peningkatan efisiensi intensitas air pusat data sebesar 40 persen pada 2030. Angka tersebut merupakan laporan perusahaan atas armada pusat datanya sendiri.

Microsoft juga mengembangkan desain pusat data baru dengan sistem pendinginan sirkuit tertutup yang tidak menggunakan air untuk pendinginan setelah sistem diisi. Perusahaan memperkirakan desain tersebut dapat menghindari penggunaan sekitar 125.000 meter kubik air per tahun pada setiap fasilitas tertentu.

Namun sistem tanpa konsumsi air langsung dapat membutuhkan lebih banyak energi pada kondisi tertentu. Dampak totalnya harus dihitung berdasarkan iklim dan sumber listrik setempat.

Apakah Air Daur Ulang Dapat Menjadi Solusi?

Salah satu cara mengurangi tekanan terhadap air bersih adalah menggunakan:

• Air limbah perkotaan yang telah diolah.
• Air industri yang memenuhi standar.
• Air hujan.
• Air dengan kualitas nonpotabel.
• Air laut pada desain yang sesuai.

Air pendingin tidak selalu harus memiliki kualitas air minum.

Penggunaan air daur ulang dapat mengurangi persaingan dengan kebutuhan rumah tangga. Namun penggunaannya tetap membutuhkan:

• Jaringan pipa.
• Instalasi pengolahan.
• Kontrol kualitas.
• Pengendalian korosi dan kerak.
• Pengelolaan limbah konsentrat.
• Izin lingkungan.

Air daur ulang juga belum tentu tersedia dalam jumlah cukup di setiap lokasi.

Apakah Liquid Cooling Menjadi Solusi Terbaik?

Pendinginan cair semakin penting karena rak AI mempunyai kepadatan panas tinggi.

Keunggulannya meliputi:

• Transfer panas lebih baik.
• Penggunaan kipas lebih sedikit.
• Kemampuan menangani chip berdaya tinggi.
• Potensi PUE lebih rendah.
• Peluang memanfaatkan panas buang.

Namun teknologi ini bukan solusi tunggal.

Sistem pendinginan cair masih harus menentukan bagaimana panas akhirnya dibuang:

Pelepasan panas	Penggunaan air langsung	Kebutuhan energi
Menara pendingin evaporatif	Relatif tinggi	Relatif efisien
Dry cooler	Sangat rendah	Dapat lebih tinggi
Sistem hibrida	Tergantung kondisi	Menengah
Air laut atau permukaan	Tergantung desain	Tergantung lokasi
Pemanfaatan panas	Berpotensi mengurangi pembuangan	Memerlukan pengguna panas

Pilihan terbaik bergantung pada kondisi lokasi, bukan hanya jenis chip.

Mengapa Lokasi Data Center Sangat Penting?

Pusat data di daerah dingin dapat memanfaatkan udara luar untuk pendinginan selama lebih banyak jam.

Sebaliknya, fasilitas di daerah panas dan lembap menghadapi tantangan lebih besar karena udara luar tidak selalu cukup dingin untuk membuang panas.

Lokasi juga menentukan:

• Ketersediaan air.
• Risiko kekeringan.
• Kualitas air.
• Harga listrik.
• Bauran energi.
• Risiko banjir.
• Jaringan telekomunikasi.
• Kedekatan dengan pengguna.
• Peluang pemanfaatan panas.

Studi LBNL menunjukkan bahwa iklim, teknologi pendinginan, efisiensi server, dan sumber listrik dapat membuat jejak air beban kerja digital berbeda secara sangat besar.

Membangun pusat data di lokasi dengan harga lahan murah belum tentu menjadi keputusan yang berkelanjutan jika daerah tersebut mengalami tekanan air.

Dampak terhadap Masyarakat Lokal

Secara global, konsumsi air pusat data mungkin terlihat kecil dibandingkan pertanian atau penggunaan perkotaan.

Namun dampaknya bersifat lokal.

Pusat data besar dapat mengambil air dari sumber yang sama dengan:

• Rumah tangga.
• Pertanian.
• Industri.
• Rumah sakit.
• Ekosistem.
• Penyediaan air saat musim kemarau.

Masalah dapat terjadi ketika permintaan pusat data terkonsentrasi pada satu daerah dan meningkat ketika kondisi sedang panas.

Pada cuaca panas, kebutuhan pendinginan dapat naik bersamaan dengan kebutuhan air serta listrik masyarakat.

Karena itu, laporan penggunaan air tahunan saja belum selalu cukup. Evaluasi juga perlu melihat:

• Penggunaan bulanan.
• Penggunaan saat musim kemarau.
• Jam beban puncak.
• Kondisi daerah aliran sungai.
• Sumber air yang digunakan.
• Dampak terhadap tarif air.
• Kapasitas pasokan darurat.

Apakah Data Center Mengembalikan Air yang Bersih?

Air dari sistem pendingin tidak selalu langsung dibuang setelah satu kali penggunaan.

Dalam sirkuit tertutup, air dapat digunakan berulang kali.

Namun sebagian air perlu dikeluarkan untuk mengendalikan konsentrasi:

• Mineral.
• Garam.
• Bahan kimia.
• Mikroorganisme.
• Produk korosi.

Air buangan tersebut disebut blowdown dan harus dikelola sesuai kualitasnya.

Sistem pendinginan juga dapat menggunakan bahan kimia untuk:

• Mengendalikan kerak.
• Mencegah korosi.
• Menghambat pertumbuhan mikroba.

Karena itu, penilaian lingkungan tidak boleh hanya menghitung volume air, tetapi juga kualitas air buangan dan cara pengolahannya.

Pertumbuhan Data Center di Indonesia

Indonesia sedang mendorong pertumbuhan pusat data untuk mendukung ekonomi digital, komputasi awan, layanan pemerintahan, dan AI.

Laporan Kinerja Kementerian Komunikasi dan Digital menyebut kapasitas pusat data Indonesia pada 2025 berada di kisaran 370 MW, atau sekitar 1,3 watt per kapita. Kementerian menilai penguatan energi berkelanjutan dan teknologi efisiensi menjadi bagian penting dalam ekspansi berikutnya.

Rencana Strategis Komdigi 2025–2029 memperkirakan kebutuhan kapasitas pusat data dapat mencapai sekitar 1.410 MW pada 2029. Pertumbuhan tersebut dipicu peningkatan konsumsi data, ekonomi digital, komputasi awan, dan AI.

Komdigi bersama industri juga mulai membahas standar pusat data berkelanjutan yang mencakup efisiensi energi dan kelestarian lingkungan.

Dengan pertumbuhan beberapa kali lipat tersebut, kebutuhan air tidak boleh dianggap sebagai isu tambahan yang baru diperiksa setelah fasilitas dibangun.

