30 Juni 2026: Bitcoin diperdagangkan dalam rentang sempit di kisaran $60.000, sementara Ethereum stabil di sekitar $1.600. Setelah koreksi berkelanjutan sepanjang Juni, pasar kripto jangka pendek masih didominasi sentimen bearish. Namun, saat aset kripto memasuki fase "garbage time", sektor lain justru mengalami pertumbuhan eksplosif yang belum pernah terjadi sebelumnya—memori semikonduktor.
Laporan World Semiconductor Trade Statistics (WSTS) Spring 2026 secara tajam menaikkan ekspektasi pertumbuhan industri: pasar semikonduktor global diperkirakan akan melampaui $1,51 triliun pada 2026, naik 90% secara tahunan. Chip memori diproyeksikan tumbuh 250%, mencapai $800 miliar. Untuk pertama kalinya, output memori akan melampaui foundry wafer, menjadi pendorong utama pertumbuhan di industri semikonduktor.
Di pusat revolusi memori ini terdapat HBM (High Bandwidth Memory). Pasar HBM diperkirakan tumbuh 58% pada 2026, mencapai $54,6 miliar dan menyumbang hampir 40% dari pasar DRAM. Apa yang membedakan HBM dari DRAM? Mengapa model AI sangat bergantung pada HBM?
HBM vs. DRAM: Akar Sama, Jalan Berbeda
HBM dan DRAM memiliki medium penyimpanan dasar yang sama—dynamic random-access memory. Namun, pendekatan teknologi, desain arsitektur, dan skenario aplikasinya telah berkembang sangat berbeda.
DRAM tradisional mengikuti strategi "ekspansi horizontal". Diwakili oleh DDR4 dan DDR5, DRAM konvensional menggunakan arsitektur planar. Peningkatan performa berasal dari peningkatan proses (misal, dari 20nm ke 2nm) dan optimalisasi arsitektur (seperti lebar prefetch yang lebih besar pada DDR5). Logika utamanya adalah terus memperkecil ukuran transistor dan meningkatkan frekuensi di bidang dua dimensi. Namun, pendekatan ini kini mendekati batas fisik—proses di bawah 2nm menghadapi tantangan seperti quantum tunneling, dan miniaturisasi lebih lanjut saja tidak lagi mampu memenuhi permintaan bandwidth memori yang eksponensial dari AI.
HBM mengambil pendekatan "penumpukan vertikal" untuk menembus batas ini. HBM menggunakan struktur 3D, memanfaatkan teknologi Through-Silicon Via (TSV) untuk menumpuk beberapa die DRAM secara vertikal, membentuk struktur seperti kubus. Ribuan lubang kecil dibor pada chip DRAM, menghubungkan lapisan dengan elektroda vertikal. Di bagian bawah terdapat unit kontrol logika DRAM yang mengelola timing dan kontrol untuk seluruh stack. Desain "menara" ini memungkinkan HBM mencapai densitas bandwidth sangat tinggi dalam ukuran fisik yang ringkas.
Kesenjangan generasi antara keduanya sangat nyata pada berbagai metrik kinerja utama:
Bandwidth: DRAM tradisional (misal, DDR5) menghasilkan 50–100 GB/s, sedangkan satu stack HBM3E dapat mencapai 1,2 TB/s. HBM4 generasi berikutnya diperkirakan melampaui 2,0 TB/s. HBM menawarkan lebih dari 10 kali bandwidth DRAM konvensional.
Efisiensi daya: HBM dapat beroperasi di bawah 5 pJ/bit, dibandingkan 10–15 pJ/bit untuk DRAM tradisional. Di pusat data yang menjalankan ribuan GPU secara bersamaan, perbedaan ini berarti penghematan puluhan juta dolar biaya listrik per tahun.
