Pendahuluan

Perkembangan Artificial Intelligence (AI) sedang mengubah berbagai sektor industri, termasuk dunia kesehatan. Mulai dari analisis citra radiologi, deteksi dini penyakit, pengolahan rekam medis elektronik, hingga sistem pendukung keputusan klinis, AI semakin berperan dalam membentuk masa depan pelayanan kesehatan.

Namun, di balik berbagai inovasi tersebut, terdapat infrastruktur penting yang menjadi fondasi seluruh ekosistem AI, yaitu data center.

Data center bukan lagi sekadar tempat penyimpanan server dan data. Infrastruktur ini telah berkembang menjadi pusat komputasi berkapasitas tinggi yang mendukung pemrosesan data dalam skala besar, pelatihan model AI, analisis informasi secara real-time, serta pengoperasian berbagai aplikasi digital yang membutuhkan kecepatan, keamanan, dan keandalan.

Dalam industri kesehatan, peran data center semakin strategis. Teknologi seperti AI radiologi, PACS, rekam medis elektronik, telemedicine, dan analitik klinis membutuhkan infrastruktur yang mampu mengelola data medis secara aman, cepat, dan berkelanjutan.

Perkembangan data center global dengan demikian bukan hanya menjadi cerita tentang industri teknologi, tetapi juga bagian penting dari masa depan sistem pelayanan kesehatan, termasuk di Indonesia.

1. Perkembangan Data Center Dunia Memasuki Era AI

Industri data center global mengalami percepatan pertumbuhan seiring meningkatnya kebutuhan cloud computing, layanan digital, dan generative AI.

Menurut proyeksi JLL dalam 2026 Global Data Center Outlook, kapasitas data center global diperkirakan meningkat dari sekitar 103 GW menjadi 200 GW pada 2030. JLL juga memperkirakan kebutuhan investasi sektor ini dapat mencapai sekitar US$3 triliun hingga 2030, mencakup pengembangan properti dan infrastruktur pendukung serta kebutuhan investasi terkait lainnya.

AI diperkirakan menyumbang sekitar 50% dari kapasitas data center pada 2030, meningkat dari sekitar 25% pada 2025.

Di sisi lain, International Energy Agency (IEA) memperkirakan konsumsi listrik data center dunia meningkat dari sekitar 485 TWh pada 2025 menjadi 950 TWh pada 2030 dalam skenario proyeksi utamanya.

Angka-angka tersebut merupakan proyeksi, bukan kepastian realisasi. Namun, arah perkembangannya memperlihatkan bahwa kebutuhan komputasi AI menjadi salah satu pendorong utama investasi infrastruktur digital global.

Pertumbuhan ini turut mengubah cara perusahaan teknologi merancang pusat data. Infrastruktur tidak lagi hanya dioptimalkan untuk penyimpanan dan aplikasi bisnis konvensional, tetapi juga untuk menjalankan beban komputasi AI yang semakin kompleks.

2. Dari Cloud Computing Menuju AI Data Center

Perubahan teknologi AI turut mengubah arsitektur data center.

Pada era cloud computing, kebutuhan utama banyak perusahaan adalah menyediakan kapasitas server untuk aplikasi bisnis, database, penyimpanan file, dan layanan internet.

Namun, pelatihan serta pengoperasian AI modern membutuhkan pendekatan yang berbeda. Infrastruktur AI memerlukan akselerator komputasi seperti GPU, jaringan berkecepatan tinggi, sistem penyimpanan dengan throughput besar, serta pengelolaan energi yang lebih kompleks.

Secara umum, terdapat dua jenis beban kerja AI yang perlu dipahami.

AI Training

Training merupakan proses pelatihan model AI menggunakan dataset dalam jumlah besar. Proses ini dapat membutuhkan kapasitas komputasi tinggi dan berlangsung dalam waktu panjang.

Dalam bidang kesehatan, training dapat digunakan untuk mengembangkan model analisis citra radiologi, segmentasi organ, deteksi kelainan, rekonstruksi citra, hingga prediksi risiko penyakit.

AI Inference

Inference merupakan proses ketika model AI yang telah dilatih digunakan untuk menghasilkan prediksi atau analisis berdasarkan data baru.