Tantangan Data Center AI di Indonesia

Indonesia memiliki iklim tropis yang panas dan lembap. Kondisi ini dapat membatasi penggunaan pendinginan udara luar dibandingkan wilayah beriklim dingin.

Selain itu, banyak investasi pusat data terkonsentrasi di:

• Jabodetabek.
• Bekasi dan Karawang.
• Batam.
• Kawasan industri tertentu.

Konsentrasi tersebut dapat menambah tekanan terhadap listrik, air baku, jaringan, dan lahan pada lokasi yang sama.

Tantangan lain meliputi:

• Ketergantungan pada air tanah atau jaringan air kota.
• Perubahan ketersediaan air saat musim kemarau.
• Banjir.
• Kualitas air yang berbeda antarwilayah.
• Persaingan dengan kebutuhan domestik dan industri.
• Kebutuhan energi untuk pengolahan air.
• Keterbatasan air daur ulang.

Karena itu, izin dan kajian lingkungan seharusnya tidak hanya mencantumkan kapasitas listrik serta luas bangunan.

Kajian juga perlu menjelaskan:

• Sumber air.
• Volume penarikan dan konsumsi.
• WUE yang ditargetkan.
• Kondisi musim kemarau.
• Sistem daur ulang.
• Kualitas air buangan.
• Rencana ketika pasokan air terganggu.
• Dampak kumulatif dari beberapa pusat data dalam kawasan yang sama.

Apakah Data Center Harus Dibangun di Daerah yang Banyak Air?

Tidak selalu.

Ketersediaan air hanya salah satu pertimbangan.

Pusat data juga membutuhkan:

• Listrik andal.
• Koneksi serat optik.
• Keamanan.
• Lahan.
• Risiko bencana rendah.
• Kedekatan dengan pengguna.
• Tenaga kerja.
• Kepastian regulasi.

Lokasi dengan banyak air juga belum tentu tepat jika ekosistemnya sensitif atau masyarakat masih kesulitan memperoleh air bersih.

Pilihan yang lebih baik adalah menyesuaikan desain pendinginan dengan daya dukung lokasi.

Pusat data di wilayah dengan tekanan air tinggi dapat memprioritaskan sistem pendinginan kering, sirkuit tertutup, atau air daur ulang meskipun biaya energinya mungkin lebih besar.

Cara Membuat Data Center AI Lebih Hemat Air

1. Meningkatkan efisiensi model AI

Model yang lebih efisien membutuhkan lebih sedikit komputasi untuk menghasilkan keluaran yang sama.

Pendekatannya dapat berupa:

• Model yang disesuaikan dengan tugas.
• Kuantisasi.
• Kompresi.
• Mixture-of-experts.
• Pengurangan perhitungan yang tidak diperlukan.
• Penggunaan kembali hasil komputasi.

Mengurangi listrik server biasanya juga mengurangi panas dan kebutuhan pendinginan.

2. Meningkatkan utilisasi server

Server yang menyala tetapi jarang digunakan tetap membutuhkan listrik dan pendinginan.

Pengelolaan beban yang baik memungkinkan lebih banyak pekerjaan diselesaikan menggunakan jumlah perangkat lebih kecil.

3. Memilih perangkat keras yang efisien

Chip baru dapat memberikan komputasi lebih besar per watt.

Namun penggantian perangkat terlalu sering juga menambah dampak produksi dan limbah elektronik. Keputusan harus mempertimbangkan siklus hidup secara menyeluruh.

4. Menggunakan pendinginan cair tertutup

Direct-to-chip atau immersion cooling dapat meningkatkan kemampuan membawa panas dan mengurangi kebutuhan kipas.

Sistem dapat dipadukan dengan dry cooler untuk menurunkan konsumsi air langsung.

5. Menggunakan air daur ulang

Air bersih sebaiknya diprioritaskan untuk kebutuhan masyarakat.

Ketika memungkinkan, pusat data dapat menggunakan air limbah terolah atau sumber nonpotabel.

6. Menggunakan sistem hibrida

Pendinginan kering digunakan ketika temperatur memungkinkan. Pendinginan evaporatif hanya diaktifkan ketika kondisi sangat panas.

Pendekatan ini dapat menyeimbangkan konsumsi listrik dan air.

7. Menjadwalkan beban fleksibel

Pelatihan AI dan pekerjaan komputasi nonmendesak dapat dijalankan ketika:

• Temperatur lebih rendah.
• Pasokan listrik lebih bersih.
• Sistem air tidak sedang mengalami tekanan.
• Kapasitas energi tersedia.

8. Memanfaatkan panas buang

Panas dari pusat data dapat digunakan untuk:

• Pemanasan bangunan.
• Air panas.
• Proses industri bertemperatur rendah.
• Pengeringan.
• Budidaya tertentu.

Peluang ini lebih mudah diterapkan jika pusat data berada dekat pengguna panas.

9. Melaporkan WUE secara transparan

Operator sebaiknya melaporkan:

• WUE tahunan.
• WUE bulanan.
• Penarikan air.
• Konsumsi air.
• Sumber air.
• Persentase air daur ulang.
• Penggunaan air saat musim kering.
• Jejak air listrik.
• Target dan realisasi.

Data agregat global dapat menyembunyikan masalah pada satu lokasi tertentu.

Standar Data Center Hijau Tidak Boleh Hanya Mengukur Listrik

Penilaian pusat data berkelanjutan sering terlalu berfokus pada PUE.

Padahal fasilitas dengan PUE rendah belum tentu mempunyai dampak air yang rendah.

Standar yang lebih lengkap perlu memasukkan:

Indikator	Fungsi
PUE	Mengukur efisiensi energi fasilitas
WUE	Mengukur konsumsi air per energi IT
CUE	Mengukur emisi karbon terkait energi
Persentase air daur ulang	Mengukur penggunaan sumber nonpotabel
Konsumsi air musiman	Menilai tekanan saat musim kering
Intensitas air listrik	Menghitung air tidak langsung
Pemanfaatan panas	Mengukur penggunaan kembali panas buang
Tingkat pemulihan air	Menilai sirkulasi serta penggunaan ulang

Pemerintah juga perlu membedakan fasilitas yang memakai air tawar berkualitas tinggi dengan fasilitas yang menggunakan air limbah terolah.

Mitos tentang Konsumsi Air AI

“Setiap pertanyaan AI menghabiskan satu botol air”

Tidak ada angka universal.

Penggunaan air berbeda menurut model, pusat data, pendinginan, listrik, lokasi, dan waktu pemrosesan.

“Pendinginan cair selalu menghabiskan lebih banyak air”

Tidak selalu.

