
Jika Anda hanya bertanya rute penyimpanan AI mana yang paling langsung, jawabannya adalah HBM. Jika Anda bertanya rute mana yang memiliki eksposur paling luas terhadap pertumbuhan data AI, NAND/SSD enterprise dan HDD juga memiliki peran yang jelas. HBM berada paling dekat dengan GPU dan akselerator AI. NAND/SSD mendukung pemuatan model, caching, dan akses data berkecepatan tinggi. HDD menangani data dingin dalam jumlah masif, log, backup, dan pengarsipan jangka panjang. Untuk menilai nilai investasi, Anda tidak bisa hanya bertanya apakah sebuah perusahaan mendapat manfaat dari AI. Anda juga perlu membandingkan kemurnian bisnis, kekuatan penetapan harga, struktur pelanggan, kendala pasokan, dan ekspektasi valuasi.
Poin-Poin Penting:

Penyimpanan AI tidak boleh direduksi menjadi sekadar "membeli hard disk" atau "membeli memori." Pandangan yang lebih akurat adalah bahwa pusat data AI bergantung pada hierarki memori yang lengkap. Yang paling dekat dengan komputasi adalah HBM dan DDR. Lapisan tengah mencakup NVMe SSD, enterprise SSD, dan ekspansi memori CXL. Lebih jauh lagi ada nearline HDD, object storage, dan sistem arsip. Untuk membandingkan HBM, NAND, dan HDD, Anda terlebih dahulu perlu memahami posisi masing-masing dalam pelatihan AI, inferensi, dan penyimpanan data jangka panjang.
HBM adalah singkatan dari High Bandwidth Memory. Ini adalah DRAM ber-bandwidth tinggi, bukan drive penyimpanan tradisional. Biasanya bekerja di samping GPU, akselerator AI, atau ASIC kustom, mengatasi hambatan bandwidth memori dalam pelatihan dan inferensi model. NAND Flash biasanya muncul sebagai SSD, menyediakan pembacaan data berkapasitas lebih besar dengan latensi lebih rendah, pemuatan bobot model, checkpointing, dan caching. HDD lebih lambat, tetapi menawarkan biaya rendah per terabyte dan cocok untuk menyimpan data dalam jumlah masif.
Dalam penjelasan teknis NVIDIA tentang Blackwell Ultra GPU, kapasitas dan bandwidth HBM disajikan sebagai bagian dari kerangka kemampuan AI Factory. Hal ini menunjukkan bahwa HBM bukan lagi sekadar komponen. HBM adalah bagian dari desain platform komputasi AI. Sebaliknya, NAND dan HDD termasuk dalam lapisan yang berbeda dari arsitektur penyimpanan pusat data yang lebih luas.
| Tahap AI | Media Paling Relevan | Kebutuhan Inti | Jarak dari Kebutuhan AI |
|---|---|---|---|
| Pelatihan model besar | HBM, DDR, SSD | Bandwidth, throughput, pembacaan dataset | Terdekat |
| Inferensi model besar | HBM, DDR, SSD | Latensi, kapasitas, KV cache | Dekat hingga menengah |
| Penyebaran model | SSD, object storage | Pemuatan model, caching, log | Menengah |
| Akumulasi data | HDD, object storage, tape | Biaya per TB, penyimpanan jangka panjang | Menengah hingga jauh |
Pelatihan AI paling langsung mendorong permintaan HBM karena pelatihan model besar sering kali dibatasi oleh bandwidth memori. Inferensi juga bergantung pada HBM, terutama dalam skenario konteks panjang, konkurensi tinggi, dan throughput tinggi. Namun inferensi juga memperluas permintaan SSD karena bobot model, indeks vektor, data RAG, dan log semuanya membutuhkan akses yang efisien. Dalam jangka panjang, AI akan menghasilkan volume data baru yang besar, termasuk data pelatihan, data sintetis, log interaksi pengguna, gambar, dan video. Bagian dari permintaan ini lebih mungkin mengalir ke HDD dan penyimpanan objek.
Itulah mengapa "paling langsung" tidak berarti "satu-satunya penerima manfaat." HBM menyelesaikan masalah bandwidth di dalam node komputasi. NAND/SSD menyelesaikan akses data berkecepatan tinggi. HDD menyelesaikan kapasitas masif dan retensi berbiaya rendah.
