
Ledakan data AI juga menguntungkan HDD karena AI tidak hanya menghasilkan data panas yang membutuhkan akses tingkat milidetik. AI juga terus menciptakan data sumber pelatihan, log, versi model, catatan audit, cadangan, dan data retensi kepatuhan. Kumpulan data ini diakses lebih jarang tetapi harus disimpan dalam jangka waktu lama, sehingga pada akhirnya mengalir ke penyimpanan objek cloud, danau data, sistem cadangan, dan lapisan penyimpanan dingin. SSD menangani latensi rendah dan throughput tinggi, sementara HDD nearline menangani kapasitas berbiaya rendah dalam skala PB/EB. Di pusat data AI, keduanya saling melengkapi, bukan sekadar pengganti.

Ledakan data AI menguntungkan baik SSD maupun HDD karena alur kerja AI menciptakan dua jenis kebutuhan penyimpanan: data panas berlatensi rendah yang digunakan untuk pelatihan, inferensi, RAG, dan pengambilan vektor; serta data hangat atau dingin yang terbentuk dari danau data pelatihan, checkpoint historis, log, audit, cadangan, dan retensi kepatuhan. SSD memecahkan hambatan kinerja, sementara HDD memecahkan biaya kapasitas. Ketika data meningkat dari level TB ke PB dan EB, keunggulan biaya per TB dan kapasitas besar dari nearline HDD tetap penting.
Setiap tahapan aplikasi AI meninggalkan data. Sebelum pelatihan model, teks mentah, gambar, video, kode, dan data sensor harus disimpan. Selama pelatihan, dataset perantara, versi parameter, checkpoint model, dan log eksperimen dihasilkan. Setelah inferensi berjalan, catatan permintaan, log respons, metrik pemantauan, audit keamanan, dan umpan balik pengguna terus terakumulasi. Sebagian besar data ini mungkin berguna untuk penyetelan dalam jangka pendek, tetapi tidak memerlukan akses frekuensi tinggi secara terus-menerus dalam jangka panjang.
Dari sinilah data dingin dan data hangat berasal. Anda dapat membagi data AI menjadi tiga lapisan:
| Lapisan Data | Frekuensi Akses | Data AI yang Umum | Media yang Lebih Sesuai |
|---|---|---|---|
| Data panas | Tinggi | Konteks inferensi online, area indeks vektor panas, fitur real-time | DRAM / SSD perusahaan |
| Data hangat | Sesekali | Danau data pelatihan, versi model yang lebih lama, beberapa log | HDD nearline / SSD QLC |
| Data dingin | Rendah | Penyimpanan untuk kepatuhan, cadangan jangka panjang, arsip audit | HDD / penyimpanan arsip / pita |
Penyusunan tingkatan penyimpanan awan juga menggambarkan logika ekonomi ini. Google Cloud Storage memisahkan tingkatan Standard, Nearline, Coldline, dan Archive berdasarkan frekuensi akses, durasi penyimpanan minimum, dan biaya pengambilan. AWS S3 Glacier Deep Archive dirancang untuk pengarsipan jangka panjang, dengan durasi penyimpanan minimum 180 hari. Azure Blob Storage juga membagi tingkatan Hot, Cool, Cold, dan Archive berdasarkan pola akses dan periode retensi.Produk cloud tidak secara langsung membuktikan bahwa media perangkat keras tertentu selalu digunakan di baliknya, tetapi keduanya mencerminkan prinsip yang sama: semakin jarang data diakses, semakin dibutuhkan lapisan kapasitas berbiaya lebih rendah.
Di era AI, mudah untuk hanya berfokus pada GPU, HBM, dan enterprise SSD. Namun volume data terbesar sering kali menumpuk di lapisan kapasitas yang lebih murah. Data tidak hilang setelah model besar selesai dilatih. Semakin sering inferensi dijalankan, semakin banyak log, data pemantauan, dan umpan balik yang dihasilkan. Ketika perusahaan mengadopsi RAG, dokumen mentah, snapshot izin akses, cadangan indeks, dan versi historis juga perlu disimpan. Peluang HDD berasal dari aset data jangka panjang yang terakumulasi ini, bukan dari setiap permintaan inferensi yang langsung membaca hard drive.
