Bagi operator yang menempatkan kapasitas AI dan cloud di Indonesia, pertanyaan lokasi jarang berupa pilihan antara satu gedung dan gedung lain. Pertanyaan yang sebenarnya adalah bagaimana membagi satu portofolio antara metro Jakarta dan kampus berskala besar. Inference yang melayani pengguna Indonesia dan cluster training yang memproses dataset selama berhari-hari beroperasi di bawah batasan yang sama sekali berbeda, dan keduanya jarang optimal di lokasi yang sama.
Perbedaan tersebut menentukan kebutuhan jaringan, daya, kapasitas, hingga akses operasional. Menerapkan satu kriteria penempatan untuk seluruh portofolio biasanya menghasilkan dua kerugian sekaligus: kapasitas metro yang mahal terpakai untuk pekerjaan yang tidak sensitif terhadap latency, dan workload yang menghadap pengguna terdampar di lokasi yang jalur jaringannya lebih panjang dari yang dibutuhkan.
Digital Edge Indonesia mengoperasikan dua profil lokasi. Fasilitas di Jakarta CBD berada di area downtown dan mengutamakan kedekatan dengan ekosistem interkoneksi Indonesia. CGK Campus di Cikarang, Bekasi dirancang sebagai kampus AI-ready dengan ruang untuk kebutuhan daya dan ekspansi berskala besar.
Karena itu, penempatan sebaiknya dimulai dari persyaratan tiap sistem, bukan dari preferensi lokasi. Workload yang terikat pada jaringan membutuhkan kedekatan dengan titik interkoneksi. Workload yang terikat pada daya dan komputasi membutuhkan kampus dengan jalur pertumbuhan yang terkonfirmasi.
Faktor yang Menentukan Penempatan Workload
Empat faktor menentukan sebagian besar keputusan. Bobot masing-masing berbeda untuk setiap workload, dan justru urutan prioritas inilah yang membedakan satu penempatan dari penempatan lainnya.
Latency dan konektivitas
Aplikasi yang menghadap pengguna dan sistem transaksi dinilai dari waktu respons, sehingga penghematan biaya kapasitas menjadi tidak relevan apabila target respons tidak terpenuhi. Pekerjaan analitik dan training yang berjalan berjam-jam memiliki toleransi yang jauh lebih besar; selisih beberapa milidetik pada jalur jaringan umumnya tidak berdampak pada hasil bisnis.
Latency juga perlu diukur terhadap tujuan yang benar. Untuk layanan konsumen, tujuannya adalah jaringan akses pengguna. Untuk aplikasi keuangan, tujuannya adalah sistem mitra transaksi. Untuk training terdistribusi, performa komunikasi antar-node di dalam cluster jauh lebih menentukan dibandingkan jarak ke pengguna internet.
Kebutuhan daya dan kapasitas pertumbuhan
Kebutuhan daya perlu dihitung untuk kapasitas hari pertama sekaligus jalur pertumbuhan sepanjang masa kontrak. Untuk deployment berskala megawatt, pertanyaan yang menentukan bukan berapa kapasitas yang tersedia sekarang, melainkan apakah tambahan kapasitas dapat disediakan sesuai jadwal ramp Anda tanpa memecah cluster ke lokasi lain.
Biaya keseluruhan
Perbandingan biaya yang hanya melihat harga ruang atau daya per kW akan menyesatkan. Konektivitas, transfer data antar-lokasi, dukungan operasional, dan kebutuhan ekspansi semuanya masuk ke dalam biaya menjalankan aplikasi. Lokasi dengan harga kapasitas lebih rendah belum tentu menghasilkan total biaya yang lebih efisien apabila menuntut konektivitas tambahan atau memperbesar beban operasional.
Akses fisik dan operasional
Akses fisik relevan apabila tim secara rutin melakukan penggantian perangkat, pengiriman rack, inspeksi, atau intervensi teknis. Deployment dengan perubahan hardware yang sering memiliki kebutuhan berbeda dari deployment yang hanya memerlukan kunjungan terjadwal beberapa kali setahun.