Ringkasan: Jika Anda menggunakan satu kalimat untuk memahami penyimpanan data AI, Anda dapat dengan mudah salah membaca rantai pasokan. HBM adalah jalur yang paling dekat dengan akselerator AI. NAND/SSD perusahaan adalah lapisan tengah perpindahan data AI. HDD adalah fondasi kapasitas setelah data AI terakumulasi. Ketiganya dapat memperoleh manfaat dari belanja modal AI, tetapi melalui mekanisme yang berbeda. HBM bergantung pada pengiriman GPU/ASIC dan konfigurasi memori ber bandwidth tinggi. NAND bergantung pada SSD perusahaan, QLC/TLC, pemuatan model, dan caching inferensi. HDD bergantung pada pembelian kapasitas nearline oleh hyperscaler, retensi data jangka panjang, dan biaya per terabyte. Untuk membandingkan kemurnian bisnis, pertanyaan pertama bukanlah berapa kali sebuah perusahaan menyebut AI, melainkan seberapa dekat produknya dengan node komputasi AI dan seberapa besar pendapatannya terkait dengan permintaan tersebut.

HBM adalah penerima manfaat penyimpanan AI yang paling langsung di antara ketiga rute karena dikemas di sekitar GPU AI, akselerator AI, atau ASIC kustom. Hal ini secara langsung memengaruhi bandwidth memori, kapasitas, dan efisiensi daya dalam pelatihan dan inferensi model. Anda dapat menganggap HBM sebagai kumpulan memori berkecepatan tinggi yang berada di samping chip AI. Seiring chip AI terus meningkatkan kepadatan komputasi, permintaan terhadap kapasitas HBM, tinggi tumpukan, bandwidth, dan kemasan lanjutan pun meningkat bersamanya.
Parameter model AI, aktivasi, KV cache, dan hasil komputasi perantara semuanya membutuhkan akses baca dan tulis berkecepatan tinggi. Semakin bertenaga GPU-nya, semakin mudah unit komputasi menganggur jika bandwidth memori tidak mampu mengimbangi. Di sinilah HBM berperan: melalui 3D stacking, TSV, wide I/O, dan packaging tingkat lanjut, ia menempatkan bandwidth yang lebih tinggi lebih dekat ke inti komputasi.
Deskripsi produk HBM3E dari Micron menyoroti bandwidth lebih dari 1,2TB/s dan kasus penggunaan AI. Standar JESD270-4 HBM4 dari JEDEC juga menempatkan bandwidth yang lebih tinggi, efisiensi daya yang lebih tinggi, dan kapasitas yang lebih tinggi sebagai peningkatan utama untuk AI dan HPC. [HBM4](https://news.samsung. dari Samsungcom/global/samsung-ships-industry-first-commercial-hbm4-with-ultimate-performance-for-ai-computing) mengungkapkan bahwa penjualan HBM tahun 2026 diperkirakan tumbuh lebih dari tiga kali lipat dibandingkan tahun 2025, yang menunjukkan bahwa HBM telah mengembangkan kurva permintaan berbasis AI yang lebih kuat dan terpisah dari siklus memori tradisional.
| Dimensi | Penilaian Rute HBM |
|---|---|
| Jarak dari komputasi AI | Terdekat; langsung masuk ke node komputasi GPU/ASIC |
| Penggerak permintaan | Pengiriman akselerator AI, skala model, konkurensi inferensi |
| Teknologi utama | HBM3E, HBM4, TSV, CoWoS, pengemasan canggih |
| Perusahaan representatif | SK hynix, Micron, Samsung |
| Risiko utama | Yield, kapasitas pengemasan, kualifikasi pelanggan, ekspektasi harga yang tertekan |
SK hynix, Micron, dan Samsung semuanya merupakan pemasok HBM yang penting, tetapi kemurnian bisnis mereka berbeda. SK hynix memiliki narasi pasar yang lebih terkonsentrasi pada HBM, DRAM server, dan memori AI. Setelah meningkatkan penjualan HBM dan DRAM server berkapasitas tinggi, dampak permintaan AI terhadap hasil SK hynix lebih mudah diidentifikasi oleh pasar. Paparan AI Micron berasal dari HBM, DRAM, dan SSD pusat data, sehingga bukan perusahaan dengan satu jalur tunggal, tetapi menawarkan cakupan penyimpanan AI yang lebih luas. Samsung jauh lebih besar dan mencakup DRAM, NAND, smartphone, layar, foundry, dan elektronik konsumen, yang mengencerkan sensitivitas penyimpanan AI-nya.