Sebagai contoh, ketika hasil CT Scan atau X-ray diproses oleh sistem AI untuk memberikan analisis pendukung kepada dokter, proses tersebut merupakan inference.

Jika training merupakan proses membangun kemampuan model, inference adalah tahap ketika kemampuan tersebut dimanfaatkan dalam pelayanan sehari-hari.

Kebutuhan inference diperkirakan menjadi semakin relevan seiring meluasnya penggunaan AI dalam operasional rumah sakit.

3. Indonesia dalam Peta Pertumbuhan Data Center Asia Tenggara

Indonesia mulai memasuki fase penting dalam pengembangan infrastruktur data center regional.

Pertumbuhan industri ini didorong oleh meningkatnya kebutuhan digitalisasi domestik, perkembangan cloud computing, investasi perusahaan teknologi, serta kebutuhan infrastruktur AI.

Berdasarkan data PLN yang dipresentasikan dalam acara Katadata Sustainability Action for the Future Economy (SAFE) 2026, kapasitas data center Indonesia mencapai sekitar 580 MW pada 2026 dan diproyeksikan meningkat menjadi 3.500 MW atau 3,5 GW pada 2030.

Proyeksi tersebut menunjukkan potensi pertumbuhan yang besar. Namun, kapasitas operasional perlu dibedakan dari kapasitas yang sedang dibangun maupun yang masih berada dalam pipeline pengembangan.

Dalam pemetaan yang dikutip Katadata, Jakarta memiliki kapasitas operasional sekitar 322 MW dengan pipeline pengembangan sekitar 1.700 MW. Sementara itu, Batam memiliki kapasitas operasional sekitar 126 MW dan pipeline sekitar 1.400 MW.

Angka kapasitas dapat berbeda antarsumber karena perbedaan periode, cakupan fasilitas, serta definisi kapasitas, seperti kapasitas daya IT load, daya tersambung, maupun kapasitas proyek.

Jakarta memiliki posisi penting karena kedekatannya dengan pelanggan korporasi, lembaga keuangan, operator telekomunikasi, penyedia layanan cloud, serta ekosistem bisnis digital.

Batam memiliki keunggulan geografis karena kedekatannya dengan Singapura dan konektivitas internasional. Kawasan ini berpotensi berkembang sebagai salah satu simpul infrastruktur digital regional.

Meski demikian, daya saing data center tidak hanya ditentukan oleh lokasi. Ketersediaan listrik, jaringan fiber optik, kabel bawah laut, kepastian perizinan, lahan, efisiensi pendinginan, keamanan, dan kesiapan infrastruktur GPU menjadi faktor yang sangat menentukan.

Indonesia juga perlu memperhatikan risiko konsentrasi infrastruktur di wilayah tertentu. Pembangunan pusat data regional, redundansi jaringan, serta strategi pemulihan bencana lintas wilayah akan semakin penting untuk menjamin keberlanjutan layanan digital.

4. Dua Pendorong Utama Pertumbuhan Data Center Indonesia

Pertumbuhan data center Indonesia dapat dilihat melalui dua sumber permintaan utama.

Pertama, permintaan regional dan global. Perusahaan teknologi, hyperscaler, penyedia cloud, dan perusahaan multinasional membutuhkan infrastruktur untuk melayani pelanggan di Indonesia maupun pasar regional.

Kedua, kebutuhan digitalisasi dalam negeri. Sektor perbankan, perdagangan elektronik, pemerintahan digital, industri, pendidikan, dan kesehatan semakin membutuhkan kapasitas penyimpanan serta komputasi.

Dalam industri kesehatan, kebutuhan tersebut mencakup penyimpanan rekam medis elektronik, PACS, layanan telemedicine, pertukaran data kesehatan, serta pengembangan aplikasi AI klinis.

Kedua sumber permintaan ini memiliki karakteristik berbeda. Data center yang dirancang untuk melayani hyperscale AI tidak otomatis menjadi pilihan paling ekonomis untuk setiap rumah sakit.

Industri kesehatan membutuhkan desain layanan yang mempertimbangkan kepatuhan, keamanan, kebutuhan klinis, latensi, biaya, dan kesinambungan pelayanan.

Kondisi tersebut membuka peluang pengembangan layanan data center kesehatan, cloud PACS, serta platform AI medis yang dirancang khusus untuk kebutuhan rumah sakit.

