Sertifikasi AI BNSP: Rute Terjauh Menuju AI Agent

TL;DR: Banyak skema sertifikasi AI BNSP di Indonesia menggunakan SKKNI No. 299/2020 (Artificial Intelligence sub bidang Data Science) sebagai basis standar kompetensinya disusun sebelum gelombang ChatGPT, LLM, dan AI Agent lahir. SKKNI 299/2020 menetapkan 21 unit kompetensi data science dan machine learning klasik: dari mengumpulkan data, membersihkan data, membangun model, sampai deployment model. Tidak ada satu pun unit yang menyentuh prompt engineering, RAG, function calling, atau orchestrator AI Agent.

Update penting: Kemnaker sudah memperbarui standar lewat Kepmenaker 103/2026 (efektif 6 April 2026) yang mencabut Kepmenaker 123/2021 dan menambahkan 27 unit termasuk Generative AI, prompt engineering, fine-tuning, dan RAG. Namun standar baru ini masih memandang AI sebagai tool/modul terintegrasi — arsitektur autonomous AI Agent (multi-step planning, dynamic tool orchestration, self-reflection, multi-agent collaboration) belum secara eksplisit tertuang dalam SKKNI AI 2020 maupun 2026.

Perlu dicatat: SKKNI yang menjadi basis bukan berarti seluruh materi kursus atau sertifikasi pasti hanya berisi SKKNI tersebut — beberapa lembaga menambahkan materi di luar unit wajib. Kalau tujuanmu membangun AI Agent atau otomasi bisnis, jalur yang berpusat pada standar ini adalah rute memutar — bukan jalan yang salah, tapi jauh lebih panjang dari yang kamu butuhkan.

Bekasi Mau ke Jakarta Utara, Malah Muter Lewat Bogor

Bayangkan kamu tinggal di Bekasi, tujuanmu berangkat untuk belajar di tempat kursus AI di Jakarta Utara. Ada dua pilihan: lewat tol dalam kota, nyampe dalam 40 menit. Atau lewat Bogor — Puncak, Ciawi, muter ke selatan dulu baru naik lagi ke utara. Nyampe? Iya. Tapi waktu tempuhnya tiga kali lipat, dan di tengah jalan kamu bakal mulai nanya: “gue di jalur yang bener gak sih?”

Begitulah posisi banyak orang yang sekarang buru-buru ambil sertifikasi AI BNSP padahal tujuannya satu: bisa membangun dan menjual AI Agent. Bukan mau jadi peneliti machine learning, bukan mau bikin model prediksi dari nol. Tapi karena labelnya “Artificial Intelligence” dan ada embel-embel “resmi BNSP”, sertifikasi ini terlihat seperti tiket masuk yang sah ke dunia AI.

Masalahnya, isi tiket itu perlu kamu pastikan apakah memang mengarah ke tujuanmu.

Sertifikat Bilang “Artificial Intelligence”, Isinya Machine Learning 2018

Sebagian skema sertifikasi AI yang beredar di Indonesia berpijak pada standar kompetensi yang diterbitkan lewat keputusan Menteri Ketenagakerjaan pada tahun 2020:

SKKNI No. 299 Tahun 2020 — Bidang Keahlian Artificial Intelligence, Subbidang Data Science. Dokumen ini (78 halaman) menetapkan 21 unit kompetensi [lihat dokumen resmi].

Penting dipisahkan empat hal yang sering dicampur:

Standar kompetensi (SKKNI)
Skema sertifikasi AI (susunan unit yang diuji LSP)
Kurikulum lembaga (cara tiap lembaga mengajar), dan
Materi tambahan (yang ditambahkan lembaga di luar unit wajib). SKKNI yang menjadi basis bukan berarti seluruh materi kursus atau sertifikasi pasti hanya berisi SKKNI tersebut — kurikulum lembaga bisa lebih luas dari materi sertifikasi AI BNSP yang diuji di asesmen.

Keempat hal tersebut dirumuskan sebelum ChatGPT meledak, sebelum LLM jadi komoditas, sebelum istilah “AI Agent” dan “agentic workflow” ada di kamus industri. Substansinya murni kurikulum Data Scientist dan Machine Learning Engineer klasik.