Saat menilai kemurnian HBM, fokuslah pada tiga hal: pangsa pendapatan HBM di dalam pendapatan DRAM, apakah HBM terikat pada NVIDIA, AMD, Google TPU, atau pelanggan ASIC lainnya, serta apakah pengemasan canggih, hasil produksi (yield), dan kualifikasi pasokan stabil.
Ringkasan: HBM adalah rute penyimpanan AI yang paling langsung karena merupakan bagian dari node komputasi bersama AI GPU, ASIC, dan pengemasan lanjutan (advanced packaging). Pertumbuhannya tidak berasal dari gagasan samar bahwa "data terus bertambah." Pertumbuhan itu berasal dari model yang lebih besar, konkurensi inferensi yang lebih tinggi, dan tuntutan yang lebih kuat terhadap bandwidth serta kapasitas memori pada akselerator AI. Namun, semakin langsung sebuah rute, semakin terkonsentrasi pula risikonya. Kualifikasi pelanggan, kapasitas pengemasan, yield, harga, dan ekspektasi valuasi semuanya dapat memperbesar volatilitas. Anda tidak boleh hanya berfokus pada sensitivitas potensi keuntungan HBM yang tinggi. Anda juga perlu menyadari bahwa ini adalah segmen dengan hambatan tinggi, padat modal, dan terkonsentrasi pada pelanggan.Bagi investor, HBM lebih tepat dipandang sebagai indikator kunci momentum komputasi AI, bukan sekadar sebagai aset penyimpanan berisiko rendah.

NAND/SSD enterprise bukanlah jalur penyimpanan AI yang paling langsung, tetapi dapat menawarkan paparan yang paling luas terhadap pergerakan data AI. Mereka tidak berada langsung di samping GPU, namun mendukung pemuatan bobot model, pembacaan data pelatihan, checkpointing, basis data vektor, caching inferensi, dan penyimpanan hangat (warm storage). Jika Anda peduli dengan pergerakan AI dari pelatihan menuju inferensi skala besar, pentingnya NAND/SSD meningkat secara tajam. Namun, jalur ini masih dipengaruhi oleh elektronik konsumen, PC, smartphone, dan siklus TI enterprise tradisional.
AI generatif membutuhkan lebih dari sekadar HBM. AI juga membutuhkan penyimpanan non-volatil berlatensi rendah dalam jumlah besar. Selama pelatihan, SSD mendukung pembacaan dataset berthroughput tinggi dan penyimpanan checkpoint. Selama inferensi, SSD mendukung pemuatan model, caching data panas, indeks vektor, log, dan retensi konteks pengguna. Analisis McKinsey tentang SSD enterprise menunjukkan bahwa adopsi AI generatif mendorong permintaan SSD di server dan unit penyimpanan data.
Kinerja Micron juga menunjukkan bahwa NAND tidak lagi hanya merupakan perpanjangan dari siklus elektronik konsumen. Pada kuartal fiskal 3 tahun 2026, Micron melaporkan pendapatan rekor, dan materi laporan labanya mencatat bahwa pendapatan SSD pusat data melampaui $5 miliar, lebih dari dua kali lipat dibanding kuartal sebelumnya. SanDisk melaporkan dalam kuartal fiskal kedua tahun 2026 bahwa pendapatan pusat data tumbuh 64% secara kuartalan, didorong oleh pembangun infrastruktur AI dan penerapan AI skala besar oleh pelanggan teknologi.