5. Mengapa Data Center Penting bagi AI Kesehatan?

Data kesehatan memiliki karakteristik yang berbeda dibandingkan banyak jenis data lainnya.

Citra CT Scan, MRI, X-ray, USG, rekam medis elektronik, hasil laboratorium, serta data pemantauan pasien memiliki ukuran, format, kompleksitas, dan tingkat sensitivitas yang berbeda.

Ketika AI digunakan untuk mengolah data tersebut, diperlukan infrastruktur yang mendukung beberapa kebutuhan utama.

Kapasitas penyimpanan

Rumah sakit menghasilkan data medis secara terus-menerus. Citra radiologi beresolusi tinggi dan pemeriksaan berulang dapat meningkatkan kebutuhan penyimpanan secara signifikan.

Kemampuan komputasi

AI untuk rekonstruksi citra, deteksi lesi, segmentasi organ, dan analisis multimodal memerlukan sumber daya komputasi sesuai kompleksitas model dan volume data.

Kecepatan jaringan

Pengiriman data medis dari modalitas ke PACS, dari rumah sakit ke cloud, atau antar fasilitas kesehatan membutuhkan konektivitas stabil dengan kapasitas memadai.

Keamanan dan privasi

Data medis merupakan informasi sensitif yang memerlukan pengendalian akses, enkripsi, audit, tata kelola, serta kepatuhan terhadap ketentuan perlindungan data.

Keandalan layanan

Gangguan infrastruktur dapat memengaruhi alur kerja rumah sakit. Oleh karena itu, sistem perlu memiliki strategi redundansi, pencadangan, pemulihan bencana, dan pemantauan operasional.

Kombinasi faktor tersebut menjadikan data center sebagai fondasi penting bagi pengembangan AI kesehatan yang dapat diandalkan.

6. Hubungan Data Center dengan PACS dan Radiologi Berbasis AI

Salah satu bidang kesehatan yang memiliki hubungan erat dengan perkembangan data center adalah radiologi.

Pemeriksaan CT Scan, MRI, X-ray, dan modalitas pencitraan lainnya menghasilkan data medis digital yang umumnya menggunakan standar DICOM (Digital Imaging and Communications in Medicine).

Dalam ekosistem rumah sakit, PACS (Picture Archiving and Communication System) berperan dalam penyimpanan, pengelolaan, distribusi, dan penayangan citra medis.

Ketika AI diintegrasikan dengan PACS, citra medis tidak hanya disimpan dan ditampilkan, tetapi juga dapat dianalisis untuk mendukung proses diagnosis.

Arsitektur sederhana ekosistem radiologi berbasis AI dapat digambarkan sebagai berikut:

Modalitas Medis → DICOM Router → PACS / Storage → AI Engine → Workstation Radiologi → Dokter

Dalam arsitektur tersebut:

• Modalitas medis: CT Scan, MRI, X-ray, dan USG menghasilkan data pemeriksaan.
• DICOM Router: Mengatur aliran data medis menuju sistem tujuan.
• PACS dan Storage: Menyimpan serta menyediakan akses terhadap citra medis.
• AI Engine: Melakukan analisis citra, deteksi temuan, segmentasi, atau rekonstruksi sesuai kemampuan model.
• Workstation Radiologi: Menampilkan citra, hasil analisis AI, dan informasi pendukung bagi dokter.

Data center dapat menjadi lokasi penyimpanan dan komputasi AI, baik melalui infrastruktur rumah sakit, private cloud, maupun layanan cloud terkelola.

Tidak seluruh proses harus berada di satu lokasi. Sebagian dapat dijalankan secara lokal, sementara proses lainnya ditempatkan di pusat data regional atau cloud sesuai kebutuhan klinis, keamanan, dan latensi.

Arsitektur ini membuka peluang pengembangan layanan radiologi yang lebih terintegrasi, termasuk dukungan pembacaan pemeriksaan jarak jauh dan pemanfaatan AI lintas fasilitas kesehatan.

7. AI Kesehatan Tidak Hanya Membaca Citra Medis

Hubungan data center dan AI kesehatan memiliki cakupan lebih luas daripada radiologi.

Beberapa penerapan potensial meliputi:

AI Radiologi

Mendukung deteksi temuan pada foto toraks, analisis nodul paru, evaluasi perdarahan intrakranial, segmentasi organ, serta berbagai aplikasi pencitraan lainnya sesuai validasi klinis dan indikasi penggunaan.