Ringkasan: Alasan utama ledakan data AI menguntungkan HDD bukanlah karena HDD dapat menggantikan SSD untuk tugas berlatensi rendah. Alasannya adalah AI terus menciptakan data hangat dan dingin yang harus disimpan dalam jangka panjang, diakses lebih jarang, dan disimpan dalam skala masif. SSD lebih baik untuk data panas dan kasus penggunaan yang sensitif terhadap performa, sementara nearline HDD lebih baik untuk penyimpanan objek, data lake, pencadangan, log, dan retensi kepatuhan. Seiring volume data perusahaan dan cloud yang terus berkembang, HDD masih memiliki nilai karena biaya per TB-nya, rantai pasokan yang matang, dan peta jalan kapasitas besar mereka.

HDD nearline adalah hard drive berkapasitas tinggi yang diposisikan di antara akses online frekuensi tinggi dan arsip offline. HDD ini terutama digunakan di pusat data cloud, penyimpanan objek, cadangan (backup), data lake, dan skenario akses frekuensi rendah. HDD ini bukan HDD konsumen, dan juga bukan SSD berkinerja tinggi. HDD ini adalah perangkat yang berorientasi pada kapasitas yang dibangun untuk sistem penyimpanan hiperskala. Penyedia cloud menggunakan HDD nearline karena biaya per TB, kepadatan kapasitas, pasokan yang stabil, dan biaya operasional yang dapat diprediksi lebih sesuai untuk penyimpanan data berskala besar.
"Nearline" dapat dipahami sebagai "mendekati online." Data tetap dapat diakses oleh sistem, tetapi tidak menangani permintaan dengan frekuensi tertinggi atau latensi terendah. Dibandingkan dengan pita yang sepenuhnya offline, HDD nearline lebih mudah diakses. Dibandingkan dengan SSD perusahaan, kinerjanya lebih lemah tetapi biaya per satuan kapasitasnya lebih rendah. Bagi penyedia cloud, banyak kumpulan data yang tidak perlu dibaca atau ditulis setiap detik, tetapi harus tetap dapat dicari, dipulihkan, dan ditagih kapan saja. Di situlah posisi HDD nearline.
| Jenis | Kegunaan Utama | Keunggulan | Keterbatasan |
|---|---|---|---|
| HDD Konsumen | PC, beban kerja NAS ringan | Harga rendah, mudah dibeli | Tidak cocok untuk beban kerja skala besar 24/7 |
| HDD Nearline | Penyimpanan objek cloud, backup, data lake | Kapasitas tinggi, TCO rendah, penerapan skala besar | Akses acak dan latensi yang lemah |
| SSD Enterprise | Data panas, indeks, cache inferensi | Latensi rendah, IOPS tinggi | Biaya per TB lebih tinggi |
| Pita magnetik | Arsip dalam, pemulihan bencana | Biaya penyimpanan jangka panjang rendah | Pengambilan lambat, operasi kompleks |
Teknologi HDD nearline masih terus berkembang. CMR lebih mudah dikelola untuk penulisan dan cocok untuk beban kerja perusahaan pada umumnya. SMR dan UltraSMR meningkatkan kapasitas melalui kepadatan permukaan yang lebih tinggi dan lebih cocok untuk penulisan sekuensial serta penyimpanan objek di bawah kendali penyedia cloud. HAMR menggunakan perekaman magnetik berbantuan panas untuk meningkatkan kepadatan permukaan dan merupakan jalur penting untuk HDD di atas 30TB. Seagate telah memperkenalkan hard disk HAMR 36TB berbasis platform Mozaic 3+ miliknya, sementara Western Digital telah meluncurkan HDD UltraSMR 32TB dan CMR 26TB untuk pelanggan hyperscale, cloud, dan pusat data perusahaan.