| Dimensi | HBM | NAND/Enterprise SSD | HDD |
|---|---|---|---|
| Jarak dari komputasi AI | Terdekat | Tengah | Lebih jauh |
| Nilai utama | Bandwidth dan kapasitas | Latensi rendah, throughput tinggi, non-volatilitas | Kapasitas besar dengan biaya rendah |
| Biaya per TB | Tertinggi | Menengah | Terendah |
| Kasus penggunaan AI | Memori GPU/ASIC | Pemuatan model, caching, checkpointing | Data dingin, pencadangan, arsip |
| Paparan siklus | Penawaran-permintaan DRAM/HBM | NAND ditambah elektronik konsumen | Pesanan penyimpanan cloud dan siklus kapasitas |
Perusahaan NAND juga dapat diuntungkan oleh AI, tetapi kemurnian mereka kurang jelas dibandingkan HBM. NAND digunakan di banyak pasar: ponsel pintar, PC, SSD konsumen, kartu penyimpanan, SSD perusahaan, dan penyimpanan pusat data. Ini berarti pendapatan keseluruhan dan ASP dipengaruhi oleh lebih dari sekadar AI. SanDisk lebih dekat dengan perusahaan Flash/NAND bermurnian tinggi. Micron dan Samsung adalah perusahaan campuran DRAM, HBM, dan NAND. Ketika Anda melihat hasil yang membaik di sebuah perusahaan NAND, Anda perlu memisahkan apakah SSD pusat data adalah pendorong sebenarnya atau apakah perbaikan tersebut terutama disebabkan oleh pemulihan harga NAND.
NAND berada di antara HBM dan HDD. NAND lebih murah dan berkapasitas lebih besar daripada HBM, tetapi tidak dapat menggantikan bandwidth HBM. NAND jauh lebih cepat daripada HDD, tetapi biaya per terabyte-nya lebih tinggi. Seiring penskalaan inferensi AI dan layanan model yang semakin masuk ke tahap produksi, nilai SSD menjadi semakin terlihat.
Ringkasan: NAND/SSD enterprise adalah lapisan tengah dari tiga rute penyimpanan AI. Mereka tidak sedekat HBM ke inti komputasi, tetapi menjadi kritis seiring AI bergeser dari eksperimen pelatihan ke penerapan produksi. Pemuatan model, basis data vektor, caching, checkpointing, log, dan penyimpanan hangat semuanya bergantung pada penyimpanan non-volatile berkecepatan tinggi. Untuk menilai rute NAND, Anda tidak bisa hanya mengatakan "permintaan AI kuat." Anda perlu melihat pangsa SSD enterprise, pertumbuhan pelanggan pusat data, komposisi produk QLC/TLC, tren ASP NAND, dan beban dari elektronik konsumen. Kekuatan NAND adalah penerapan yang luas. Risiko-Nya juga adalah penerapan yang luas: ia dapat menangkap pertumbuhan pusat data AI, sambil tetap terpengaruh oleh siklus pasar ujung tradisional.
HDD bukanlah rute penyimpanan AI yang paling langsung, tetapi mereka tetap bisa menjadi penerima manfaat jangka panjang dari pertumbuhan data AI. Alasannya sederhana: AI tidak hanya mengonsumsi data pelatihan. AI terus-menerus menghasilkan data baru, termasuk log inferensi, gambar, video, dataset sintetis, catatan bisnis, cadangan, dan arsip kepatuhan. HDD bukan soal kecepatan. Keunggulan utamanya adalah biaya per terabyte, kepadatan kapasitas, dan ekonomi skala penerapan besar-besaran. HDD lebih tepat dipahami sebagai fondasi kapasitas jangka panjang dari pusat data AI.
Semakin besar infrastruktur AI, semakin banyak data yang harus ditingkatkan (tiered). Data panas (hot data) dan data yang sering diakses berada di HBM, DRAM, SSD, atau object storage berkinerja tinggi. Data dengan akses rendah, retensi jangka panjang, dan sensitif terhadap biaya lebih cocok untuk HDD. Kerangka kerja AI Data Cycle dari Western Digital menekankan bahwa beban kerja AI memerlukan kombinasi berbagai media penyimpanan, bukan satu media tunggal yang memecahkan setiap masalah.