AI Rekam Medis Elektronik

Membantu pencarian informasi klinis, peringkasan rekam medis, ekstraksi data terstruktur, dan dukungan dokumentasi dokter.

AI Laboratorium

Mendukung analisis data laboratorium, pengenalan pola, dan identifikasi risiko berdasarkan data yang tersedia serta telah divalidasi.

AI Prediksi Risiko Pasien

Mengolah kombinasi data klinis, tanda vital, riwayat penyakit, dan hasil pemeriksaan untuk membantu mengidentifikasi risiko perburukan kondisi pasien.

AI Manajemen Rumah Sakit

Mendukung prediksi kebutuhan tempat tidur, pengelolaan antrean, perencanaan tenaga kesehatan, dan optimalisasi operasional.

Semakin luas penerapan tersebut, semakin besar kebutuhan terhadap integrasi data, interoperabilitas, keamanan, dan infrastruktur komputasi yang memadai.

Meskipun demikian, AI tetap bergantung pada kualitas data, validitas model, kesesuaian populasi pasien, dan pengawasan tenaga kesehatan.

8. SATUSEHAT dan Masa Depan Integrasi Data Kesehatan Indonesia

Salah satu fondasi penting transformasi digital kesehatan Indonesia adalah SATUSEHAT.

SATUSEHAT merupakan ekosistem pertukaran data kesehatan yang dikembangkan Kementerian Kesehatan untuk menghubungkan sistem informasi berbagai anggota ekosistem kesehatan.

Platform ini menggunakan pendekatan interoperabilitas dengan standar HL7 FHIR dan API berbasis HTTPS sesuai spesifikasi implementasinya.

Kehadiran SATUSEHAT relevan terhadap pengembangan AI kesehatan karena sistem AI yang baik membutuhkan data yang dapat dipertukarkan secara konsisten dan memiliki konteks klinis yang jelas.

Sebagai contoh, sebuah rumah sakit dapat memiliki berbagai sistem:

• HIS atau SIMRS untuk administrasi dan operasional rumah sakit.
• EMR untuk rekam medis elektronik.
• LIS untuk sistem informasi laboratorium.
• RIS untuk alur kerja radiologi.
• PACS untuk penyimpanan dan distribusi citra medis.
• AI Engine untuk analisis dan dukungan klinis.

Apabila sistem tersebut beroperasi secara terpisah, pengembangan AI yang membutuhkan informasi lintas sistem akan menghadapi kendala integrasi.

FHIR dapat mendukung pertukaran informasi klinis terstruktur, sedangkan DICOM berperan penting dalam pengelolaan citra medis.

Integrasi keduanya dapat membantu menghubungkan informasi pasien, pemeriksaan, laporan, dan citra sesuai arsitektur serta standar yang diterapkan.

Namun, SATUSEHAT tidak berarti seluruh citra DICOM harus dipindahkan ke satu penyimpanan nasional. Pertukaran informasi, penyimpanan citra, dan akses terhadap data perlu dirancang berdasarkan ketentuan dan kebutuhan sistem masing-masing.

Untuk AI radiologi, hal ini penting karena model membutuhkan lebih dari sekadar data mentah. Kualitas label, konteks klinis, konsistensi protokol pemeriksaan, dan representasi populasi pasien juga sangat menentukan hasil.

9. Cloud PACS dan Peluang Pemerataan Pelayanan Radiologi

Kebutuhan pemerataan layanan radiologi menjadi salah satu peluang penerapan teknologi data center dan AI di Indonesia.

Tidak semua rumah sakit memiliki kapasitas infrastruktur IT, tenaga spesialis, dan anggaran yang sama. Sebagian fasilitas memiliki kebutuhan untuk memperkuat sistem penyimpanan citra, akses pemeriksaan, dan dukungan pembacaan radiologi.

Cloud PACS dapat menjadi salah satu pendekatan untuk memperluas akses terhadap infrastruktur tersebut.

Dalam model ini, rumah sakit dapat memanfaatkan layanan penyimpanan citra dan distribusi pemeriksaan tanpa harus membangun seluruh infrastruktur pusat data secara mandiri.