Cairan dapat bersirkulasi dalam sistem tertutup. Konsumsi air terutama ditentukan oleh cara panas dilepaskan ke lingkungan.

“Data center tanpa air berarti tidak mempunyai jejak air”

Belum tentu.

Pembangkit listrik dan produksi perangkat keras dapat menggunakan air.

“Air yang digunakan cooling tower dapat terus dipakai selamanya”

Tidak.

Sebagian menguap dan sebagian perlu dibuang untuk menjaga kualitas sistem.

“Air daur ulang tidak aman digunakan”

Air daur ulang dapat digunakan untuk pendinginan apabila telah diolah sesuai standar teknis dan lingkungan.

“Pusat data adalah pengguna air terbesar”

Secara nasional, sektor lain seperti pertanian biasanya menggunakan air jauh lebih besar.

Namun pusat data dapat mempunyai dampak penting secara lokal ketika konsumsi terkonsentrasi di wilayah dengan tekanan air.

Pertanyaan yang Sering Diajukan

Mengapa AI membutuhkan air?

AI dijalankan pada server yang menghasilkan panas. Air dapat digunakan untuk membawa atau membuang panas tersebut. Air juga dapat digunakan secara tidak langsung oleh pembangkit listrik.

Apakah ChatGPT dan chatbot lain menggunakan air setiap kali menjawab?

Permintaan AI membutuhkan komputasi dan listrik. Jejak airnya bergantung pada pusat data dan sumber listrik yang melayani permintaan tersebut.

Tidak ada angka tunggal yang berlaku bagi seluruh chatbot.

Berapa liter air yang digunakan satu data center?

Jumlahnya sangat bervariasi.

Kapasitas fasilitas, metode pendinginan, iklim, utilisasi server, dan sumber listrik menentukan hasilnya. Data perlu dilaporkan per fasilitas menggunakan WUE serta konsumsi tahunan dan musiman.

Apakah data center dapat beroperasi tanpa air?

Bisa untuk pendinginan langsung jika menggunakan sistem kering atau sirkuit tertutup.

Namun jejak air tidak langsung dari listrik dan produksi peralatan tetap dapat ada.

Mana yang lebih baik, pendinginan udara atau cairan?

Tidak ada jawaban universal.

Pendinginan cair lebih efektif untuk chip berdaya tinggi. Pendinginan udara mungkin memadai untuk beban lebih rendah. Sistem pembuangan panas akhirnya menentukan konsumsi energi dan air.

Apakah air laut dapat digunakan?

Bisa pada lokasi dan desain tertentu.

Namun diperlukan perlindungan terhadap korosi, dampak ekosistem laut, temperatur pembuangan, dan kebutuhan pemompaan.

Apakah AI dapat membantu menghemat air?

AI dapat mengoptimalkan temperatur, aliran cairan, kipas, pompa, dan jadwal beban.

Namun penghematan harus diukur berdasarkan data aktual, bukan hanya klaim teknologi.

Kesimpulan

Data center AI dapat membutuhkan air dalam jumlah besar karena server berdaya tinggi menghasilkan panas yang harus dibuang secara terus-menerus.

Namun tidak seluruh fasilitas mempunyai konsumsi yang sama.

Jejak air AI dipengaruhi oleh:

• Efisiensi model.
• Jenis chip.
• Utilisasi server.
• Metode pendinginan.
• Iklim.
• Lokasi.
• Sumber air.
• Bauran pembangkit listrik.
• Cara pengelolaan air buangan.

Air juga digunakan secara tidak langsung untuk menghasilkan listrik. Dalam sejumlah analisis, jejak air dari pembangkitan listrik bahkan jauh lebih besar daripada konsumsi langsung di dalam pusat data.

Karena itu, menyebut satu angka penggunaan air untuk setiap pertanyaan AI dapat menyesatkan tanpa penjelasan metodologi.

Bagi Indonesia, pertumbuhan pusat data merupakan peluang ekonomi yang besar. Namun peningkatan kapasitas dari ratusan menjadi lebih dari seribu megawatt juga akan membawa kebutuhan listrik, air, jaringan, dan lahan yang jauh lebih besar.

Pembangunan pusat data seharusnya disertai:

• Kajian daya dukung air.
• Pemilihan lokasi yang tepat.
• Penggunaan air daur ulang.
• Sistem pendinginan sesuai kondisi lokal.
• Pelaporan WUE.
• Pengelolaan air buangan.
• Efisiensi komputasi.
• Pasokan listrik rendah karbon.
• Perlindungan kebutuhan air masyarakat.

Pertanyaan masa depan bukan hanya:

Seberapa cerdas AI dapat dikembangkan?

Pertanyaan yang sama pentingnya adalah:

Berapa besar sumber daya yang digunakan untuk menghasilkan kecerdasan tersebut, dan siapa yang menanggung dampaknya?

AI yang berkelanjutan bukan sekadar AI yang menggunakan listrik lebih sedikit.

AI yang berkelanjutan juga harus menggunakan air secara efisien, transparan, dan tidak mengorbankan kebutuhan masyarakat serta ekosistem lokal.

Apa Itu Black Swan? Pengertian, Contoh, dan Cara Mengelola Risiko Tak Terduga

 

Sebagian besar organisasi menghabiskan banyak waktu untuk mengelola risiko yang sudah dikenal.

Mereka menyusun risk register, menilai kemungkinan dan dampak, menetapkan pemilik risiko, lalu membuat rencana mitigasi.

Pendekatan tersebut sangat penting. Namun sejarah menunjukkan bahwa perubahan terbesar tidak selalu berasal dari risiko yang memperoleh nilai tertinggi dalam matriks.

Kadang-kadang sebuah peristiwa muncul di luar ekspektasi normal, menimbulkan dampak luar biasa, lalu mengubah cara dunia bekerja.

Peristiwa semacam ini sering disebut Black Swan atau angsa hitam.

Istilah tersebut kini banyak digunakan untuk menggambarkan pandemi, krisis keuangan, perang, gangguan teknologi, atau bencana besar.

Namun penggunaannya sering terlalu luas.

Tidak setiap kejadian langka merupakan Black Swan. Tidak setiap krisis besar juga dapat disebut Black Swan. Bahkan pandemi COVID-19, yang sering diberi label tersebut, justru disebut Nassim Nicholas Taleb sebagai peristiwa yang dapat diperkirakan dan seharusnya dipersiapkan.

Lalu, apa sebenarnya Black Swan?

Apa Itu Black Swan?

Konsep Black Swan dipopulerkan oleh Nassim Nicholas Taleb melalui buku The Black Swan: The Impact of the Highly Improbable yang diterbitkan pada 2007.