Latensi: DRAM planar mempertahankan latensi sekitar 10 ns, sementara penambahan lapisan pada HBM mendorong latensi hingga sekitar 100 ns. Namun, dalam pelatihan dan inferensi AI, throughput jauh lebih penting dibanding latensi akses tunggal—penanganan parameter masif secara cepat lebih krusial daripada kecepatan akses individu.
Biaya: Produksi HBM jauh lebih mahal dibanding DRAM tradisional. Meski biaya per Gb HBM4 30% lebih rendah dari HBM3, tetap 3–5 kali lebih tinggi dibanding DDR5 dengan kapasitas sama. HBM mengonsumsi wafer 4–5 kali lebih banyak daripada DDR5, dan teknologi TSV secara signifikan menurunkan densitas bit dibanding DDR. Sebagai contoh, SK Hynix D1z DDR4 memiliki densitas bit 0,296 Gb/mm², 85% lebih tinggi dari HBM3-nya (0,16 Gb/mm²). Area ekstra yang dibutuhkan untuk TSV dan proses stacking/packaging kompleks menjadi penyebab utama tingginya biaya HBM.
Singkatnya: DRAM tradisional mengedepankan "kecukupan terjangkau", sementara HBM mengejar "bandwidth maksimal"—ini adalah pertarungan antara pendekatan teknologi berbasis biaya dan berbasis bandwidth.
Krisis Memory Wall: Mengapa Model AI Membutuhkan HBM
Ketergantungan AI pada HBM berasal dari hambatan mendasar yang dikenal sebagai "Memory Wall".
Selama 20 tahun terakhir, daya komputasi GPU meningkat 60.000 kali lipat, sementara bandwidth DRAM hanya tumbuh 100 kali lipat. Kecepatan komputasi jauh melampaui kecepatan suplai data—ibarat mobil balap super cepat dengan saluran bahan bakar yang masih menggunakan spesifikasi dua dekade lalu. GPU adalah mesinnya; HBM adalah sistem injeksi bahan bakarnya. Jika suplai bahan bakar tidak mampu mengikuti, mesin paling kuat pun hanya akan berputar di tempat.
Model bahasa besar semakin memperbesar kontradiksi ini. Model AI tidak sekadar mengambil informasi statis—mereka terus mempertahankan "working state" yang mencakup context window, KV cache, aktivasi menengah, dan keputusan routing. Semua ini harus diakses secara real-time dengan latensi sangat rendah dan selalu tersedia. Selama pemrosesan urutan token penuh, model terus-menerus mengakses dan memperbarui konteks—kenaikan latensi memori sekecil apa pun dapat menurunkan throughput, memperlambat respons, atau memaksa operator menambah perangkat keras.
Fase pelatihan: Model dengan triliunan parameter melakukan iterasi berulang pada dataset masif, dengan setiap forward dan backward pass melibatkan pembacaan dan pembaruan parameter dalam jumlah besar. Bandwidth HBM yang mencapai TB/s sangat menentukan dalam mempercepat waktu pelatihan.
Fase inferensi: Seiring maraknya model multimodal dan AI agent, jumlah pemanggilan token melonjak. Bottleneck pada inferensi bukan "seberapa cepat Anda menghitung", melainkan "seberapa cepat Anda menyuplai data". Di ujung jalan bandwidth, terdapat HBM.
Secara sistem, AI berjalan di atas arsitektur memori berlapis: HBM menyuplai data ke akselerator, DRAM menyimpan state real-time dan memori percakapan, dan SSD berbasis NAND menyediakan penyimpanan permanen untuk dataset, embedding, retrieval index, log, dan checkpoint. HBM berada paling dekat dengan inti komputasi, menangani suplai data dengan frekuensi tertinggi dan paling mendesak—peran yang tidak bisa digantikan medium penyimpanan lain.
Itulah sebabnya semua akselerator AI terdepan untuk pelatihan dan inferensi generatif menggunakan HBM. HBM bukan "aksesori opsional" bagi AI—ia adalah "tabung oksigen" yang menentukan seberapa cepat AI dapat berjalan.