Ini bukan tuduhan — ini fakta yang bisa dicek langsung di dokumen SKKNI 299/2020 yang dipublikasikan Kemnaker (JDIH).

Metode verifikasi: Artikel ini membandingkan unit kompetensi pada Kepmenaker 299/2020 dan Kepmenaker 103/2026 dengan istilah/kapabilitas seperti prompt engineering, RAG, function calling, tool use, dan autonomous agent. Status standar diperiksa kembali melalui JDIH Kemnaker.

Apa yang Beneran Diuji: 21 Unit Kompetensi SKKNI 299/2020

Berikut daftar lengkap unit kompetensi AI BNSP yang paling banyak dipakai sebagai acuan skema — berasal dari SKKNI No. 299/2020 [dokumen resmi]:

No	Kode Unit	Judul Unit Kompetensi
1	J.62DMI00.001.1	Menentukan Objektif Bisnis
2	J.62DMI00.002.1	Menentukan Tujuan Teknis Data Science
3	J.62DMI00.003.1	Membuat Rencana Proyek Data Science
4	J.62DMI00.004.1	Mengumpulkan Data
5	J.62DMI00.005.1	Menelaah Data
6	J.62DMI00.006.1	Memvalidasi Data
7	J.62DMI00.007.1	Menentukan Objek Data
8	J.62DMI00.008.1	Membersihkan Data
9	J.62DMI00.009.1	Mengkonstruksi Data
10	J.62DMI00.010.1	Menentukan Label Data
11	J.62DMI00.011.1	Mengintegrasikan Data
12	J.62DMI00.012.1	Membangun Skenario Model
13	J.62DMI00.013.1	Membangun Model
14	J.62DMI00.014.1	Mengevaluasi Hasil Pemodelan
15	J.62DMI00.015.1	Melakukan Proses Review Pemodelan
16	J.62DMI00.016.1	Membuat Rencana Deployment Model
17	J.62DMI00.017.1	Melakukan Deployment Model
18	J.62DMI00.018.1	Membuat Rencana Pemeliharaan Model
19	J.62DMI00.019.1	Melakukan Pemeliharaan Model
20	J.62DMI00.020.1	Melakukan Review Proyek Data Science
21	J.62DMI00.021.1	Membuat Laporan Akhir Proyek Data Science

Lihat polanya: siklus hidup pembuatan model machine learning dari hulu ke hilir. Bahkan di unit “Membangun Model”, tools yang disebut adalah RapidMiner, Weka, Python, dan R. Sementara di unit “Melakukan Deployment Model”, yang diuji adalah dokumentasi dan SOP deployment, bukan menyambungkan API LLM ke sistem bisnis.

Sekarang cari satu hal ini di dokumen SKKNI 299/2020 tersebut: prompt engineering. RAG. Vector database. Function calling. Orchestrator kayak n8n, Make, atau LangChain, yang kami analisis dari SKKNI 2020 ini hasilnya tidak ditemukan. (Kabar baiknya, standar ini sudah diperbarui lewat Kepmenaker 103/2026 — dibahas di section berikutnya.)

Kenapa Standar Resmi Selalu Tertinggal dari Teknologi

Ini bukan kelemahan BNSP atau Kemnaker semata — ini sifat sistemnya. Standar kompetensi kerja dirancang untuk profesi yang sudah mapan: ada banyak orang yang menjalankannya, ada kesepakatan industri soal apa yang harus bisa dilakukan, baru kemudian dirumuskan menjadi standar yang diuji.

AI Agent tidak memenuhi syarat itu. Teknologinya baru mulai berkembang dan diadopsi secara luas 2-3 tahun lalu, praktiknya masih berkembang tiap bulan, dan belum ada konsensus industri yang stabil. Standar untuk profesi yang belum mapan tidak mungkin ditulis — karena belum ada yang bisa distandarkan.

Konsekuensinya: kalau kamu menunggu sertifikasi AI Agent resmi keluar, standarnya baru akan dirumuskan setelah profesi ini mapan — dan itu artinya berisiko tertinggal beberapa tahun dari praktisi yang mulai lebih dulu. Di industri yang bergerak secepat AI, praktisi yang bergerak lebih awal sering menjadi penentu standar informal, bukan lembaga sertifikasi.