Setelah menyelesaikan pemisahan bisnis Flash yang direncanakan, batasan bisnis Western Digital menjadi lebih berfokus pada HDD dan infrastruktur pusat data. Dalam pembahasannya mengenai penyimpanan berjenjang, WD mencatat bahwa penyimpanan berjenjang telah menjadi arsitektur yang praktis untuk infrastruktur hyperscale dan AI. Seagate merupakan representasi yang lebih terkonsentrasi dari penyimpanan kapasitas masif. Hasil Fiskal Q3 2026-nya menunjukkan pendapatan sebesar $3.11 miliar dan margin kotor GAAP sebesar 46,5%, mencerminkan bagaimana siklus nearline HDD yang membaik dapat memperbesar profitabilitas.
| Perusahaan | Jalur Penyimpanan AI | Penilaian Kemurnian Bisnis | Variabel Kunci yang Perlu Dipantau |
|---|---|---|---|
| Seagate | HDD Nearline, kapasitas massal | Kemurnian HDD tinggi | Pengiriman Exabyte, hard drive kapasitas tinggi, perjanjian jangka panjang dengan pelanggan cloud |
| Western Digital | HDD, platform pusat data | Fokus HDD lebih tinggi setelah pemisahan | Margin kotor, pendapatan AI/cloud, penyimpanan berjenjang |
| SanDisk | NAND/Flash | Kemurnian Flash tinggi | SSD pusat data, ASP NAND, pelanggan korporat |
| Micron | HBM, DRAM, NAND | Cakupan penyimpanan AI yang luas | HBM, SSD pusat data, penawaran-permintaan DRAM/NAND |
HBM mengikuti pengiriman akselerator AI. NAND/SSD mengikuti permintaan akses data berkecepatan tinggi. HDD mengikuti pengadaan kapasitas cloud dan siklus retensi data jangka panjang. Pertanyaan kunci untuk Seagate dan WD bukanlah apakah sebuah hard drive tunggal "lebih AI". Yang menjadi pertanyaan adalah apakah hyperscaler terus meningkatkan pembelian HDD nearline, apakah drive berkapasitas tinggi mengambil porsi yang lebih besar, apakah disiplin harga bertahan, dan apakah visibilitas pesanan membaik.
Hasil kuartal fiskal Q3 2026 WD melaporkan pendapatan sebesar $3,337 miliar, naik 45% dari tahun ke tahun, dengan margin kotor GAAP sebesar 50,2%. Data semacam ini menunjukkan bahwa HDD bukanlah teknologi yang usang. HDD terus memainkan peran di lapisan kapasitas pusat data cloud. Namun, risiko HDD juga jelas: konsentrasi pelanggan cloud yang tinggi, peningkatan teknologi yang lebih lambat dibandingkan semikonduktor, sensitivitas permintaan yang lebih rendah dibandingkan HBM, dan volatilitas harga saham di sekitar pesanan, margin, dan valuasi.
Ringkasan: HDD adalah dari tiga jalur penyimpanan AI yang paling tidak menarik, tetapi bukan berarti tidak relevan. Semakin banyak data yang diciptakan AI, semakin besar kebutuhan untuk penyimpanan jangka panjang, pencadangan, pengarsipan, dan kapasitas berbiaya rendah. Hal itu mendukung permintaan HDD nearline. Kelemahannya adalah posisinya yang lebih jauh dari node komputasi AI, sehingga sensitivitas harga sahamnya biasanya lebih rendah daripada HBM. Kekuatannya adalah model bisnis yang lebih terfokus, daya saing biaya per terabyte yang kuat, serta potensi pemulihan margin dari pembelian skala besar oleh perusahaan cloud. Saat menilai jalur HDD, Anda tidak boleh membandingkan bandwidth-nya dengan HBM. Anda harus melihat pengiriman exabyte, komposisi drive berkapasitas tinggi, perjanjian jangka panjang dengan hyperscaler, margin kotor, dan disiplin pasokan.
Untuk memutuskan apakah sebuah perusahaan penyimpanan data adalah "saham penyimpanan AI yang sejati," jangan hanya melihat apakah perusahaan tersebut menerbitkan berita terkait AI. Cara yang lebih berguna adalah dengan mengkaji lima faktor: apakah produknya masuk ke node komputasi AI, seberapa besar pangsa pendapatannya dari pusat data, apakah pelanggan AI membeli secara langsung, apakah penetapan harga terutama didorong oleh suplai-demand AI, dan apakah perusahaan tersebut terdilusi oleh elektronik konsumen, smartphone, PC, atau siklus TI perusahaan tradisional. Dari segi ketidakterlangsuran (directness), urutannya adalah HBM > NAND/enterprise SSD > HDD. Dari segi eksposur skala data jangka panjang, ketiga jalur tersebut memiliki perannya masing-masing.