Jika dikombinasikan dengan AI, ekosistem ini dapat menyediakan beberapa kemampuan:

1. Penyimpanan dan akses citra medis lintas lokasi sesuai hak akses.
2. Integrasi DICOM Router dengan PACS dan sistem radiologi.
3. Dukungan AI untuk skrining atau analisis citra berdasarkan indikasi yang telah divalidasi.
4. Distribusi pemeriksaan untuk pembacaan jarak jauh.
5. Pemantauan kapasitas storage dan pertumbuhan volume pemeriksaan.
6. Backup, replikasi, dan pemulihan layanan ketika terjadi gangguan.

Bagi rumah sakit dengan volume pemeriksaan tinggi, arsitektur terpusat dapat membantu konsolidasi pengelolaan infrastruktur.

Sementara itu, fasilitas dengan konektivitas terbatas mungkin lebih membutuhkan pendekatan lokal atau hybrid.

Sistem juga harus memiliki strategi ketika koneksi internet terputus, terutama untuk pelayanan yang tidak boleh sepenuhnya bergantung pada jaringan eksternal.

AI sendiri harus ditempatkan sebagai teknologi pendukung. Hasil analisis tidak boleh otomatis dianggap sebagai diagnosis final tanpa proses klinis yang sesuai.

10. Cloud, On-Premise, dan Edge Computing: Mana yang Cocok untuk Rumah Sakit?

Rumah sakit tidak selalu harus memindahkan seluruh data dan komputasinya ke data center pusat.

Terdapat tiga pendekatan yang dapat dipertimbangkan.

On-Premise Data Center

Infrastruktur ditempatkan di lingkungan rumah sakit.

Keunggulannya meliputi kendali operasional yang lebih besar, potensi latensi rendah, dan kemudahan integrasi dengan sistem internal.

Tantangannya adalah investasi awal, pemeliharaan, kebutuhan tenaga IT, listrik, pendinginan, dan kesiapan menghadapi gangguan.

Cloud Data Center

Komputasi dan penyimpanan menggunakan layanan cloud.

Pendekatan ini memungkinkan kapasitas ditingkatkan sesuai kebutuhan, mengurangi kebutuhan investasi perangkat keras awal, dan memudahkan pengembangan aplikasi AI tertentu.

Namun, diperlukan perhatian terhadap biaya transfer data, konektivitas, keamanan, lokasi pemrosesan data, kepatuhan, serta ketergantungan pada penyedia layanan.

Hybrid Cloud dan Edge Computing

Pendekatan hybrid menggabungkan infrastruktur lokal dengan cloud, sedangkan edge computing memungkinkan sebagian analisis dilakukan lebih dekat dengan sumber data.

Sebagai contoh, AI untuk mendukung proses pemeriksaan radiologi yang membutuhkan respons cepat dapat dijalankan secara lokal.

Sementara itu, pelatihan model, analitik dataset yang sah, atau pengolahan tertentu dapat memanfaatkan infrastruktur komputasi terpusat.

Bagi banyak rumah sakit, pendekatan hybrid dapat menjadi pilihan strategis karena memberikan fleksibilitas antara kebutuhan klinis, efisiensi biaya, dan tata kelola data.

11. Tantangan Data Center AI: Energi, Pendinginan, dan Keberlanjutan

Di balik potensi besar AI, terdapat tantangan infrastruktur yang tidak sederhana.

AI data center membutuhkan energi listrik yang besar, terutama ketika menggunakan kelompok GPU berkapasitas tinggi.

Kepadatan daya rak server yang meningkat juga menuntut sistem pendinginan lebih canggih.

IEA memperkirakan konsumsi listrik data center dunia dapat mencapai sekitar 950 TWh pada 2030 dalam skenario utamanya.

Pertumbuhan ini menjadikan ketersediaan listrik sebagai salah satu faktor utama dalam penentuan lokasi pembangunan data center.

Selain listrik, pengelolaan panas menjadi tantangan penting. Teknologi liquid cooling, optimalisasi aliran udara, pemantauan suhu, dan efisiensi infrastruktur dapat membantu mendukung operasional fasilitas.

Bagi Indonesia, tantangan ini berkaitan dengan kesiapan jaringan listrik, keandalan pasokan, bauran energi, serta kebutuhan pembangunan infrastruktur pendukung.