Cakupan remote hands menentukan seberapa besar ketergantungan tersebut. Semakin banyak pekerjaan yang dapat ditangani tim fasilitas, semakin kecil kebutuhan kehadiran staf sendiri di lokasi — pertimbangan yang bobotnya meningkat untuk operator yang timnya tidak berbasis di Indonesia.
Selain keempat faktor tersebut, kondisi fisik calon lokasi perlu dievaluasi tersendiri, termasuk risiko lokasi data center Jakarta yang menyangkut paparan lingkungan dan kesiapan infrastruktur pendukung.
Setelah persyaratan minimum untuk setiap faktor ditetapkan, perbandingan lokasi dapat dilakukan berdasarkan kebutuhan teknis dan total biaya selama masa kontrak.
Workload yang Lebih Sesuai di Jakarta CBD
Fasilitas Digital Edge Indonesia di Jakarta CBD menyediakan kapasitas gabungan sekitar 29 MW untuk kebutuhan di area downtown, termasuk fasilitas di kawasan Kuningan yang menggabungkan akses interkoneksi dengan kapasitas production berskala lebih besar.
Keunggulan utama lokasi CBD adalah kedekatannya dengan ekosistem interkoneksi Jakarta, termasuk IIX dan OpenIXP. Kedekatan ini paling relevan untuk workload yang bergantung pada konektivitas dan membutuhkan pertukaran data cepat dengan sistem di luar lingkungan internalnya.
Workload yang Sensitif terhadap Jaringan
Network edge, router peering, dan CDN PoP merupakan contoh workload yang memperoleh manfaat dari lokasi CBD. Penempatan dekat titik pertukaran trafik memperpendek sebagian jalur jaringan menuju pengguna.
Nilai kedekatan tersebut pada akhirnya ditentukan oleh berapa banyak jaringan tujuan yang dapat dijangkau langsung dari sana — dan di situlah kepadatan peering Jakarta menjadi relevan. Catatan IIX-Jakarta di PeeringDB mencantumkan lebih dari 800 jaringan yang hadir di exchange tersebut. Semakin besar jumlah jaringan yang dapat dijangkau melalui satu titik pertukaran, semakin pendek jalur menuju sebagian besar pengguna Indonesia, selama pengaturan peering dan kapasitas port Anda benar-benar memanfaatkan akses tersebut.
Dalam arsitektur CDN, misalnya, cache dapat ditempatkan dekat titik pertukaran trafik agar konten terdistribusi lebih dekat ke jaringan pengguna, sementara penyimpanan asal berkapasitas besar tetap berada di kampus. Pendekatan ini memisahkan kebutuhan pengiriman konten cepat dari kebutuhan menyimpan seluruh katalog.
Aplikasi Transaksi dan Layanan Keuangan
Lokasi CBD juga relevan untuk sistem yang sensitif terhadap waktu respons, terutama API transaksi yang menghubungkan platform dengan penyedia layanan keuangan domestik. Komponen yang sering berhubungan secara sinkron dengan sistem mitra sebaiknya berada dekat dengan jalur konektivitas yang dibutuhkan: API transaksi, pemeriksaan fraud, dan database yang dipanggil berulang kali.
Sebaliknya, pelaporan historis dan batch analytics tidak terikat pada lokasi yang sama dan dapat ditempatkan di fasilitas dengan kapasitas komputasi lebih besar.
Kedekatan Lokasi Tidak Otomatis Menjamin Latency Lebih Rendah
Kedekatan geografis membuka peluang latency lebih rendah, tetapi jarak bukan satu-satunya penentu. Rute fiber, konfigurasi peering, pilihan operator, kapasitas port, dan kepadatan trafik semuanya memengaruhi hasil akhir. Kedekatan dengan IIX dan OpenIXP tidak berarti setiap jaringan tujuan otomatis dapat dijangkau melalui jalur tercepat.
Karena itu, performa perlu diuji terhadap jaringan tujuan yang sebenarnya pada jam sibuk. Gunakan p95 atau p99 — nilai yang lebih lambat dari 95% atau 99% permintaan — bukan sekadar rata-rata. Rata-rata menyembunyikan lonjakan yang justru paling dirasakan pengguna, dan pada trafik production ekor distribusi, inilah yang menentukan apakah target respons benar-benar terpenuhi.