Menurut kerangka Taleb, Black Swan memiliki tiga karakteristik utama:

1. Berada di luar ekspektasi normal.
2. Menimbulkan dampak yang sangat besar.
3. Setelah terjadi, manusia menciptakan penjelasan yang membuatnya terlihat seolah-olah dapat diprediksi sejak awal.

Dengan kata lain, Black Swan bukan sekadar peristiwa berprobabilitas rendah.

Peristiwa tersebut merupakan kejutan besar yang tidak dapat dijelaskan secara meyakinkan menggunakan pengalaman dan pola normal sebelum kejadian berlangsung.

Setelah peristiwa terjadi, manusia kemudian melihat kembali informasi lama dan mengatakan:

• “Tandanya sebenarnya sudah jelas.”
• “Seharusnya kita sudah menduga.”
• “Kejadian tersebut memang tidak terhindarkan.”

Kecenderungan menilai suatu peristiwa seolah-olah mudah diprediksi setelah mengetahui hasilnya disebut hindsight bias atau bias pengetahuan setelah kejadian.

Dari Mana Istilah Black Swan Berasal?

Selama berabad-abad, masyarakat Eropa mengenal angsa yang seluruhnya berwarna putih.

Karena belum pernah melihat warna lain, mereka menganggap semua angsa pasti putih.

Keyakinan tersebut berubah ketika angsa hitam ditemukan di Australia.

Satu pengamatan baru cukup untuk menggugurkan kesimpulan yang sebelumnya dianggap universal.

Taleb menggunakan kisah tersebut sebagai metafora mengenai keterbatasan pengetahuan manusia.

Ribuan pengamatan angsa putih tidak dapat membuktikan bahwa seluruh angsa di dunia berwarna putih. Sebaliknya, satu angsa hitam cukup untuk membuktikan bahwa keyakinan tersebut salah.

Pelajarannya adalah:

Tidak adanya bukti pada masa lalu bukan berarti suatu kejadian mustahil terjadi pada masa depan.

Black Swan Tidak Selalu Berarti Bencana

Black Swan sering dikaitkan dengan krisis, kerugian, dan kehancuran.

Padahal dampaknya dapat bersifat negatif maupun positif.

Taleb memasukkan serangan 11 September sebagai contoh Black Swan negatif dan keberhasilan luar biasa Google sebagai contoh Black Swan positif. Perkembangan internet dan komputer pribadi juga sering digunakan untuk menggambarkan inovasi yang dampaknya jauh melampaui perkiraan awal.

Contoh Black Swan positif dapat berupa:

• Penemuan teknologi revolusioner.
• Obat baru yang mengubah pengobatan.
• Produk kecil yang tiba-tiba menjadi pasar global.
• Perubahan sosial yang membuka peluang ekonomi baru.
• Penemuan ilmiah yang melahirkan industri baru.

Karena itu, organisasi tidak hanya perlu melindungi diri dari kejutan negatif.

Organisasi juga perlu memiliki fleksibilitas untuk menangkap peluang besar yang tidak direncanakan sebelumnya.

Apakah Pandemi COVID-19 Merupakan Black Swan?

COVID-19 sering disebut sebagai contoh Black Swan karena dampaknya sangat besar dan mengejutkan banyak perusahaan.

Pandemi tersebut mengganggu:

• Kesehatan masyarakat.
• Perjalanan internasional.
• Pendidikan.
• Rantai pasok.
• Pasar tenaga kerja.
• Konsumsi energi.
• Operasi perusahaan.

Namun menurut Taleb, COVID-19 bukan Black Swan dalam pengertian teorinya.

Ia menyebut pandemi tersebut sebagai White Swan, yaitu kejadian berdampak besar yang sebenarnya dapat diperkirakan karena pandemi telah berulang dalam sejarah dan berbagai ahli telah memberikan peringatan sebelumnya.

Dengan demikian, COVID-19 mungkin terasa seperti Black Swan bagi organisasi yang tidak pernah memasukkan pandemi ke dalam perencanaannya.

Namun dari perspektif kesehatan publik dan risiko global, ancaman pandemi bukanlah sesuatu yang benar-benar tidak diketahui.

Koreksi ini penting karena istilah Black Swan tidak seharusnya digunakan untuk membenarkan kurangnya persiapan terhadap risiko yang sebenarnya telah dikenal.

Apakah Krisis Keuangan 2008 Merupakan Black Swan?

Krisis finansial global 2008 juga sering disebut Black Swan.

Bagi banyak investor dan perusahaan, kecepatan serta skala keruntuhannya memang berada di luar ekspektasi.

Namun kerentanan seperti:

• Pertumbuhan kredit berisiko.
• Harga properti yang terlalu tinggi.
• Leverage lembaga keuangan.
• Ketergantungan pada model statistik.
• Kompleksitas produk derivatif.

telah menjadi perhatian sebagian pengamat sebelum krisis terjadi.

Karena itu, penetapan krisis 2008 sebagai Black Swan bergantung pada sudut pandang pengamat.

Peristiwa yang menjadi Black Swan bagi satu organisasi mungkin bukan Black Swan bagi pihak yang telah mengenali kerentanannya.

Hal tersebut menunjukkan bahwa Black Swan bersifat relatif terhadap pengetahuan dan ekspektasi pengamat.

Black Swan Bukan Nama untuk Semua Kejadian Buruk

Istilah Black Swan sering digunakan secara longgar untuk setiap krisis yang mengejutkan.

Padahal terdapat beberapa kategori risiko yang berbeda.

Jenis risiko	Karakteristik
Risiko normal	Penyebab dan pola kejadiannya telah dikenal
Risiko baru / emerging risk	Sedang berkembang dan informasinya belum lengkap
Tail risk	Kemungkinannya rendah, tetapi masih dapat dibayangkan atau dimodelkan
Grey Rhino	Ancaman besar, jelas, dan cukup mungkin terjadi, tetapi diabaikan
Black Swan	Kejadian di luar ekspektasi normal dengan dampak ekstrem dan baru dijelaskan setelah terjadi

Konsep Grey Rhino diperkenalkan untuk menggambarkan ancaman yang besar, terlihat, dan cukup mungkin terjadi, tetapi tetap tidak ditangani secara serius.

Contohnya dapat berupa:

• Perubahan iklim.
• Utang yang terus meningkat.
• Infrastruktur tua.
• Ketergantungan pada satu pemasok.
• Kekurangan tenaga ahli.
• Ancaman pandemi.
• Kesenjangan pasokan energi.

Ancaman tersebut bukan Black Swan karena keberadaannya sudah diketahui.

Kegagalan mengatasinya lebih tepat disebut pengabaian terhadap risiko yang jelas.

Known Knowns, Known Unknowns, dan Unknown Unknowns

Manajemen risiko dapat menggunakan pembagian sederhana berikut.