Kemurnian penyimpanan AI dapat dibagi menjadi kemurnian teknis dan kemurnian pendapatan. Kemurnian teknis mengukur seberapa dekat produk tersebut dengan inti komputasi AI. Kemurnian pendapatan mengukur seberapa besar produk terkait AI berkontribusi terhadap total pendapatan dan laba. Misalnya, HBM memiliki kemurnian teknis tertinggi. Namun jika sebuah perusahaan memiliki banyak bisnis non-penyimpanan, investor mungkin merasa paparan AI-nya kurang langsung. Sebaliknya, HDD Seagate tidak berada dekat dengan GPU, tetapi bisnisnya terkonsentrasi, sehingga siklus kapasitas cloud memiliki dampak yang lebih jelas terhadap hasilnya.
| Dimensi penilaian | HBM | NAND/SSD | HDD |
|---|---|---|---|
| Kedekatan komputasi AI | Tertinggi | Menengah | Lebih rendah |
| Sensitivitas pendapatan | Tinggi | Menengah hingga tinggi | Menengah |
| Sensitivitas siklus harga | Tinggi | Tinggi | Menengah |
| Hambatan pasokan | Tinggi | Menengah hingga tinggi | Menengah hingga tinggi |
| Visibilitas kemurnian bisnis | Tinggi | Menengah | Menengah hingga tinggi |
| Faktor penghambat utama | Yield, pengemasan, kualifikasi pelanggan | Siklus elektronik konsumen, harga NAND | Konsentrasi pelanggan cloud, waktu pengadaan kapasitas |
Pasar memperdagangkan kesenjangan ekspektasi, bukan hanya kemurnian bisnis. HBM adalah jalur yang paling langsung, tetapi valuasi mungkin sudah mencerminkan sebagian besar potensi kenaikan. NAND/SSD memiliki eksposur yang luas, tetapi kelemahan elektronik konsumen masih dapat membebani hasil kinerja. HDD memiliki bisnis yang terfokus, tetapi sahamnya sering kali bergantung pada pesanan pelanggan cloud, margin kotor, dan posisi siklus. Kekhawatiran pasar baru-baru ini seputar harga AI dan memori pada saham chip Korea juga menunjukkan bahwa hasil yang kuat tidak selalu mengarah pada kenaikan harga saham lebih lanjut. Pertanyaan kuncinya adalah apakah pasar percaya bahwa siklus harga dan belanja modal AI dapat berlanjut.
Cara praktis untuk membingkai tiga jalur ini:
Ringkasan: Kemurnian bisnis bukan sekadar tentang perusahaan mana yang "paling terlihat AI." Ini merupakan hasil dari posisi produk, struktur pendapatan, struktur pelanggan, dan pendorong penetapan harga. HBM secara teknis adalah yang termurni karena langsung melayani GPU dan ASIC. NAND/enterprise SSD memiliki cakupan aplikasi yang lebih luas karena mendukung pergerakan data AI. HDD mungkin lebih terkonsentrasi pada level bisnis karena pembelian kapasitas cloud memiliki dampak yang lebih jelas terhadap pendapatan. Untuk keputusan investasi, Anda tidak boleh memeringkat ketiga jalur tersebut sebagai mutlak baik atau buruk. Sebaliknya, tanyakan: seberapa besar ekspektasi AI yang sudah tercermin dalam harga saham? Apakah pendapatan sudah benar-benar didorong oleh pelanggan AI? Apakah peningkatan margin dapat berkelanjutan? Mungkinkah ekspansi pasokan melemahkan penetapan harga?Pertanyaan-pertanyaan ini lebih penting daripada sekadar melabeli sebuah perusahaan sebagai saham penyimpanan AI.
Investor ritel yang membandingkan HBM, NAND, dan HDD tidak perlu menjadi insinyur semikonduktor terlebih dahulu. Yang mereka butuhkan adalah daftar pantauan yang terstruktur. Untuk HBM, pantau adopsi chip AI, pengiriman HBM3E/HBM4, pengemasan lanjutan, dan kualifikasi pelanggan. Untuk NAND/SSD, pantau SSD pusat data, NAND ASP, komposisi QLC/TLC, dan permintaan inferensi. Untuk HDD, pantau HDD nearline, pengiriman eksabita, komposisi drive berkapasitas tinggi, dan perjanjian jangka panjang dengan hyperscaler. Kemudian tambahkan valuasi, biaya transaksi, dan risiko eksekusi.