| Arah Teknologi | Nilai Inti | Skenario yang Lebih Cocok | Keterbatasan Utama |
|---|---|---|---|
| CMR | Kompatibilitas kuat, pengelolaan penulisan lebih sederhana | Penyimpanan perusahaan umum | Peningkatan kapasitas lebih lambat |
| SMR / UltraSMR | Kapasitas per drive lebih tinggi | Penyimpanan objek cloud, penulisan berurutan | Bergantung pada manajemen tingkat sistem |
| HAMR | Kepadatan area lebih tinggi | Peta jalan kapasitas 30TB+ | Membutuhkan hasil produksi manufaktur yang kuat dan validasi pelanggan |
| QLC SSD | Keseimbangan antara kapasitas dan kecepatan | Data hangat, cache intensif baca | Biaya masih lebih tinggi daripada HDD |
| Tape | Arsip jangka panjang berbiaya rendah | Data dengan akses frekuensi sangat rendah | Waktu pengambilan lebih lama |
Ringkasan: Nilai HDD nearline bukanlah kinerja maksimum. Nilainya terletak pada kapasitas berskala besar, berbiaya rendah, dan dapat diakses secara online. Penyimpanan cloud, penyimpanan objek, data lake AI, dan cadangan jangka panjang semuanya membutuhkan lapisan ini. Perkembangan SSD tidak membuat HDD menjadi tidak relevan. Sebaliknya, hal itu membuat HDD semakin terkonsentrasi di lapisan kapasitas. Selama aplikasi AI dan cloud terus menghasilkan data bervolume masif dengan akses frekuensi rendah, HDD nearline akan tetap menjadi media penyimpanan penting di pusat data cloud.

Permintaan AI terhadap nearline HDD tidak hanya berasal dari dataset pelatihan. Permintaan tersebut berasal dari seluruh rantai "pembuatan data, pemrosesan, akumulasi, pencadangan, dan penggunaan kembali." Semakin banyak beban kerja pelatihan dan inferensi yang dijalankan, semakin banyak pula data mentah, log, versi model, data retensi kepatuhan, dan cadangan yang dibuat. Ketika dataset ini mengalir ke penyimpanan objek cloud dan penyimpanan dingin (cold storage), penyedia cloud membutuhkan lebih banyak HDD berkapasitas tinggi, yang dapat memengaruhi kapasitas pengiriman nearline HDD, ASP, dan visibilitas pesanan jangka panjang.
Jalur transmisi dapat dipahami sebagai berikut:
Pertumbuhan aplikasi AI → Data pelatihan, inferensi, log, dan evaluasi meningkat → Data dipisahkan menjadi tingkat panas dan dingin → Data panas masuk ke SSD, cache, atau memori → Data hangat dan dingin masuk ke penyimpanan objek dan data lake → Penyedia cloud membeli kapasitas HDD nearline lebih banyak → Pengiriman HDD kapasitas tinggi, harga, dan margin membaik
TrendForce mencatat pada tahun 2025 bahwa meningkatnya permintaan inferensi AI menyebabkan kelangkaan nearline HDD yang serius, yang mendorong sebagian permintaan beralih ke SSD QLC berkapasitas tinggi. Poin ini penting: HDD dan SSD tidak berada dalam hubungan penggantian satu arah yang sederhana. Keduanya menyesuaikan diri secara dinamis bergantung pada kendala pasokan, frekuensi akses, dan perubahan biaya. Ketika pasokan HDD ketat, sebagian data hangat mungkin bergeser ke atas ke SSD QLC. Namun selama kesenjangan biaya per TB masih ada, data dingin dan penyimpanan objek skala besar tetap cenderung memilih HDD.