Untuk sektor kesehatan, keberlanjutan juga perlu dipertimbangkan. Tidak semua aplikasi AI membutuhkan model terbesar atau komputasi paling mahal.

Penggunaan model yang sesuai kebutuhan klinis, optimasi perangkat lunak, pemrosesan lokal untuk kasus tertentu, dan penjadwalan komputasi dapat membantu meningkatkan efisiensi.

Tujuan akhirnya bukan sekadar menghadirkan AI yang canggih, melainkan teknologi yang bermanfaat, terjangkau, dan dapat dioperasikan secara berkelanjutan.

12. Regulasi dan Kedaulatan Data Kesehatan Indonesia

Seiring meningkatnya pemanfaatan cloud dan AI, perlindungan data kesehatan menjadi salah satu isu strategis.

Indonesia telah memiliki sejumlah kerangka regulasi yang relevan, antara lain:

• UU Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi.
• UU Nomor 17 Tahun 2023 tentang Kesehatan.
• PP Nomor 28 Tahun 2024 sebagai peraturan pelaksanaan UU Kesehatan.
• Ketentuan penyelenggaraan rekam medis elektronik, sistem elektronik, serta aturan teknis terkait yang berlaku.

Dalam penerapan AI kesehatan, kepatuhan tidak cukup hanya dengan menempatkan server di dalam negeri.

Pengelola sistem harus memperhatikan dasar pemrosesan data, tujuan penggunaan, pembatasan akses, keamanan, retensi, penghapusan, pengawasan vendor, serta ketentuan transfer data lintas negara jika relevan.

Penggunaan data pasien untuk melatih model AI juga perlu dibedakan dari penggunaan data untuk pelayanan langsung.

Pengembangan model harus memiliki dasar pemrosesan yang sah, tata kelola yang tepat, dan perlindungan terhadap risiko identifikasi ulang pasien.

Data yang telah dihilangkan identitas langsungnya pun tidak selalu bebas dari risiko identifikasi ulang, terutama ketika dikombinasikan dengan dataset lain.

Kedaulatan data kesehatan tidak semata-mata berarti seluruh data wajib berada pada satu lokasi fisik. Hal yang lebih mendasar adalah kemampuan menjaga kendali yang sah atas data, keamanan, akses, penggunaan, dan akuntabilitas.

13. Tantangan Indonesia: Infrastruktur Harus Merata, Bukan Hanya Besar

Salah satu tantangan penting Indonesia adalah karakteristik geografis sebagai negara kepulauan.

Pengembangan data center nasional tidak cukup berfokus pada penambahan kapasitas di Jakarta atau Batam. Konektivitas, distribusi infrastruktur, dan akses layanan digital di luar pusat ekonomi juga perlu diperhatikan.

Bagi sistem kesehatan, masalah ini sangat nyata.

Rumah sakit di wilayah dengan konektivitas terbatas mungkin menghadapi hambatan dalam mengirim citra berukuran besar, mengakses AI berbasis cloud, atau melakukan integrasi sistem secara real-time.

Karena itu, strategi infrastruktur kesehatan digital perlu mempertimbangkan:

Regional Infrastructure

Penempatan infrastruktur atau titik layanan yang lebih dekat dengan fasilitas kesehatan.

Edge Computing

Pemrosesan lokal untuk aplikasi yang membutuhkan respons cepat atau kontinuitas layanan.

Adaptive Data Transfer

Pengiriman data dengan mekanisme antrean, kompresi yang sesuai, dan prioritas berdasarkan kebutuhan klinis.

Disaster Recovery

Pencadangan dan pemulihan layanan dengan memperhitungkan risiko bencana, gangguan listrik, jaringan, dan kegagalan perangkat.

Standardisasi Sistem

Pemanfaatan standar interoperabilitas untuk mengurangi ketergantungan pada satu vendor.

Pemerataan teknologi kesehatan akan membutuhkan kolaborasi antara pemerintah, penyedia data center, operator telekomunikasi, rumah sakit, universitas, dan perusahaan teknologi medis.

Tujuannya adalah memastikan bahwa manfaat AI tidak hanya dinikmati oleh rumah sakit besar di kota metropolitan.

14. Peluang Industri Teknologi Kesehatan Indonesia

Perkembangan data center dan AI dapat menciptakan peluang bisnis baru dalam ekosistem kesehatan digital.