Untuk jalur HBM, fokuslah pada empat indikator: pengiriman HBM, pangsa pendapatan HBM dalam DRAM, kualifikasi pelanggan, dan kapasitas kemasan canggih (advanced packaging). Untuk jalur NAND, perhatikan pendapatan enterprise SSD, pangsa pelanggan pusat data, ASP NAND, dan permintaan elektronik konsumen. Untuk jalur HDD, perhatikan pengiriman nearline HDD, harga per unit kapasitas, penetrasi drive berkapasitas tinggi, pesanan pelanggan cloud, dan disiplin pasokan.
| Jalur | Indikator Utama | Pertanyaan Terbaik yang Dijawab |
|---|---|---|
| HBM | HBM3E/HBM4, kualifikasi pelanggan, kapasitas pengemasan, margin kotor | Apakah permintaan chip AI masih mendorong memori bandwidth tinggi? |
| NAND/SSD | SSD pusat data, ASP NAND, QLC/TLC, caching inferensi | Apakah akses data AI berkembang ke skala produksi? |
| HDD | HDD nearline, pengiriman exabyte, drive berkapasitas tinggi, perjanjian jangka panjang cloud | Apakah akumulasi data AI menciptakan pertumbuhan kapasitas jangka panjang? |
Saat Anda menambahkan SK hynix, Micron, Samsung, SanDisk, Seagate, Western Digital, atau ETF terkait ke dalam daftar pantauan Anda, jangan hanya melihat pergerakan harga. Anda juga perlu mempertimbangkan biaya perdagangan yang sebenarnya. Biaya perdagangan saham AS dapat mencakup lebih dari sekadar komisi. Biaya tersebut juga dapat mencakup biaya platform, biaya institusi eksternal, biaya aktivitas transaksi, dan biaya lainnya. Biya tidak mengenakan komisi untuk perdagangan saham AS, sedangkan biaya platform, biaya institusi eksternal, dan biaya lainnya mengikuti struktur biaya perdagangan saham AS serta halaman pesanan. Ketersediaan layanan bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku.
Jika Anda terbiasa memantau saham AS, saham Hong Kong, dan pasar kripto secara bersamaan, Biya dapat membantu Anda menjaga perusahaan terkait penyimpanan AI, ETF semikonduktor, dan berita pasar tetap berada dalam satu tampilan perdagangan. Namun, saham penyimpanan sangat volatil, terutama di sekitar laporan keuangan, pesanan pelanggan, harga memori, dan perubahan ekspektasi belanja modal AI.
Ringkasan: Saat menyusun watchlist penyimpanan AI, lebih baik memisahkan perusahaan berdasarkan jalurnya daripada memasukkan semua nama ke dalam satu keranjang "saham konsep penyimpanan AI". HBM mengikuti akselerator AI dan memori berband lebar tinggi. NAND/SSD mengikuti inferensi, caching, dan akses data berkecepatan tinggi. HDD mengikuti pengadaan kapasitas jangka panjang penyedia cloud. Setiap jalur harus ditinjau dari sisi permintaan, sisi pasokan, sisi harga, dan sisi keuangan. Pada tingkat perdagangan, struktur biaya, aturan order, persyaratan regulasi setempat, dan toleransi risiko pribadi juga penting. Industri penyimpanan adalah industri yang sangat siklis. AI dapat mengubah kemiringan permintaan, tetapi tidak dapat menghilangkan volatilitas siklus.Tujuannya bukan untuk bertaruh pada satu jawaban mutlak, melainkan untuk terus memverifikasi apakah momentum di setiap rute masih membaik.