Pengelompokan penyimpanan cloud berbasis tingkatan semakin memperkuat permintaan ini. AWS, Azure, dan Google Cloud semuanya membagi penyimpanan objek ke dalam beberapa tingkat akses yang berbeda. Tujuannya adalah memungkinkan pelanggan memilih penyimpanan berdasarkan frekuensi akses dan biaya. Ketika perusahaan AI, platform internet, lembaga keuangan, dan pelanggan perusahaan menggunakan layanan-layanan ini, permintaan perangkat keras di lapisan bawah mengalir melalui pengadaan penyedia cloud ke HDD, SSD, jaringan, dan sistem penyimpanan.
| Sumber Data AI | Jalur Menuju Permintaan HDD | Dampak pada Produsen HDD |
|---|---|---|
| Data pelatihan mentah | Data lake, penyimpanan objek | Meningkatkan permintaan kapasitas skala exabyte |
| Checkpoint dan versi model | Penyimpanan versi historis, cadangan | Meningkatkan okupansi kapasitas jangka panjang |
| Log inferensi | Pemantauan, audit, kontrol risiko | Mempercepat akumulasi data dingin |
| Basis pengetahuan perusahaan RAG | Dokumen mentah dan cadangan indeks | Menambah data yang dapat diakses daring frekuensi rendah |
| Penyimpanan kepatuhan | Regulasi, audit, pemulihan bencana | Meningkatkan permintaan penyimpanan jangka panjang |
Bagi investor, transmisi finansial untuk HDD nearline bergantung terutama pada tiga variabel: kapasitas pengiriman, ASP, dan margin kotor. Jika permintaan AI dan penyimpanan cloud kuat sementara pasokan HDD terbatas, para produsen mungkin memiliki kekuatan penetapan harga yang lebih besar. Jika pelanggan cloud menandatangani perjanjian pasokan jangka panjang, visibilitas pendapatan meningkat. Jika produk berkapasitas tinggi menjadi bagian yang lebih besar dari pengiriman, kapasitas rata-rata drive dan struktur margin juga dapat membaik.
Ringkasan: AI tidak mendukung permintaan HDD karena setiap inferensi model membaca langsung dari HDD. AI mendukung permintaan HDD karena inferensi, pelatihan, pencatatan log, dan tata kelola data terus-menerus menciptakan sejumlah besar data dengan frekuensi akses rendah. Begitu kumpulan data ini masuk ke penyimpanan objek cloud, data lake, sistem cadangan, dan arsip, mereka menciptakan permintaan kapasitas jangka panjang. Peningkatan pengiriman dan harga HDD nearline berasal dari basis aset data yang terakumulasi ini, bukan dari perdagangan konsep jangka pendek.
HDD, SSD, dan tape bukanlah pengganti yang lengkap satu sama lain dalam penyimpanan cloud AI. Mereka membagi peran berdasarkan frekuensi akses, persyaratan latensi, periode retensi, dan struktur biaya. SSD cocok untuk data panas, inferensi latensi rendah, indeks vektor, dan caching throughput tinggi. HDD nearline cocok untuk data hangat dan dingin online dalam skala besar. Tape cocok untuk akses dengan frekuensi sangat rendah, arsip kepatuhan jangka panjang, dan cadangan offline. Arsitektur penyimpanan cloud yang nyata biasanya bersifat multi-tingkat, bukan berbasis satu media tunggal.