Ketidakseimbangan Supply-Demand: Kekurangan Struktural Bertahun-Tahun
Permintaan HBM sangat kaku, namun pasokannya "terkunci".
Sisi permintaan: Belanja infrastruktur AI global akan mencapai $450 miliar pada 2026, dengan daya komputasi inferensi melampaui 70% untuk pertama kalinya, mendorong permintaan kuat untuk GPU, HBM, dan chip jaringan berkecepatan tinggi. Pertumbuhan permintaan HBM pada 2026 terutama didorong oleh peningkatan kapasitas AI ASIC, dengan kapasitas HBM per chip AI melonjak dari 96 GB/192 GB menjadi 216 GB/288 GB. Platform Rubin NVIDIA mempertahankan kapasitas HBM per GPU di level sebelumnya, namun volume pengiriman yang lebih tinggi mendorong permintaan total naik. Sembilan penyedia cloud terbesar dunia diperkirakan akan membelanjakan sekitar $830 miliar pada 2026, naik 79% secara tahunan.
Sisi pasokan: Meski Samsung, SK Hynix, dan Micron mengalokasikan 70% kapasitas baru/yang dapat disesuaikan untuk HBM, kesenjangan pasokan HBM tetap di kisaran 50–60%. Hingga kuartal I 2026, seluruh kapasitas HBM dari tiga besar telah habis terjual. SemiAnalysis melaporkan bahwa pasokan DRAM pada 2026 akan 7% di bawah permintaan, HBM akan kurang 6%, dan kesenjangan ini melebar menjadi 9% pada 2027.
Yang paling krusial, pasokan sangat kaku. Bahkan jika tiga produsen teratas memutuskan ekspansi sekarang, kendala fisik seperti proses TSV, yield packaging canggih, dan waktu tunggu peralatan berarti kapasitas baru baru akan online paling cepat pada 2028–2029. Bank investasi internasional umumnya sepakat bahwa kekurangan struktural HBM akan berlangsung setidaknya hingga 2028. CEO NVIDIA, Jensen Huang, bahkan lebih lugas: kekurangan pasokan HBM global "bukan fluktuasi pasar jangka pendek, melainkan dilema struktural industri yang akan bertahan bertahun-tahun."
Harga: Samsung dan SK Hynix telah menaikkan harga pasokan HBM3E 2026 hampir 20%. Harga kontrak awal HBM4 12-layer diperkirakan membawa premi lebih dari 10% dibanding kontrak HBM3E 12-layer tahun 2025.
Lanskap Pasar: Siapa Pemimpin Revolusi Memori?
Pasar HBM sangat terkonsentrasi. Analis memproyeksikan SK Hynix akan menguasai sekitar 52% pangsa pasar pengiriman pada 2026, Samsung sekitar 39%, Micron sekitar 8%, dan pemain Tiongkok daratan hanya memiliki pangsa minimal. Dari sisi penjualan, pendapatan HBM SK Hynix bisa mencapai $5,95 miliar pada 2026, mengukuhkan posisi teratas global.
Pada kuartal I 2026, pangsa pasar HBM global SK Hynix sekitar 51,4%. TrendForce memperkirakan pangsa pasar HBM sepanjang tahun akan tetap di kisaran 50%; Counterpoint memprediksi pangsa pasar HBM4 mereka akan mencapai 54%.
Margin kotor tiga produsen besar telah melampaui 70% bahkan 80%. Distribusi laba HBM membentuk "piramida"—semakin dekat ke inti teknologi dan bottleneck, semakin besar porsinya.