Jika Anda mengikuti rantai pasok penyimpanan AI, Anda tidak perlu hanya berfokus pada satu pemimpin pasar atau satu istilah teknis. Pendekatan yang lebih seimbang adalah menempatkan HBM, NAND/enterprise SSD, dan HDD pada peta industri yang sama: pertama, identifikasi jalur mana yang paling langsung; kedua, bandingkan perusahaan mana yang memiliki paparan pendapatan paling murni; dan terakhir, nilai apakah valuasi sudah mencerminkan ekspektasi tersebut. Pengguna yang memenuhi syarat layanan terkait dapat mendaftarkan akun untuk memantau saham AS, saham Hong Kong, dan ETF terkait, atau mengunduh aplikasi untuk memeriksa akses perdagangan dan fitur akun. Informasi pasar publik, aturan perdagangan, dan struktur biaya hanya untuk tujuan penelitian dan bukan merupakan saran investasi.Sebelum melakukan perdagangan apa pun, Anda harus meninjau halaman pesanan, rincian laporan, aturan platform, dan persyaratan regulasi setempat.
Ya. Berdasarkan kedekatannya dengan node komputasi AI, HBM adalah jalur yang paling langsung. HBM biasanya bekerja bersama GPU, akselerator AI, atau ASIC kustom untuk mengatasi hambatan bandwidth memori dalam pelatihan dan inferensi model. Namun, HBM adalah DRAM berkecepatan tinggi (high-bandwidth), bukan hard drive tradisional, sehingga tidak seharusnya dibandingkan dengan SSD atau HDD menggunakan metrik kinerja yang sama.
SSD enterprise NAND mendapat manfaat dari AI karena pelatihan AI, inferensi, dan penerapan model semuanya memerlukan penyimpanan non-volatil berkecepatan tinggi dan latensi rendah. SSD umumnya digunakan untuk pemuatan bobot model, checkpointing, basis data vektor, caching inferensi, dan penyimpanan hangat. Namun, NAND juga dipengaruhi oleh siklus smartphone, PC, dan elektronik konsumen, sehingga kemurnian AI-nya kurang jelas dibandingkan HBM.
HDD masih dibutuhkan di pusat data AI karena AI terus-menerus menghasilkan data dalam jumlah besar, dan tidak semua data perlu tetap berada di penyimpanan berkecepatan tinggi. Log inferensi, pencadangan, arsip, catatan kepatuhan, data dingin, dan penyimpanan objek lebih sensitif terhadap biaya per terabyte dan skala kapasitas. HDD tidak dapat menggantikan HBM atau SSD, tetapi tetap berguna sebagai lapisan kapasitas jangka panjang.
Investor ritel dapat membandingkan empat dimensi: apakah produk memasuki node komputasi AI, apakah pendapatan pusat data meningkat sebagai persentase dari total pendapatan, apakah pelanggan AI melakukan pembelian secara langsung, dan apakah penetapan harga terutama didorong oleh permintaan AI. HBM memiliki kemurnian teknis tertinggi, NAND/SSD memiliki cakupan aplikasi yang lebih luas, dan HDD mungkin menawarkan eksposur siklus kapasitas yang lebih terfokus sambil berada lebih jauh dari komputasi.
Risiko terbesar bagi saham penyimpanan AI adalah ekspektasi berlebihan dan pembalikan siklus. Bahkan jika permintaan AI tetap kuat, harga saham dapat turun jika pertumbuhan harga memori melambat, belanja modal cloud melemah, pasokan berkembang terlalu cepat, atau laba meleset dari ekspektasi pasar. Penyimpanan bersifat siklikal, sehingga investor harus memantau valuasi, margin kotor, persediaan, dan konsentrasi pelanggan.
ETF penyimpanan dapat mengurangi risiko satu perusahaan, tetapi tidak dapat sepenuhnya menggantikan riset saham individual. ETF dapat memegang campuran saham HBM, NAND, HDD, peralatan, server, dan indeks semikonduktor, yang dapat mengencerkan kemurnian bisnis. Sebelum berinvestasi, tinjau kepemilikan ETF, rasio biaya, indeks yang mendasari, dan toleransi risiko Anda sendiri.
*Artikel ini disediakan untuk tujuan informasi umum dan tidak merupakan nasihat hukum, pajak, atau nasihat profesional lainnya dari BiyaPay atau anak perusahaan serta afiliasinya, dan tidak dimaksudkan sebagai pengganti untuk mendapatkan nasihat dari penasihat keuangan atau profesional lainnya.
Kami tidak membuat pernyataan atau jaminan apa pun, baik tersurat maupun tersirat, mengenai keakuratan, kelengkapan, atau ketepatan waktu isi publikasi ini.