Anda dapat menentukan lapisan penyimpanan yang tepat menggunakan "frekuensi akses + waktu pengambilan + biaya per TB." Semakin sering data diakses dan semakin sensitif terhadap latensi, semakin dekat seharusnya data itu disimpan di SSD dan memori. Semakin jarang diakses dan semakin lama harus disimpan, semakin dekat data bergerak menuju HDD, penyimpanan dingin, dan pita. Organisasi LTO sudah lama menekankan nilai retensi jangka panjang dan TCO dari pita LTO untuk data dengan frekuensi akses sangat rendah, yang menjelaskan mengapa pita tidak hilang dari pasar arsip perusahaan.
| Medium | Kekuatan Inti | Skenario AI Tipikal | Risiko Utama |
|---|---|---|---|
| Enterprise SSD | Latensi rendah, IOPS tinggi | Indeks panas RAG, cache inferensi, fitur daring | Biaya lebih tinggi per TB |
| QLC SSD | Keseimbangan antara kapasitas dan kecepatan | Data hangat, cache intensif baca, pengganti kekurangan HDD | Daya tahan tulis dan harga |
| Nearline HDD | Kapasitas besar, biaya rendah | Data lake, penyimpanan objek, cadangan, log | Akses acak lemah |
| Tape | Retensi jangka panjang berbiaya rendah | Arsip dalam, pemulihan bencana, perlindungan luring | Pengambilan lambat, operasi kompleks |
Skenario mana yang lebih sulit untuk sepenuhnya digantikan oleh SSD? Terutama penyimpanan objek skala PB/EB, danau data pelatihan jangka panjang, penyimpanan model multi-versi, log audit keamanan, cadangan kepatuhan, dan data dengan akses frekuensi rendah yang tetap perlu tersedia secara online. Untuk kumpulan data ini, pertanyaan utamanya bukan "bisakah akses menjadi lebih cepat?" melainkan "bisakah lebih banyak data disimpan lebih lama dengan biaya lebih rendah?"
Skenario apa yang mungkin memungkinkan SSD mendesak HDD? Terutama basis data vektor RAG dengan frekuensi tinggi, cache inferensi berlatensi rendah, praproses data dengan throughput tulis tinggi, pusat data dengan keterbatasan ruang rak atau daya yang ketat, serta kasus di mana kelangkaan HDD memaksa pelanggan mencari alternatif. TrendForce juga telah membahas peluang untuk SSD nearline berkapasitas tinggi selama kesenjangan pasokan HDD. Namun ini tidak berarti permintaan HDD menghilang. Ini menunjukkan bahwa penyimpanan AI sedang berkembang menuju arsitektur hibrida yang lebih kompleks.
Ringkasan: Pertanyaan inti dalam penyimpanan awan AI bukanlah apakah HDD, SSD, atau pita magnetik akan sepenuhnya saling menggantikan. Pertanyaan yang sesungguhnya adalah jenis data mana yang termasuk di lapisan mana. Data panas membutuhkan latensi rendah dan cocok untuk SSD. Data hangat dan dingin membutuhkan kapasitas daring berbiaya rendah dan cocok untuk HDD nearline. Data retensi jangka panjang dengan frekuensi sangat rendah dapat dipindahkan ke pita magnetik atau arsip dalam. Logika investasi HDD akan berhasil jika pertumbuhan data AI terus terkonsentrasi di lapisan kapasitas, bukan hanya tetap di lapisan penyimpanan berkinerja tinggi.
Saham yang mendapatkan manfaat lebih langsung dari permintaan HDD cold data dan nearline akibat AI terutama adalah Seagate dan Western Digital, karena mereka langsung memasok HDD berkapasitas tinggi ke penyedia cloud, pusat data hyperscale, dan pasar penyimpanan perusahaan. Penerima manfaat tidak langsung meliputi sistem penyimpanan, server, layanan cloud, dan beberapa perusahaan komponen, tetapi eksposur HDD mereka biasanya terdilusi oleh bisnis lain. Mereka tidak seharusnya dikategorikan begitu saja sebagai saham "konsep penyimpanan AI".
Faktor inti Seagate adalah HDD berkapasitas tinggi, peta jalan HAMR-nya, kapasitas pengiriman nearline, dan perjanjian pasokan jangka panjang. Hasil kuartal kedua tahun fiskal 2026 perusahaan menunjukkan bahwa Seagate menghasilkan pendapatan sebesar US$2,83 miliar, dengan margin kotor GAAP sebesar 41,6% dan margin kotor non-GAAP sebesar 42,2%. Ini menunjukkan bahwa permintaan penyimpanan pusat data berkapasitas tinggi telah tercermin dalam hasil keuangan. Mozaic 3+ dan peta jalan HAMR-nya adalah kunci untuk terus meningkatkan kapasitas per drive.