Known knowns

Organisasi mengetahui risiko dan mempunyai informasi cukup untuk menilainya.

Contohnya:

• Kegagalan peralatan.
• Perubahan harga.
• Keterlambatan pengiriman.
• Pemadaman listrik lokal.
• Kesalahan pekerja.

Known unknowns

Organisasi mengetahui adanya ketidakpastian, tetapi tidak mengetahui waktu atau besarnya secara pasti.

Contohnya:

• Kapan harga minyak turun.
• Seberapa besar dampak regulasi baru.
• Kapan serangan siber terjadi.
• Berapa lama pemasok mengalami gangguan.

Unknown unknowns

Organisasi tidak mengetahui keberadaan suatu ancaman atau hubungan penyebabnya sampai kejadian tersebut muncul.

Kajian Federal Reserve pada 2025 menempatkan Black Swan sebagai unknown unknowns dan menekankan bahwa peristiwa semacam itu tidak dapat dicegah melalui prediksi biasa. Fokus yang lebih realistis adalah membangun sistem yang mampu bertahan terhadap kejutan yang tidak dikenal.

Mengapa Black Swan Sulit Dikelola?

1. Data historis mempunyai keterbatasan

Manajemen risiko sering menggunakan data masa lalu untuk memperkirakan masa depan.

Pendekatan tersebut efektif untuk kejadian yang:

• Sering berulang.
• Mempunyai pola stabil.
• Memiliki data cukup.
• Tidak mengalami perubahan struktural.

Namun Black Swan tidak mempunyai sejarah yang memadai untuk digunakan sebagai dasar perhitungan.

Jika kejadian belum pernah terjadi dalam bentuk yang sama, probabilitasnya sulit dihitung secara meyakinkan.

2. Organisasi terlalu percaya pada kondisi normal

Manusia cenderung menganggap masa depan akan menyerupai masa lalu.

Ketika sistem telah berjalan stabil selama bertahun-tahun, muncul keyakinan bahwa stabilitas tersebut akan terus berlangsung.

Contohnya:

• Pemasok selalu mengirim tepat waktu.
• Jaringan selalu tersedia.
• Bank selalu menyediakan likuiditas.
• Pelabuhan selalu dapat digunakan.
• Sistem cloud selalu aktif.

Semakin lama gangguan tidak terjadi, semakin kuat rasa aman yang dapat muncul.

Padahal periode panjang tanpa insiden tidak selalu membuktikan bahwa sistem aman. Bisa saja kerentanan sedang menumpuk tanpa terlihat.

3. Probabilitas memberi rasa kepastian palsu

Angka probabilitas seperti 1 persen atau 0,1 persen terlihat ilmiah.

Namun angka tersebut dapat menjadi menyesatkan jika:

• Datanya terlalu sedikit.
• Asumsinya salah.
• Sistem terus berubah.
• Hubungan antarvariabel tidak dipahami.
• Dampaknya dapat menyebar secara berantai.

Risiko ekstrem sering muncul dari kombinasi beberapa kegagalan kecil yang awalnya dianggap tidak berkaitan.

4. Sistem modern sangat terhubung

Globalisasi dan digitalisasi membuat banyak sistem semakin efisien.

Namun efisiensi tersebut juga menciptakan ketergantungan.

Satu gangguan dapat menyebar melalui:

• Rantai pasok.
• Sistem keuangan.
• Cloud computing.
• Jaringan energi.
• Telekomunikasi.
• Transportasi.
• Sistem pembayaran.

Sebuah pemasok kecil dapat menjadi titik penting karena produknya digunakan oleh banyak industri.

Satu pusat data dapat melayani ribuan aplikasi.

Satu selat dapat menjadi jalur perdagangan bagi banyak negara.

5. Keberhasilan masa lalu dapat menyembunyikan kerapuhan

Perusahaan yang beroperasi tanpa banyak cadangan dapat terlihat sangat efisien.

Persediaan rendah meningkatkan perputaran modal. Satu pemasok menurunkan biaya. Konsentrasi fasilitas mempermudah pengawasan.

Namun sistem tersebut dapat menjadi rapuh ketika terjadi gangguan besar.

Efisiensi jangka pendek tidak selalu sama dengan ketahanan jangka panjang.

6. Manusia menyukai cerita sederhana

Setelah krisis terjadi, masyarakat cenderung mencari satu penyebab utama.

Padahal peristiwa besar biasanya muncul dari interaksi:

• Kebijakan.
• Teknologi.
• Perilaku manusia.
• Insentif.
• Kondisi ekonomi.
• Kegagalan pengawasan.
• Kejadian eksternal.

Cerita yang terlalu sederhana membuat organisasi merasa telah memahami krisis, padahal hanya menjelaskan kejadian lama dan belum tentu membantu menghadapi kejutan berikutnya.

Apakah Black Swan Bisa Diprediksi?

Secara definisi, Black Swan yang sebenarnya tidak dapat diprediksi secara spesifik.

Ketika suatu organisasi sudah mengetahui suatu ancaman, mampu menjelaskan jalur kejadiannya, dan memasukkannya ke dalam skenario, ancaman tersebut bukan lagi Black Swan murni bagi organisasi tersebut.

Namun bukan berarti organisasi tidak dapat berbuat apa-apa.

Organisasi mungkin tidak dapat memprediksi penyebab gangguan, tetapi masih dapat mempersiapkan diri terhadap dampaknya.

Contohnya, perusahaan mungkin tidak mengetahui penyebab gangguan berikutnya, tetapi dapat mempersiapkan skenario:

• Kantor utama tidak dapat digunakan selama 30 hari.
• Sistem teknologi informasi tidak tersedia selama tujuh hari.
• Separuh pekerja tidak dapat hadir.
• Pemasok utama berhenti beroperasi.
• Akses pelabuhan terputus.
• Pendapatan turun 50 persen.
• Seluruh komunikasi internet mengalami gangguan.

Pendekatan tersebut lebih berguna daripada mencoba menebak nama dan tanggal Black Swan berikutnya.

Dari Prediksi Menuju Ketahanan

Kajian mengenai Black Swan mengubah pertanyaan utama manajemen risiko.

Pertanyaannya bukan lagi:

Kejadian apa yang pasti akan terjadi?

Melainkan:

Apakah organisasi masih dapat bertahan ketika asumsi utamanya terbukti salah?

Ketahanan atau resilience adalah kemampuan sistem untuk menahan, beradaptasi, dan pulih dari gangguan sambil mempertahankan fungsi penting.

Organisasi yang tangguh tidak harus mengetahui seluruh ancaman.

Namun organisasi tersebut mengetahui:

• Fungsi apa yang wajib dipertahankan.
• Sumber daya minimum yang dibutuhkan.
• Ketergantungan kritis.
• Batas waktu pemulihan.
• Pilihan alternatif.
• Siapa yang mengambil keputusan saat krisis.