Beberapa sektor yang berpotensi berkembang meliputi:

1. Cloud PACS

Penyediaan layanan penyimpanan, pengelolaan, dan distribusi citra medis bagi rumah sakit dan klinik.

2. AI Radiology Platform

Infrastruktur untuk menjalankan berbagai aplikasi AI radiologi yang terintegrasi dengan sistem rumah sakit.

3. Healthcare Data Infrastructure

Pengelolaan data kesehatan dengan tata kelola, keamanan, interoperabilitas, dan kontrol akses yang tepat.

4. GPU as a Service

Penyediaan sumber daya komputasi untuk pengembangan, pengujian, dan operasional AI kesehatan.

5. Disaster Recovery untuk Rumah Sakit

Layanan pencadangan dan pemulihan sistem kritis, termasuk PACS dan sistem informasi rumah sakit.

6. Regional Healthcare Cloud

Infrastruktur yang memungkinkan fasilitas kesehatan di berbagai wilayah memperoleh akses layanan digital dengan konektivitas dan tingkat layanan yang sesuai.

7. Integrasi Sistem Medis

Layanan integrasi HIS, EMR, RIS, LIS, PACS, DICOM Router, dan platform pertukaran data kesehatan.

Dalam konteks ini, perusahaan teknologi lokal memiliki kesempatan untuk mengembangkan solusi yang tidak hanya menjual perangkat lunak, tetapi juga menyediakan layanan infrastruktur, integrasi, keamanan, dan dukungan operasional.

Pengembangan teknologi lokal dapat menjadi nilai tambah jika disertai kualitas produk, interoperabilitas, keandalan, dan kemampuan memenuhi standar industri.

15. Strategi Indonesia Menuju Ekosistem Data Center Kesehatan Berbasis AI

Untuk membangun ekosistem yang berkelanjutan, Indonesia dapat mengembangkan strategi dalam beberapa tahapan.

Tahap pertama: Memperkuat fondasi data.

Prioritasnya adalah meningkatkan kualitas rekam medis elektronik, konsistensi metadata, interoperabilitas, tata kelola, dan keamanan data.

Tahap kedua: Membangun infrastruktur yang sesuai kebutuhan.

Rumah sakit dan penyedia teknologi perlu menentukan beban kerja yang dijalankan secara lokal, melalui private cloud, maupun layanan cloud.

Tahap ketiga: Mengembangkan AI klinis yang tervalidasi.

Pengembangan AI sebaiknya berangkat dari kebutuhan klinis yang jelas, menggunakan dataset representatif, serta melalui evaluasi performa dan keselamatan.

Tahap keempat: Membangun ekosistem inovasi lokal.

Perguruan tinggi, rumah sakit pendidikan, pengembang PACS, perusahaan AI, dan penyedia data center dapat bekerja sama membangun solusi yang relevan dengan karakteristik pasien serta kebutuhan pelayanan di Indonesia.

Tahap kelima: Memperluas akses secara bertanggung jawab.

Keberhasilan perlu diukur melalui manfaat klinis, waktu pelayanan, efisiensi, kualitas layanan, keamanan, serta kemampuan menjangkau lebih banyak masyarakat.

Dengan strategi ini, Indonesia tidak hanya menjadi pasar konsumsi layanan cloud dan AI, tetapi juga memiliki kesempatan mengembangkan teknologi, talenta, serta solusi kesehatan digital yang memiliki daya saing.

16. Masa Depan: Dari Penyimpanan Data Menuju Intelligent Healthcare Infrastructure

Perkembangan selanjutnya akan membawa data center semakin dekat dengan kebutuhan operasional klinis.

Rumah sakit masa depan berpotensi memiliki ekosistem digital yang menghubungkan modalitas radiologi, PACS, LIS, HIS, EMR, sistem monitoring pasien, serta berbagai AI Engine dalam satu arsitektur layanan yang saling terintegrasi.

Dalam lingkungan tersebut, data tidak hanya berfungsi sebagai catatan historis, tetapi dapat menjadi sumber informasi yang mendukung pengambilan keputusan secara lebih cepat dan terukur.