Logika Western Digital menjadi lebih jelas setelah pemisahan Sandisk. Sandisk telah menyelesaikan pemisahan dirinya dari Western Digital dan kini diperdagangkan di Nasdaq sebagai SNDK, sementara Western Digital lebih berfokus pada HDD. Hasil kuartal ketiga tahun fiskal 2026 WD menunjukkan bahwa Western Digital mencetak pendapatan sebesar US$3,337 miliar, naik 45% secara tahunan, dengan margin kotor GAAP sebesar 50,2%. Bagi investor, WDC pasca-pemisahan lebih mendekati eksposur HDD murni, tetapi juga lebih terpapar langsung pada siklus HDD dan waktu pengadaan pelanggan cloud.
| Tingkat Penerima Manfaat | Perusahaan Perwakilan | Jalur Manfaat | Kemurnian Eksposur |
|---|---|---|---|
| Produsen HDD | Seagate, Western Digital | Pengiriman dan penetapan harga HDD nearline | Tinggi |
| Perusahaan Flash / SSD | Sandisk, Micron, Kioxia | Permintaan pengganti selama kelangkaan HDD | Sedang |
| Vendor sistem penyimpanan | NetApp, Dell, HPI | Penyebaran penyimpanan perusahaan dan cloud | Sedang-rendah |
| Penyedia cloud | AWS, Azure, Google Cloud | Pertumbuhan pendapatan penyimpanan cloud | Rendah |
| Rantai pasok komponen | Head, piringan, motor, suku cadang terkait | Rantai produksi HDD berkapasitas tinggi | Tergantung pada komposisi bisnis |
Jika Anda mengikuti saham-saham rantai pasok penyimpanan yang terdaftar di AS seperti Seagate, Western Digital, Sandisk, Micron, dan NetApp, Anda dapat terlebih dahulu menggunakan pencarian informasi saham AS untuk membangun daftar pantauan, lalu kembali ke dokumen pelaporan perusahaan untuk memeriksa struktur pendapatan, margin kotor, perjanjian pelanggan, dan perubahan persediaan. Sejauh lokasi Anda, verifikasi identitas, dan aturan yang berlaku mengizinkan, Biya mendukung perdagangan saham AS, saham Hong Kong, dan aset digital, sehingga memudahkan Anda mengamati HDD, SSD, NAND, dan sistem penyimpanan perusahaan dalam satu kerangka rantai pasok.
Saat memperdagangkan saham penyimpanan populer, biaya perdagangan aktual juga penting. Biaya perdagangan saham AS biasanya mencakup lebih dari sekadar komisi; biaya tersebut juga dapat mencakup biaya platform, biaya agensi eksternal, dan biaya aktivitas perdagangan. Komisi saham AS Biya adalah US$0, sedangkan biaya platform, biaya agensi eksternal, dan biaya lainnya mengikuti biaya perdagangan saham AS dan halaman pesanan. Informasi pasar publik, struktur biaya, dan data industri dapat membantu Anda memahami kondisi perdagangan, tetapi hal tersebut bukan merupakan saran investasi.
Ringkasan: Permintaan HDD cold data AI dan nearline paling banyak menguntungkan Seagate dan Western Digital, tetapi "paparan langsung" tidak berarti "risiko lebih rendah." Faktor kunci Seagate adalah HAMR, HDD berkapasitas tinggi, dan permintaan pelanggan cloud. Western Digital memiliki cerita HDD yang lebih jelas setelah memisahkan bisnis Flash. Sandisk, Micron, Kioxia, NetApp, Dell, dan HPE juga dapat diuntungkan, tetapi paparan mereka lebih tidak langsung. Saat menyaring saham, Anda harus mempertimbangkan kemurnian bisnis, valuasi, konsentrasi pelanggan, peta jalan produk, dan siklus harga secara bersamaan.