Cara Mempersiapkan Organisasi Menghadapi Black Swan

1. Menjaga likuiditas dan kapasitas cadangan

Kas, fasilitas kredit, persediaan, tenaga kerja cadangan, dan ruang kapasitas dapat terlihat tidak efisien ketika kondisi normal.

Namun cadangan tersebut memberikan waktu untuk berpikir dan bertindak ketika krisis terjadi.

Perusahaan yang sangat menguntungkan tetap dapat gagal jika tidak memiliki arus kas untuk membayar kewajiban jangka pendek.

Cadangan juga perlu disesuaikan dengan karakter bisnis. Menyimpan terlalu banyak sumber daya dapat menjadi mahal, tetapi tidak memiliki cadangan sama sekali membuat organisasi rapuh.

2. Menghindari ketergantungan pada satu titik

Organisasi perlu mengidentifikasi single point of failure, seperti:

• Satu pemasok.
• Satu pelabuhan.
• Satu pusat data.
• Satu jaringan komunikasi.
• Satu tenaga ahli.
• Satu rekening bank.
• Satu sumber listrik.
• Satu lokasi operasi.

Risiko tidak selalu harus dihilangkan, tetapi perlu diketahui dan diperlakukan sesuai tingkat kritikalitasnya.

3. Melakukan diversifikasi yang nyata

Diversifikasi bukan sekadar memiliki dua pemasok dalam daftar.

Kedua pemasok mungkin:

• Menggunakan bahan baku yang sama.
• Berada di wilayah yang sama.
• Menggunakan pelabuhan yang sama.
• Bergantung pada penyedia teknologi yang sama.

Diversifikasi yang efektif harus mengurangi korelasi kegagalan.

Kajian Federal Reserve mengenai Black Swan juga menilai diversifikasi dapat mengurangi paparan terhadap risiko tertentu, meskipun tidak mampu menghilangkan ketidakpastian sistemik sepenuhnya.

4. Membangun redundansi secara selektif

Redundansi berarti menyediakan komponen alternatif yang dapat mengambil alih ketika sistem utama gagal.

Contohnya:

• Server cadangan.
• Pembangkit darurat.
• Jalur komunikasi kedua.
• Lokasi kerja alternatif.
• Pemasok cadangan.
• Personel dengan kompetensi yang sama.
• Sistem manual.

Redundansi tidak harus diterapkan pada seluruh proses karena biayanya dapat sangat besar.

Prioritas diberikan kepada fungsi yang kegagalannya dapat menghentikan organisasi atau menimbulkan dampak keselamatan.

5. Mengurangi risiko kegagalan berantai

Sistem perlu dirancang agar satu kegagalan tidak langsung menyebar ke seluruh organisasi.

Pendekatannya dapat berupa:

• Segmentasi jaringan.
• Pemisahan proses.
• Batas transaksi.
• Pemutus otomatis.
• Isolasi fasilitas.
• Persetujuan berlapis.
• Desentralisasi kapasitas.
• Pembatasan kewenangan sistem.

Konsepnya menyerupai sekat pada kapal. Kebocoran di satu bagian tidak boleh langsung menenggelamkan seluruh kapal.

6. Menggunakan scenario planning

Scenario planning tidak dimaksudkan untuk meramalkan masa depan secara tepat.

Tujuannya adalah menguji bagaimana strategi organisasi bekerja pada beberapa kondisi yang sangat berbeda.

Skenario dapat menggabungkan:

• Gangguan pasokan.
• Perubahan permintaan.
• Krisis keuangan.
• Serangan siber.
• Bencana.
• Perubahan regulasi.
• Konflik geopolitik.

Skenario yang baik tidak hanya mengganti angka penjualan dari naik menjadi turun. Skenario perlu mengubah asumsi dasar mengenai cara bisnis berjalan.

7. Melakukan stress testing

Stress testing menguji apakah organisasi mampu bertahan menghadapi tekanan ekstrem.

Pertanyaan yang dapat digunakan antara lain:

• Berapa lama perusahaan bertahan tanpa pendapatan?
• Apa yang terjadi jika harga bahan baku naik tiga kali lipat?
• Bagaimana jika pemasok utama berhenti selama enam bulan?
• Bagaimana jika nilai tukar berubah secara ekstrem?
• Bagaimana jika sistem pembayaran tidak tersedia?
• Bagaimana jika dua fasilitas kritis gagal bersamaan?

Tujuan stress testing bukan membuktikan organisasi aman.

Tujuannya adalah menemukan batas kegagalan sebelum krisis sebenarnya terjadi.

8. Menggunakan reverse stress testing

Stress testing biasa dimulai dari suatu kejadian lalu menghitung dampaknya.

Reverse stress testing dimulai dari kondisi kegagalan organisasi, kemudian menelusuri kombinasi kejadian yang dapat menyebabkannya.

Contohnya:

Kondisi apa yang dapat membuat distribusi BBM berhenti selama tujuh hari?

Jawabannya mungkin bukan satu insiden, tetapi kombinasi:

• Gangguan terminal.
• Sistem IT gagal.
• Jalur alternatif tidak tersedia.
• Armada terbatas.
• Komunikasi krisis terlambat.

Pendekatan ini membantu menemukan kelemahan yang tidak terlihat jika organisasi hanya membahas satu risiko secara terpisah.

9. Menerapkan Business Continuity Management

ISO 22301:2019 merupakan standar internasional untuk Business Continuity Management System atau BCMS.

Standar tersebut membantu organisasi merencanakan, menerapkan, menguji, memelihara, dan meningkatkan kemampuan menghadapi insiden yang mengganggu. ISO 22301:2019 juga memiliki Amendment 1:2024 mengenai perubahan terkait aksi iklim.

BCMS tidak menjamin Black Swan dapat dicegah.

Namun BCMS membantu organisasi menentukan:

• Produk dan layanan prioritas.
• Dampak gangguan berdasarkan waktu.
• Recovery Time Objective.
• Recovery Point Objective.
• Sumber daya minimum.
• Strategi pemulihan.
• Struktur tanggap insiden.
• Rencana komunikasi.

10. Menguji rencana secara berkala

Dokumen BCP yang tersimpan di lemari tidak membuktikan organisasi siap.

Rencana perlu diuji melalui:

• Walk-through.
• Tabletop exercise.
• Simulation.
• Technical recovery test.
• Rehearsal.

NIST menjelaskan tabletop exercise sebagai latihan berbasis diskusi untuk menguji peran, tanggung jawab, serta respons peserta terhadap skenario darurat.

Latihan sebaiknya menyertakan kejutan tambahan agar peserta tidak sekadar mengikuti jawaban yang telah disiapkan.