Sementara itu, tren menarik mulai muncul: profitabilitas DRAM general purpose secara struktural melampaui HBM. Pada kuartal I 2026, gap margin laba operasional antara DRAM umum dan HBM telah melebar lebih dari 15 poin persentase. Estimasi pasar menunjukkan bahwa mengalokasikan kapasitas ke DRAM umum menghasilkan pendapatan per wafer lebih dari dua kali lipat HBM, dengan margin kotor hampir tiga kali lipat. Inilah mengapa SK Hynix mempertimbangkan mengalihkan sebagian sumber daya kembali ke DRAM umum—ironisnya mengonfirmasi bahwa seluruh pasar memori sedang mengalami boom yang luas.
Perspektif Investasi: Peluang di Supercycle HBM
Kekurangan struktural HBM dan kenaikan harga memberikan logika industri yang jelas bagi investor.
Produsen memori menjadi penerima manfaat langsung. SK Hynix (KRX), Samsung Electronics (KRX), dan Micron (NASDAQ) memanfaatkan dominasi teknologi dan kapasitas langka mereka untuk merebut sebagian besar laba berlebih industri. Morgan Stanley, yang memprediksi kenaikan harga rata-rata DRAM sebesar 62% pada 2026, telah menaikkan proyeksi laba produsen memori sebesar 56–63%.
Pemain rantai pasok hulu juga ikut menikmati keuntungan. Ekspansi besar-besaran oleh pemimpin memori secara langsung mendorong permintaan untuk peralatan semikonduktor seperti etching, thin film deposition, pengujian, dan lainnya, menyalurkan kemakmuran dari hulu ke midstream. Kebutuhan packaging canggih HBM juga mempercepat industrialisasi teknologi packaging 2,5D seperti CoWoS.
Produsen chip AI adalah pendorong permintaan utama HBM. Perusahaan chip AI terkemuka seperti NVIDIA (NASDAQ) dan Broadcom (NASDAQ) terus memperluas pengadaan HBM. GPU Rubin Ultra NVIDIA akan dilengkapi kapasitas HBM hingga 1 TB per chip.
Gate Stock Trading: Akses Satu Pintu ke Investasi Memori dan AI Global
Bagi investor yang ingin berpartisipasi dalam supercycle memori ini, Gate Stock menawarkan titik masuk yang praktis.
Gate Stock kini menyediakan sistem perdagangan 24/7 yang mencakup pasar AS, Hong Kong, dan Korea, mendukung lebih dari 10.000 saham dan ETF AS, lebih dari 1.500 saham Hong Kong, dan 1.000 saham Korea—total lebih dari 12.500 saham dan aset ETF global. Daftar emiten mencakup pemimpin global seperti Apple, NVIDIA, Microsoft, Tencent Holdings, Xiaomi Group, Samsung Electronics, dan SK Hynix.
Pengguna dapat berinvestasi pada saham global melalui akun terintegrasi Gate menggunakan USDT, dengan perdagangan saham pecahan mulai dari 0,01 lot, serta menikmati pembagian dividen. Platform juga mendukung aksi korporasi seperti stock split dan reverse split, dengan cakupan penuh di aplikasi maupun web.
Gate Stock telah melampaui batasan perdagangan pre-market, reguler, dan after-hours tradisional dengan mendukung perdagangan overnight dan akhir pekan, menembus batas waktu pasar sekuritas konvensional. Layanan transfer antar broker segera hadir, semakin meningkatkan fleksibilitas dan kemudahan pengelolaan aset saham.
Metode perdagangan: Setelah mendanai akun terintegrasi di platform Gate, pengguna dapat memilih saham target pada modul perdagangan saham dan membeli atau menjualnya dalam denominasi USDT. Platform menyediakan kuotasi waktu nyata, alat analisis teknikal, dan berbagai tipe order (market, limit, dll.), dengan pengalaman yang konsisten seperti perdagangan aset kripto.
Kesimpulan
Perbedaan mendasar antara HBM dan DRAM terletak pada pendekatan teknologi "bandwidth-first" versus "cost-first". Seiring daya komputasi AI terus berkembang, teknologi stacking 3D dan TSV pada HBM telah menembus "memory wall", menjadikannya komponen inti yang tak tergantikan untuk pelatihan dan inferensi model besar.