Untuk menilai apakah siklus HDD dapat berlanjut, Anda tidak boleh hanya melihat narasi ledakan data AI. Anda perlu memantau kapasitas pengiriman HDD nearline, kapasitas rata-rata drive, ASP, pesanan pelanggan, margin kotor, persediaan, belanja modal, dan tekanan substitusi dari SSD. Jika kapasitas pengiriman dan harga membaik secara bersamaan, sementara perjanjian jangka panjang dengan pelanggan meningkatkan visibilitas pendapatan, maka logikanya semakin kuat. Jika kenaikan harga terutama didorong oleh kelangkaan jangka pendek sementara permintaan mulai melambat, risiko pembalikan siklus meningkat.
Indikator utama meliputi:
| Indikator | Sinyal Positif | Sinyal Risiko |
|---|---|---|
| Kapasitas pengiriman nearline | Pertumbuhan berkelanjutan | Perlambatan pengiriman |
| Kapasitas rata-rata drive | Peningkatan pangsa 30TB+ | Transisi kapasitas tinggi yang lambat |
| HDD ASP | Kenaikan moderat dengan pesanan stabil | Harga naik sementara permintaan melemah |
| Margin kotor | Didorong oleh bauran produk yang lebih baik | Terutama bergantung pada kelangkaan |
| Perjanjian pelanggan | Pesanan multi-tahun meningkatkan visibilitas | Pesanan terkonsentrasi dan dapat dibatalkan |
| Ekspansi pasokan | Sejalan dengan permintaan pelanggan | Ekspansi agresif di seluruh industri |
| Substitusi SSD | Hanya memengaruhi sebagian data hangat | Penurunan harga SSD QLC yang tajam |
Risiko utama terbagi ke dalam empat kategori. Pertama, CAPEX AI cloud dapat melambat, menyebabkan ekspansi penyimpanan tidak sesuai ekspektasi. Kedua, ketika pasokan HDD nearline pulih, harga dan margin kotor dapat menurun. Ketiga, biaya SSD QLC yang lebih rendah dapat memindahkan sebagian data hangat dari HDD ke SSD. Keempat, konsentrasi pelanggan tinggi, dan waktu pengadaan dari sejumlah kecil pelanggan utama dapat memperbesar volatilitas pendapatan. HDD berkapasitas tinggi juga melibatkan risiko yield, keandalan, biaya garansi, dan produksi teknologi baru.
Valuasi juga harus dipertimbangkan. Jika saham HDD sudah sepenuhnya mencerminkan pasokan yang ketat dan laba yang meningkat, laporan laba rugi di masa depan harus terus membuktikan perbaikan bersamaan dalam pengiriman, ASP, dan margin kotor. Sebaliknya, jika permintaan industri tetap kuat tetapi pasar memangkas ekspektasi karena volatilitas jangka pendek, peluang penyesuaian harga kembali dapat muncul. Kuncinya bukanlah memprediksi harga saham satu kuartal, melainkan membangun kerangka kerja yang mencakup permintaan, pasokan, harga, keuangan, dan valuasi.
Ringkasan: Apakah logika investasi HDD akan terus berlanjut bergantung pada apakah pertumbuhan data AI terus mengalir ke lapisan penyimpanan warm dan cold, serta apakah pasokan HDD nearline tetap disiplin. Sinyal positif meliputi pertumbuhan pengiriman eksabita, porsi produk berkapasitas tinggi yang lebih besar, ASP yang stabil, margin kotor yang lebih baik, dan lebih banyak perjanjian pelanggan jangka panjang. Sinyal risiko meliputi ekspansi berlebihan, CAPEX cloud yang melambat, peningkatan inventaris, substitusi SSD QLC yang semakin kuat, dan valuasi yang sudah mencakup kenaikan terlalu besar. Bagi investor ritel, memantau indikator-indikator ini secara sistematis lebih berguna daripada mengejar konsep.