11. Menyiapkan sistem operasi minimum

Ketika sistem utama gagal, organisasi perlu mengetahui apakah sebagian layanan masih dapat berjalan.

Contohnya:

• Transaksi dicatat sementara secara manual.
• Pengiriman prioritas menggunakan prosedur darurat.
• Komunikasi dilakukan melalui radio.
• Sistem lokal digunakan ketika cloud tidak tersedia.
• Pelanggan kritis memperoleh prioritas pasokan.

Operasi manual harus dirancang dan diuji terlebih dahulu.

Mengandalkan improvisasi tanpa prosedur dapat meningkatkan kesalahan, penipuan, dan risiko keselamatan.

12. Memperkuat komunikasi krisis

Krisis dapat membesar ketika informasi:

• Terlambat.
• Tidak konsisten.
• Terlalu optimistis.
• Tidak menjelaskan tindakan yang harus dilakukan.
• Berbeda antarpejabat.

Organisasi perlu menentukan:

• Siapa juru bicara.
• Informasi apa yang harus disampaikan.
• Siapa yang harus diberi tahu lebih dahulu.
• Kanal komunikasi alternatif.
• Cara memperbarui informasi.
• Cara mengendalikan rumor.

Komunikasi yang baik tidak menghilangkan dampak krisis, tetapi dapat mencegah kepanikan dan keputusan yang memperburuk keadaan.

13. Membangun budaya yang adaptif

Saat krisis baru terjadi, prosedur lama mungkin tidak sepenuhnya sesuai.

Organisasi membutuhkan pekerja yang:

• Berani melaporkan masalah.
• Mampu mengambil keputusan dalam kewenangannya.
• Mau mengubah metode kerja.
• Tidak menyembunyikan informasi buruk.
• Dapat bekerja lintas fungsi.
• Belajar dengan cepat.

Budaya yang terlalu menghukum kesalahan dapat membuat pekerja menyembunyikan tanda-tanda awal masalah.

14. Menjaga fleksibilitas dan pilihan

Ketahanan meningkat ketika organisasi mempunyai beberapa pilihan tindakan.

Contohnya:

• Kontrak yang memungkinkan perubahan volume.
• Fasilitas yang dapat menghasilkan beberapa produk.
• Tenaga kerja dengan keterampilan lintas fungsi.
• Sistem yang dapat dipindahkan.
• Cadangan lahan atau kapasitas.
• Pilihan pemasok dari beberapa wilayah.

Pilihan tersebut mungkin tidak langsung menghasilkan keuntungan. Namun nilainya meningkat ketika kondisi berubah secara ekstrem.

Robust, Resilient, dan Antifragile

Ketiga istilah ini sering digunakan secara bergantian, tetapi mempunyai perbedaan.

Robust

Sistem mampu menahan gangguan tanpa banyak berubah.

Contohnya adalah bangunan yang tetap berdiri ketika menghadapi angin kuat.

Resilient

Sistem dapat terganggu, tetapi mampu pulih dan kembali menjalankan fungsi penting.

Contohnya adalah organisasi yang memindahkan operasi ke lokasi cadangan setelah kantor utamanya rusak.

Antifragile

Taleb menggunakan istilah ini untuk sistem yang bukan hanya bertahan, tetapi menjadi lebih baik karena menghadapi tekanan dan variasi.

Contohnya adalah organisasi yang menggunakan gangguan kecil untuk:

• Mengidentifikasi kelemahan.
• Mengembangkan produk baru.
• Memperkuat kompetensi.
• Mengurangi ketergantungan.
• Meningkatkan proses.

Tidak semua organisasi dapat sepenuhnya menjadi antifragile.

Namun organisasi dapat menciptakan mekanisme agar kesalahan kecil menghasilkan pembelajaran sebelum terjadi kegagalan besar.

Black Swan dan Risk Register

Black Swan menimbulkan tantangan bagi risk register.

Bagaimana memasukkan risiko yang belum diketahui?

Organisasi tidak perlu menulis:

Risiko terjadinya Black Swan.

Pernyataan tersebut terlalu umum dan sulit diberi pengendalian yang jelas.

Pendekatan yang lebih berguna adalah memasukkan risiko berbasis dampak dan kerentanan, seperti:

• Ketidaktersediaan fasilitas kritis.
• Kehilangan akses terhadap data.
• Gangguan pasokan berkepanjangan.
• Kehilangan tenaga kerja utama.
• Kegagalan likuiditas.
• Hilangnya komunikasi.
• Perubahan permintaan ekstrem.
• Kegagalan beberapa pengendalian sekaligus.

Organisasi juga perlu mendokumentasikan asumsi penting.

Contohnya:

• Pelabuhan selalu tersedia.
• Internet selalu dapat digunakan.
• Pemasok dapat pulih dalam tiga hari.
• Bank selalu menyediakan transaksi.
• Pemerintah tidak mengubah aturan secara mendadak.

Setiap asumsi kemudian diuji:

Apa yang terjadi jika asumsi ini salah?

Black Swan dalam Konteks Indonesia

Indonesia menghadapi karakter risiko yang kompleks karena memiliki:

• Wilayah kepulauan.
• Ketergantungan logistik laut.
• Risiko gempa, tsunami, banjir, dan letusan gunung.
• Konsentrasi ekonomi di wilayah tertentu.
• Ketergantungan pada teknologi dan impor tertentu.
• Infrastruktur dengan tingkat kematangan berbeda.

Beberapa skenario ekstrem yang dapat digunakan untuk menguji ketahanan organisasi di Indonesia antara lain:

• Beberapa jalur kabel internet internasional terganggu bersamaan.
• Sistem pembayaran nasional mengalami gangguan panjang.
• Pelabuhan utama tidak dapat digunakan.
• Serangan siber memengaruhi beberapa infrastruktur vital.
• Gangguan impor energi terjadi bersamaan dengan pelemahan nilai tukar.
• Bencana besar mengenai kawasan industri dan jaringan logistik.
• Teknologi baru menghilangkan permintaan terhadap produk utama.
• Konflik geopolitik mengganggu beberapa pemasok sekaligus.

Skenario tersebut tidak otomatis merupakan Black Swan.

Sebagian merupakan risiko yang sudah dapat dibayangkan. Justru karena sudah dapat dibayangkan, organisasi seharusnya mulai menguji ketahanannya.

Black Swan dalam Infrastruktur Energi

Sektor energi mempunyai risiko khusus karena gangguannya dapat menyebar ke sektor lain.