Pada 2026, pasar semikonduktor global akan melampaui $1,51 triliun, chip memori tumbuh 250%, dan pasar HBM naik 58% menjadi $54,6 miliar. Kesenjangan pasokan mencapai 50–60%, dan seluruh kapasitas dari tiga produsen besar telah habis terjual. Ini bukan fluktuasi siklus biasa—melainkan transformasi struktural yang didorong belanja modal jangka panjang pada infrastruktur AI.
Bagi investor, produsen memori, pemasok peralatan/material, dan produsen chip AI semuanya memiliki logika industri yang jelas. Layanan perdagangan saham 24/7 Gate untuk pasar AS, Hong Kong, dan Korea memberikan investor global alat yang fleksibel dan efisien untuk berpartisipasi dalam supercycle memori ini. Dalam iklim ketakutan pasar ekstrem saat ini (Fear Index 14–16), diskoneksi antara fundamental industri dan sentimen pasar sering memunculkan peluang struktural paling menarik.
FAQ
Q1: Apa perbedaan inti antara HBM dan DRAM?
Perbedaan utama terletak pada arsitektur. DRAM tradisional menggunakan desain planar, meningkatkan performa melalui peningkatan proses. HBM menggunakan penumpukan 3D dengan TSV untuk menumpuk beberapa die DRAM secara vertikal demi jalur data ultra-lebar. HBM3E menawarkan bandwidth hingga 1,2 TB/s—lebih dari 10 kali DDR5—namun biayanya 3–5 kali lebih mahal untuk kapasitas yang sama.
Q2: Mengapa model AI membutuhkan HBM?
Pelatihan dan inferensi model besar membutuhkan baca/tulis parameter masif berkecepatan tinggi. Pertumbuhan bandwidth DRAM jauh tertinggal dari daya komputasi (60.000x vs. 100x dalam 20 tahun), menciptakan bottleneck "memory wall". Bandwidth HBM yang mencapai TB/s terus-menerus menyuplai data ke GPU, mencegah siklus komputasi idle. Semua akselerator AI terdepan menggunakan HBM.
Q3: Siapa pemain utama di pasar HBM?
Pasar HBM sangat terkonsentrasi. SK Hynix diperkirakan menguasai sekitar 52% pangsa pengiriman pada 2026, Samsung sekitar 39%, dan Micron sekitar 8%. SK Hynix memimpin penjualan, dengan pendapatan HBM diproyeksikan mencapai $5,95 miliar pada 2026. Seluruh kapasitas HBM dari tiga besar telah habis terjual, dengan beberapa pelanggan mengunci pasokan hingga 2028.
Q4: Berapa lama kekurangan HBM akan berlangsung?
Bank investasi internasional umumnya memperkirakan kekurangan HBM akan bertahan setidaknya hingga 2028. Permintaan didorong belanja modal infrastruktur AI, sementara pasokan terkendala proses TSV, yield packaging, dan waktu tunggu peralatan. Bahkan jika ekspansi dimulai sekarang, kapasitas baru baru akan tersedia pada 2028–2029. Jensen Huang menyebut ini sebagai "dilema struktural industri multi-tahun".
Q5: Bagaimana cara berinvestasi pada saham terkait HBM di Gate?
Gate Stock menawarkan perdagangan 24/7 untuk saham AS, Hong Kong, dan Korea, mencakup lebih dari 12.500 saham dan ETF. Pengguna dapat berinvestasi secara global melalui akun terintegrasi menggunakan USDT, mulai dari 0,01 lot. Daftar saham terkait HBM meliputi produsen memori SK Hynix (KRX), Samsung Electronics (KRX), Micron (NASDAQ), serta produsen chip AI seperti NVIDIA (NASDAQ).