Secara umum, Jakarta CBD lebih sesuai untuk workload yang memperoleh manfaat terukur dari kedekatan dengan ekosistem jaringan: network edge, CDN, API transaksi, dan inference interaktif.
Kapan Lokasi Cikarang Lebih Sesuai?
CGK Campus di Cikarang, Bekasi, direncanakan sebagai kampus AI-ready hyperscale dengan kapasitas hingga 500 MW. Skala tersebut ditujukan untuk kebutuhan daya, komputasi, dan ekspansi yang tidak dapat diakomodasi fasilitas di kawasan perkotaan padat.
Lokasi kampus menjadi pilihan yang tepat ketika penentu utama bukan kedekatan dengan jaringan pengguna, melainkan ketersediaan daya, ruang, dan jalur pertumbuhan jangka panjang.
Workload dengan Kebutuhan Daya dan Komputasi Besar
Training AI, bulk compute, pemrosesan batch, dan penyimpanan berskala besar merupakan kandidat utama. Pekerjaan ini dinilai dari kapasitas komputasi, throughput, utilisasi perangkat, dan durasi penyelesaian — bukan dari waktu respons ke pengguna. Selisih beberapa milidetik pada jalur pengguna tidak relevan untuk proses yang berjalan berjam-jam.
Untuk training, performa komunikasi antar-node di dalam cluster dan ketersediaan daya untuk GPU jauh lebih menentukan dibandingkan jarak ke pengguna akhir. Penilaian teknis fasilitasnya sebaiknya mengikuti kriteria colocation AI-ready, terutama menyangkut kepadatan daya per rack dan kesiapan liquid cooling.
Laporan Energy and AI dari IEA memproyeksikan konsumsi listrik server berakselerator tumbuh sekitar 30% per tahun pada 2024–2030 dalam skenario dasar, sementara pembangunan infrastruktur energi berjalan pada siklus yang jauh lebih panjang. Implikasinya langsung: ketika pertumbuhan kebutuhan daya melampaui kemampuan ekspansi site perkotaan, kapasitas berskala besar lebih realistis ditempatkan di kampus dengan pasokan daya yang terkonfirmasi.
Ruang untuk Ekspansi Jangka Panjang
Keunggulan model kampus adalah kemampuan menambah daya, rack, dan kapasitas komputasi secara bertahap tanpa memecah cluster ke banyak lokasi. Bagi operator yang kebutuhannya tumbuh dalam hitungan megawatt per fase, kemampuan ini sering lebih menentukan daripada harga per kW.
Sebagai konteks perencanaan, survei global data center Uptime Institute 2025 menyoroti tekanan biaya dan keterbatasan daya sebagai kendala utama industri. Karena itu, evaluasi kapasitas perlu mencakup proyeksi pertumbuhan sejak awal, bukan hanya kebutuhan pada hari implementasi.
Kapasitas Rencana Harus Dibedakan dari Kapasitas yang Tersedia
Angka 500 MW menggambarkan skala pengembangan CGK Campus, bukan kapasitas yang tersedia pada setiap tahap pembangunan. Perbedaan ini penting untuk deployment yang bergantung pada jadwal ramp.
Sebelum menetapkan lokasi, pastikan kebutuhan daya, ruang, dan jadwal implementasi Anda sesuai dengan kapasitas yang benar-benar tersedia pada periode tersebut, dan konfirmasikan tahap kesiapannya bersama tim Digital Edge Indonesia.
Lokasi Kampus Tidak Otomatis Berarti Biaya Lebih Rendah
Skala kampus membuka peluang efisiensi, tetapi lokasi Cikarang tidak dengan sendirinya menghasilkan biaya akhir yang lebih rendah. Volume kontrak, utilisasi, kebutuhan konektivitas, transfer data, dan layanan pendukung tetap menentukan. Workload yang bertukar data dalam jumlah besar dengan sistem di Jakarta perlu memperhitungkan biaya dan kapasitas koneksi antar-lokasi sebagai bagian dari perbandingan.
Mengapa Training dan Inference Dapat Berada di Lokasi Berbeda?