Update 2026: Kepmenaker 103/2026 — Lompatan Besar ke Arah AI Engineering

Kabar baiknya, Kemnaker tidak diam. Pada 2026 terbit Keputusan Menteri Ketenagakerjaan No. 103 Tahun 2026 yang menetapkan SKKNI Bidang Keahlian Artificial Intelligence Subbidang Knowledge-Based System. Ini lompatan besar dibanding pendahulunya (Kepmenaker 123/2021 yang dicabut): dari 17 unit jadi 27 unit kompetensi, dan kali ini secara eksplisit mencakup Generative AI modern — prompt engineering, fine-tuning, transfer learning, dan Retrieval Augmented Generation (RAG) di unit K.62AIN00.014.1–018.1.

Ditambah unit khusus etika & keandalan (fairness, explainability lewat SHAP/LIME, privacy dengan anonymization/encryption, accountability), model modern yang diakui (LLM, VLM, Diffusion Model), metrik evaluasi resmi (FID untuk gambar, BLEU untuk teks, human evaluation), dan integrasi modern (REST API, GraphQL, gRPC di K.62AIN00.024.2).

Peraturan ini berlaku efektif sejak 6 April 2026, dan semua lembaga sertifikasi wajib menyesuaikan skema paling lambat 6 Oktober 2026.

Yang penting dipahami sejak awal: Kepmenaker 103/2026 khusus subbidang Knowledge Based System (KBS) — bukan revisi menyeluruh SKKNI di bidang keahlian Artificial Intelligence.

Per pemeriksaan JDIH Kemnaker pada Agustus 2026, Kepmenaker 103/2026 menetapkan standar baru untuk subbidang Knowledge Based System; saya tidak menemukan penetapan baru yang menggantikan Kepmenaker 299/2020 untuk subbidang Data Science. Artinya: kalau kamu ambil skema Data Scientist BNSP, basisnya masih SKKNI 299/2020 klasik; kalau kamu ambil skema Knowledge Engineer, AI Solution Architect, atau AI Practitioner yang dirancang mengacu ke standar baru, basisnya Kepmenaker/SKKNI 103/2026.

Perbedaan ini penting saat kamu membandingkan brosur lembaga — bukan semua sertifikasi “AI BNSP” di 2026 otomatis pakai standar baru.

Apa itu subbidang Knowledge Based System?

Knowledge Based System (KBS) tradisional adalah sistem AI yang berpijak pada representasi pengetahuan eksplisit — knowledge graph, ontology, aturan-aturan formal, dan mesin inferensi. Dulu identik dengan expert system era 1980-an atau semantic web era 2000-an.

Yang menarik dari Kepmenaker 103/2026: subbidang KBS ini di-ekstend jauh keluar definisi klasiknya untuk mencakup

Fondasi Generative AI modern (LLM)
Prompt engineering
RAG
Fine-tuning

Ini pilihan yang masuk akal secara konseptual — Retrieval Augmented Generation (RAG) memang secara desain adalah cara menambahkan knowledge base ke output LLM, jadi masih dalam semangat KBS.

Fine-tuning dan adaptasi model juga bisa dipandang sebagai cara menanamkan pengetahuan domain ke dalam model.

Dengan kata lain, walau namanya “Knowledge Based System”, cakupan SKKNI 103/2026 jauh lebih luas dari sekadar expert system klasik — ia mencakup ekosistem AI berbasis pengetahuan modern.

Karena subbidang lain belum di-update, saat ini ada situasi campuran: sebagian sertifikasi AI BNSP masih 100% berpijak SKKNI 299/2020 klasik, sebagian sudah mulai menyertakan unit dari Kepmenaker 103/2026, dan sebagian gabung keduanya.

Pertanyaan “skema kamu pakai standar mana?” jadi lebih penting dari sebelumnya — jawaban lembaga menentukan apakah materi ujiannya masih data cleaning tahun 2018 atau sudah termasuk prompt engineering tahun 2026.