Jika Anda mengikuti pusat data AI, penyimpanan awan, dan rantai pasok HDD, Anda tidak sebaiknya hanya memperhatikan GPU, HBM, dan SSD. Data dingin, HDD nearline, penyimpanan objek awan, dan hard drive berkapasitas tinggi juga harus menjadi bagian dari kerangka pemikiran Anda. Biya adalah dompet perdagangan multi-aset global yang mendukung perdagangan saham AS, saham Hong Kong, dan aset digital. Layanannya juga mencakup lebih dari 190 negara dan wilayah serta mendukung pembayaran dalam lebih dari 40 mata uang lokal. Ketersediaan layanan bergantung pada lokasi Anda, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku. Sebelum menggunakan aplikasi Biya, periksa biaya perdagangan, jenis order, aturan akun, dan toleransi risiko Anda sendiri. Data dingin AI adalah tren jangka panjang, tetapi saham HDD tetap sangat siklikal.Setiap keputusan perdagangan harus didasarkan pada pengungkapan publik, rincian penagihan, dan persyaratan regulasi setempat.
Data dingin AI meningkatkan permintaan HDD karena data pelatihan, log inferensi, versi model, catatan audit, dan cadangan biasanya tidak memerlukan akses frekuensi tinggi tetapi harus disimpan dengan biaya rendah untuk jangka waktu lama. HDD Nearline menawarkan keunggulan dalam biaya kapasitas dan aksesibilitas daring, sehingga cocok untuk jenis data ini.
HDD Nearline dirancang untuk pusat data cloud dan penyimpanan perusahaan, dengan penekanan pada kapasitas tinggi, operasi yang stabil, penerapan skala besar, dan TCO yang rendah. HDD biasa lebih sering digunakan di komputer pribadi, lingkungan NAS ringan, atau skenario konsumen. Keduanya berbeda dalam keandalan, profil beban kerja, dan persyaratan operasional.
HDD kemungkinan besar tidak akan sepenuhnya digantikan oleh SSD enterprise dalam waktu dekat. SSD lebih cocok untuk data panas dan skenario latensi rendah, sedangkan HDD lebih cocok untuk data hangat dan dingin dalam skala PB/EB. Sebagian permintaan mungkin hanya bermigrasi ketika pasokan HDD sempit, biaya SSD turun, atau frekuensi akses meningkat.
Pusat data AI membutuhkan HDD nearline karena pelatihan, inferensi, pencatatan log, dan basis pengetahuan perusahaan terus-menerus menghasilkan sejumlah besar data yang harus disimpan tetapi tidak sering diakses. HDD nearline dapat mendukung penyimpanan objek, pencadangan, data lake, dan penyimpanan jangka panjang sekaligus menurunkan biaya penyimpanan keseluruhan.
Baik Seagate maupun Western Digital adalah penerima manfaat langsung dari permintaan HDD AI, tetapi jalur manfaatnya berbeda. Seagate menekankan pada HAMR dan peta jalan kapasitas tinggi, sementara Western Digital memiliki bisnis HDD yang lebih jelas setelah memisahkan Sandisk. Penilaian akhir masih bergantung pada pesanan pelanggan, margin kotor, valuasi, dan kemajuan produksi.
Investor ritel dapat memantau kapasitas pengiriman nearline HDD, ASP, margin kotor, perjanjian jangka panjang dengan pelanggan, inventori, dan belanja modal penyedia layanan cloud. Jika pengiriman melambat, inventori meningkat, substitusi SSD menguat, atau valuasi sudah mencakup kenaikan yang terlalu besar, risiko volatilitas pada saham HDD dapat meningkat.
*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.