Training membutuhkan komunikasi antar-node yang intensif dan akses berulang ke dataset, sehingga cluster training beserta penyimpanan aktifnya lebih efisien apabila berada dalam satu lingkungan. Memecah satu cluster yang terikat erat ke dua lokasi menambah waktu sinkronisasi, sekalipun keduanya terhubung dengan bandwidth besar.
Inference interaktif memiliki prioritas berbeda. Untuk percakapan AI, rekomendasi langsung, atau respons aplikasi, waktu respons kepada pengguna menjadi penentu, dan lokasi yang lebih dekat dengan jaringan pengguna memberikan manfaat terukur. Pola yang umum: model dilatih di kampus, lalu versi yang siap digunakan dipindahkan ke lingkungan inference di Jakarta CBD.
Inference batch justru berperilaku seperti training, bukan seperti inference interaktif. Karena tidak ada pengguna yang menunggu respons, penentunya adalah throughput dan biaya per unit pekerjaan — bukan waktu respons. Pemberian label terhadap jutaan dokumen atau pemrosesan dataset besar karena itu lebih tepat ditempatkan di kampus bersama kapasitas komputasi lainnya, bukan di CBD.
Untuk inference interaktif, evaluasi perlu mencakup seluruh komponen waktu respons: jaringan, antrean GPU, waktu pemrosesan model, dan pengambilan data. Perbandingan antar-komponen inilah yang menentukan langkah berikutnya. Jika antrean GPU menyumbang 300 ms sementara jaringan hanya 15 ms, memindahkan deployment lebih dekat ke pengguna paling banter memangkas beberapa milidetik dari 15 ms tersebut dan sama sekali tidak menyentuh sumber keterlambatan yang sebenarnya. Dalam kondisi itu, menambah kapasitas GPU atau mengoptimalkan penyajian model memberi hasil jauh lebih besar daripada memindahkan lokasi.
Memetakan Workload ke Dua Lokasi
Gunakan tabel berikut sebagai titik awal. Penempatan akhir tetap ditentukan oleh hasil pengukuran dan dependensi aplikasi.
| Kelompok workload | Faktor utama | Penempatan awal | Hal yang perlu divalidasi |
| API transaksi dan layanan keuangan | Latency ke mitra, p99 | Jakarta CBD | Jalur ke mitra dan database memenuhi target waktu respons |
| Network edge dan CDN PoP | Peering, kedekatan dengan pengguna | Jakarta CBD | Jangkauan jaringan dan kapasitas port mencukupi |
| Inference interaktif | Waktu respons menyeluruh | Jakarta CBD | Jaringan memberikan pengaruh signifikan terhadap target respons |
| Training AI dan bulk compute | Daya dan throughput cluster | CGK Campus | Kapasitas tersedia sesuai jadwal ramp |
| Inference batch dan penyimpanan besar | Biaya kapasitas dan durasi pemrosesan | CGK Campus | Transfer data dapat diselesaikan sesuai jadwal pemrosesan |
Kesimpulan
Tidak ada satu lokasi yang optimal untuk seluruh portofolio. Fasilitas Jakarta CBD lebih relevan untuk aplikasi yang memperoleh manfaat langsung dari kedekatan dengan ekosistem interkoneksi Indonesia — API transaksi, network edge, CDN, dan inference interaktif. CGK Campus lebih relevan untuk kebutuhan komputasi, penyimpanan, dan daya berskala besar, termasuk training AI, bulk compute, dan inference batch.
Keputusan akhir mengikuti kebutuhan masing-masing workload, keterkaitan antar-komponen, target performa, serta kapasitas yang benar-benar tersedia pada saat implementasi. Untuk banyak operator, jawabannya bukan salah satu lokasi, melainkan keduanya: komponen yang terikat jaringan di Jakarta CBD, kapasitas komputasi besar di kampus, dengan koneksi antar-lokasi yang direncanakan sejak awal.
Bahas rancangan colocation Anda bersama Digital Edge Indonesia dengan membawa inventaris workload, target latency, dependensi aplikasi, dan proyeksi ramp daya untuk menentukan pembagian yang sesuai antara Jakarta CBD dan CGK Campus.