Meskipun sudah menutup gap Generative AI dasar, standar ini masih memandang AI sebagai tool atau modul terintegrasi — belum sebagai autonomous agent dengan loop keputusan sendiri. Berikut perbandingannya:

Aspek	Kepmenaker/SKKNI 103/2026 (27 unit resmi)	Autonomous AI Agent (praktik industri)
Cakupan Gen AI	Prompt engineering, fine-tuning, transfer learning, RAG, evaluasi model generatif	Sama + agent loops (ReAct, Reflexion), tool calling autonomous, task decomposition
Model diakui	LLM, VLM, Diffusion Model (K.62AIN00.016.1)	Sama + arsitektur multi-agent (LangGraph, CrewAI, AutoGen)
Evaluasi	Metrik resmi: FID (gambar), BLEU (teks), human evaluation	Sama + agent-specific: task success rate, cost/latency, hallucination rate
Etika & risiko	Fairness, explainability (SHAP/LIME), privacy (anonymization/encryption), accountability, mitigasi hallucination/bias	Sama + runtime guardrails, prompt injection defense, agent safety loops
Integrasi	REST API, GraphQL, gRPC ke ekosistem (ERP, mobile, backend/frontend)	Sama + orchestrator (n8n, Make, LangChain) + agent memory persistence
Yang belum di skema	—	Arsitektur multi-agent, agent-to-agent communication, production agent ops

Yang tersisa di ranah otomasi produktif adalah lapisan arsitektur autonomous AI Agent (multi-step planning, dynamic tool orchestration, agent memory, self-reflection, agent-to-agent collaboration) — ini bukan celah standar Kemnaker, tapi celah implementasi praktik yang belum matang di industri global.

Untuk lapisan ini, framework seperti OpenClaw, LangGraph, CrewAI, dan AutoGen jadi rujukan, dan pembelajarannya lebih cepat lewat hands-on + komunitas praktisi — bukan karena sertifikasinya salah, tapi karena praktik yang belum stabil memang belum bisa distandardisasi.

Mengingat Kepmenaker 103/2026 membahas Artificial Inteligent subbidang Knowledge Based System, praktik AI yang berpijak pada subbidang lain — forecasting model klasik, computer vision klasik, NLP tradisional non-generatif, atau time-series analysis — masih mengacu SKKNI 299/2020 (Data Science)

Praktisi Data Scientist atau Machine Learning Engineer klasik masih memakai standar 2020 tersebut; belum ada revisi Kemnaker untuk subbidang tersebut per catatan Agustus 2026. Jadi ketika membicarakan “standar AI di Indonesia” ke depan, harus spesifik: yang mana yang dimaksud — Knowledge Based System (baru, 2026) atau Data Science (klasik, 2020).

Beda Solusi AI di SKKNI vs Autonomous AI Agent

Biar makin jernih, penting bedakan dua level konsep AI yang sering dianggap sama:

“Solusi AI” di SKKNI 103/2026 (AI Integration / Augmentation)

Pola kerja: Input → Prompt / RAG → Output. Sifatnya reaktif dan linier — AI memproses prompt atau memanggil function sesuai skenario yang diatur eksplisit oleh developer.

Unit terkait: adaptasi model generatif (K.62AIN00.016.1), integrasi antarmodel/sistem (K.62AIN00.024.2). Contoh: chatbot QA yang menjawab pertanyaan berdasarkan knowledge base, image classifier, summarizer, recommendation engine. Ini domain yang sudah lengkap distandarkan Kemnaker.

Autonomous AI Agent

Pola kerja: Goal → Perception → Planning → Action Loop → Self-Reflection → Goal Achieved. Sifatnya autonom dan non-linier — AI diberi tujuan akhir, lalu secara mandiri memecah tugas (task decomposition), memilih alat sendiri (dynamic tool reasoning), mengambil keputusan jika terjadi error (reflection/retry), dan berinteraksi dengan agen lain (multi-agent orchestration).

Contoh: agent yang scan email masuk → identifikasi lead → cek CRM → auto-draft respon → minta approval → kirim, tanpa dikte tiap langkah.

Kedua-duanya butuh fondasi yang sama (LLM, prompt engineering, RAG, evaluasi output) — itu sebabnya SKKNI 103/2026 tetap valid sebagai basis kompetensi.

Yang bikin agent “otonom” adalah arsitektur yang membungkus fondasi itu: orchestrator, planner, memory, tool registry, dan pola-pola seperti ReAct atau Reflexion. Arsitektur inilah yang belum masuk skema resmi — bukan karena Kemnaker abai, tapi karena best practice-nya masih evolusi cepat (framework LangGraph, CrewAI, AutoGen bisa beda paradigma dalam 6 bulan).