Perusahaan energi dapat menguji beberapa skenario dampak:

• Terminal utama berhenti beroperasi.
• Pembangkit besar mengalami penghentian.
• Sistem SCADA tidak tersedia.
• Impor produk berhenti.
• Jalan dan pelabuhan terputus.
• Permintaan meningkat secara tiba-tiba.
• Masyarakat melakukan pembelian berlebihan.
• Informasi stok tidak dapat dipercaya.

Strategi ketahanannya dapat mencakup:

• Buffer stock.
• Jalur suplai alternatif.
• Terminal pengganti.
• Kontrak darurat.
• Operasi manual.
• Redundansi komunikasi.
• Prioritas pelanggan kritis.
• Koordinasi lintas instansi.
• Simulasi krisis.

Pertanyaan yang Perlu Diajukan Pimpinan

Pimpinan organisasi dapat menggunakan pertanyaan berikut:

1. Asumsi apa yang membuat strategi perusahaan terlihat aman?
2. Ketergantungan apa yang belum mempunyai alternatif?
3. Berapa lama perusahaan bertahan tanpa pendapatan?
4. Proses apa yang tidak dapat berjalan secara manual?
5. Apakah dua pemasok kami sebenarnya bergantung pada sumber yang sama?
6. Apa yang terjadi jika dua krisis berlangsung bersamaan?
7. Siapa yang dapat mengambil keputusan ketika pimpinan utama tidak tersedia?
8. Kapan terakhir kali sistem cadangan diuji?
9. Apakah komunikasi krisis masih berjalan tanpa internet?
10. Bagaimana organisasi mengetahui bahwa kondisi telah melewati batas toleransi?

Pertanyaan tersebut tidak memprediksi Black Swan, tetapi membantu mengurangi kerapuhan.

Kesalahan Umum dalam Menghadapi Black Swan

Menganggap semua kejutan sebagai Black Swan

Kejadian yang sudah pernah diperingatkan tidak otomatis menjadi Black Swan hanya karena organisasi tidak siap.

Terlalu fokus pada probabilitas

Ketika dampak berpotensi menghancurkan organisasi, keputusan tidak boleh hanya berdasarkan probabilitas yang terlihat kecil.

Menganggap diversifikasi sebagai jumlah

Memiliki banyak pemasok tidak berguna jika semuanya bergantung pada jalur atau bahan baku yang sama.

Menghilangkan seluruh cadangan demi efisiensi

Efisiensi yang tidak menyisakan ruang kesalahan dapat meningkatkan kerapuhan.

Menganggap asuransi menyelesaikan seluruh risiko

Asuransi dapat membantu menanggung kerugian finansial, tetapi tidak selalu memulihkan pelanggan, reputasi, tenaga ahli, atau kapasitas operasi.

Tidak menguji rencana

Rencana yang tidak pernah diuji dapat gagal karena nomor kontak berubah, data tidak tersedia, atau fasilitas cadangan ternyata tidak siap.

Mencari satu skenario sempurna

Tidak ada daftar skenario yang dapat mencakup seluruh kejutan.

Organisasi lebih baik membangun kemampuan umum untuk merespons berbagai jenis gangguan.

Pertanyaan yang Sering Diajukan

Apa arti Black Swan?

Black Swan adalah peristiwa di luar ekspektasi normal, mempunyai dampak ekstrem, dan baru terlihat dapat dijelaskan setelah terjadi.

Apakah Black Swan selalu buruk?

Tidak.

Black Swan dapat berupa kejutan negatif maupun peluang positif yang mengubah industri atau masyarakat.

Apakah COVID-19 merupakan Black Swan?

Banyak organisasi menganggapnya demikian karena tidak siap.

Namun Taleb menyebut pandemi COVID-19 sebagai White Swan karena risiko pandemi telah dikenal dan diperingatkan sebelumnya.

Apakah krisis finansial 2008 merupakan Black Swan?

Statusnya diperdebatkan.

Krisis tersebut mengejutkan banyak pihak, tetapi sejumlah kerentanan telah terlihat sebelum keruntuhan terjadi.

Apa perbedaan Black Swan dan Grey Rhino?

Black Swan berada di luar ekspektasi normal. Grey Rhino merupakan ancaman besar dan cukup jelas, tetapi diabaikan.

Apakah Black Swan dapat dimasukkan ke risk register?

Penyebab spesifiknya mungkin tidak dapat ditulis.

Namun organisasi dapat memasukkan skenario dampak, ketergantungan kritis, dan kegagalan asumsi.

Bagaimana cara menghitung probabilitas Black Swan?

Black Swan murni tidak mempunyai data memadai untuk dihitung secara akurat.

Fokus utama sebaiknya pada batas kerugian, kerentanan, dan kemampuan bertahan.

Apakah ISO 22301 dapat mencegah Black Swan?

Tidak.

ISO 22301 membantu organisasi menjaga dan memulihkan layanan saat gangguan terjadi, bukan meramalkan seluruh penyebab gangguan.

Apa strategi terpenting untuk menghadapi Black Swan?

Strateginya meliputi cadangan, diversifikasi, redundansi, likuiditas, segmentasi, scenario planning, stress testing, dan BCMS yang telah diuji.

Kesimpulan

Black Swan bukan sekadar istilah untuk kejadian langka atau krisis besar.

Konsep ini menggambarkan peristiwa yang:

• Berada di luar ekspektasi normal.
• Menimbulkan dampak sangat besar.
• Baru terlihat masuk akal setelah terjadi.

Namun tidak semua krisis merupakan Black Swan.

Pandemi, perubahan iklim, ancaman siber, dan gangguan infrastruktur sering kali telah diketahui. Ketika ancaman tersebut diabaikan, masalahnya bukan ketidakmampuan memprediksi, melainkan kegagalan mengambil tindakan terhadap risiko yang telah terlihat.

Black Swan yang sebenarnya sulit diprediksi secara spesifik.

Karena itu, organisasi tidak boleh menggantungkan keselamatannya pada kemampuan meramalkan masa depan dengan sempurna.

Strategi yang lebih realistis adalah membangun organisasi yang:

• Tidak terlalu bergantung pada satu titik.
• Memiliki likuiditas dan cadangan.
• Mampu menjalankan operasi minimum.
• Cepat mendeteksi perubahan.
• Mempunyai pilihan alternatif.
• Terlatih menghadapi gangguan.
• Mampu belajar dari tekanan.

Tujuan manajemen risiko bukan membuat dunia menjadi sepenuhnya dapat diprediksi.

Tujuannya adalah memastikan organisasi tidak langsung runtuh ketika kenyataan berjalan di luar perkiraan.

Pada akhirnya, organisasi yang bertahan bukan selalu organisasi yang paling akurat meramalkan krisis.

Organisasi yang bertahan adalah organisasi yang tetap dapat mengambil keputusan, menjaga layanan penting, dan beradaptasi ketika asumsi terbaiknya ternyata salah.