Misalnya, hasil CT Scan dapat diproses oleh sistem AI yang tervalidasi untuk membantu memprioritaskan pemeriksaan tertentu. Informasi yang relevan dapat diteruskan ke alur kerja klinis sesuai kebijakan rumah sakit, dengan keputusan medis tetap berada pada tenaga kesehatan yang berwenang.

Integrasi semacam ini membutuhkan interoperabilitas melalui standar yang tepat, termasuk DICOM untuk pencitraan medis serta HL7 dan FHIR untuk pertukaran informasi kesehatan sesuai implementasinya.

Di sisi lain, pengembangan AI kesehatan harus memperhatikan transparansi, keadilan, keselamatan pasien, perlindungan privasi, dan akuntabilitas.

WHO menekankan pentingnya prinsip etika dan hak asasi manusia dalam desain, implementasi, dan penggunaan AI kesehatan.

Karena itu, transformasi menuju intelligent healthcare infrastructure harus berlangsung secara bertanggung jawab, bukan hanya mengejar kecepatan adopsi teknologi.

Kesimpulan: Data Center sebagai Fondasi Masa Depan AI Kesehatan Indonesia

Perkembangan data center global menunjukkan bahwa infrastruktur komputasi sedang memasuki fase baru yang didorong oleh pertumbuhan AI.

Bagi Indonesia, perubahan ini membuka peluang strategis untuk memperkuat industri teknologi kesehatan, meningkatkan kemampuan diagnostik, mengoptimalkan alur kerja rumah sakit, memperkuat pengelolaan data medis, serta memperluas akses terhadap teknologi kesehatan digital.

Proyeksi kapasitas data center nasional hingga 3,5 GW pada 2030 memperlihatkan besarnya potensi pertumbuhan infrastruktur digital. Namun, kapasitas tersebut tidak otomatis berarti seluruhnya tersedia untuk AI kesehatan.

Kebutuhan industri kesehatan perlu dibangun sebagai ekosistem tersendiri dengan standar teknis, keamanan, dan persyaratan klinis yang sesuai.

Dalam jangka panjang, peluang strategis Indonesia terletak pada kemampuan mengintegrasikan data center dan infrastruktur GPU, PACS dan teknologi pencitraan medis, AI diagnostik, HIS, EMR, LIS, RIS, interoperabilitas SATUSEHAT, keamanan data, serta pengembangan teknologi lokal.

Bagi industri PACS Indonesia, perubahan ini menjadi momentum penting.

PACS berpotensi berkembang dari sistem arsip citra medis menjadi bagian dari platform infrastruktur kesehatan digital yang menghubungkan modalitas, penyimpanan, AI, dokter, dan sistem informasi rumah sakit.

Pada akhirnya, ukuran keberhasilan transformasi ini bukan semata-mata berapa banyak megawatt data center yang dibangun, berapa besar GPU yang digunakan, atau berapa banyak model AI yang diluncurkan.

Ukuran yang paling penting adalah apakah teknologi tersebut mampu membantu dokter bekerja lebih baik, mempercepat pelayanan, menjaga keselamatan pasien, dan memperluas akses kesehatan yang berkualitas bagi masyarakat Indonesia.

---

Referensi

1. JLL, 2026 Global Data Center Outlook: https://www.jll.com/en-us/insights/market-outlook/data-center-outlook
2. International Energy Agency (IEA), Key Questions on Energy and AI: https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
3. Katadata, Peta perkembangan data center Asia Tenggara: https://katadata.co.id/digital/teknologi/6a8be65912848/dari-singapura-ke-indonesia-peta-data-center-asia-tenggara-bergeser
4. Kementerian Kesehatan RI, Dokumentasi SATUSEHAT: https://satusehat.kemkes.go.id/platform/docs/id/playbook/introduction/
5. World Health Organization (WHO), Ethics and Governance of Artificial Intelligence for Health: https://www.who.int/publications/i/item/9789240029200
6. UU Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi.
7. UU Nomor 17 Tahun 2023 tentang Kesehatan.
8. PP Nomor 28 Tahun 2024 tentang Peraturan Pelaksanaan UU Nomor 17 Tahun 2023 tentang Kesehatan.

Catatan: Angka kapasitas data center dan proyeksi investasi merupakan estimasi yang bergantung pada sumber, definisi kapasitas, periode pengukuran, serta realisasi proyek. Periksa kembali angka dan status regulasi sebelum publikasi.