Kenapa Autonomous Agent belum distandarkan?

Ada tiga alasan struktural yang bikin arsitektur autonomous AI Agent belum masuk skema resmi manapun — bukan cuma di Indonesia, tapi juga di skema internasional seperti AWS AI Practitioner, Google Cloud AI, atau Microsoft Certified AI Engineer:

Best practice masih evolusi cepat. Framework agentic seperti LangGraph, CrewAI, dan AutoGen bisa keluar versi mayor tiap 3–6 bulan yang mengubah paradigma fundamental (contoh: pola ReAct di 2023 → tool-augmented reasoning di 2024 → multi-agent orchestration di 2025 → hierarchical planner di 2026). Standar kompetensi yang membutuhkan review 5 tahun sekali tidak mungkin mengejar irama ini.
Konsensus industri belum stabil. Apakah agent yang “baik” perlu memory persist? Reflection loop wajib atau opsional? Multi-agent lebih baik dari single-agent superintendent? Praktisi masih debat semua itu — belum ada jawaban yang cukup mapan buat jadi standar.
Tool ecosystem terlalu fragmented. Sertifikasi Data Scientist bisa nguji “pakai Python + scikit-learn” karena stack itu stabil bertahun-tahun. Autonomous agent bisa pakai OpenAI Assistants API, Anthropic Claude tool use, Google ADK, LangGraph, atau custom orchestrator — masing-masing punya paradigma berbeda, dan pemilihan tool sering ganti tiap 6 bulan sesuai model release.

Konsekuensinya: bagi praktisi yang mau membangun kapabilitas autonomous agent (contoh nyata: agent yang otonom scanning inbox → identifikasi lead → auto-follow-up di WhatsApp → escalate ke human kalau ambigu), rujukan utama adalah dokumentasi framework open-source (LangGraph docs, CrewAI docs, AutoGen tutorial), research paper (ReAct, Reflexion, Voyager, AutoGPT), dan komunitas praktisi — bukan skema sertifikasi apapun.

Ini bukan kelemahan sertifikasi; ini konsekuensi dari kecepatan perubahan teknologi versus siklus formalisasi standar kompetensi.

Kepmenaker 103/2026 Menjawab Pertanyaan AI Engineer, Bukan Pertanyaan Pelaku Bisnis

Ini bagian yang paling sering luput dari analisis: meskipun Kepmenaker 103/2026 sudah mengakomodasi Generative AI modern, cakupannya masih sangat kental berorientasi ke perancangan teknis (AI Engineering / Building) — bukan ke pemanfaatan praktis (AI Adoption / Applying). Untuk pelaku UMKM atau karyawan operasional yang butuh solusi cepat, mismatch-nya masih signifikan.

Building vs Applying: fokus yang beda level

Yang diuji SKKNI (AI Engineer level):

kemampuan koding
perancangan arsitektur API
fine-tuning model
evaluasi metrik teknis (BLEU untuk teks, FID untuk gambar)
manajemen risiko teknis (data drift, hallucination mitigation, security policy, explainability lewat SHAP/LIME).

Ini kompetensi yang wajar buat calon developer, data scientist, atau AI engineer di korporasi/startup.

Yang dibutuhkan UMKM & operator bisnis:

solusi no-code / low-code
ready-to-use automation (Make.com, n8n, Openclaw, chatbot WhatsApp, Google Sheets + AI plugin)
strategi integrasi cepat tanpa perlu ngerti backend model.

Contoh use-case nyata: rekap penjualan Shopee otomatis ke Google Sheets, customer service agent WhatsApp sederhana, generator konten Instagram kilat, follow-up leads otomatis dari form landing page — bukan fine-tuning LLM atau desain ontology enterprise.

Peran kerja yang dihasilkan: beda lane, bukan beda level

Yang dihasilkan sertifikasi berbasis Kepmenaker 103/2026	Yang dibutuhkan pelaku bisnis & operator
AI Solution Developer	AI-Enabled Operator
Data / AI Scientist	Digital Operations Specialist
AI System Integrator (REST API, GraphQL, gRPC)	No-Code Automation Specialist (n8n, Make, Zapier)
Knowledge Engineer / Ontology Designer	AI Content & Marketing Operator
Prompt Engineering & Fine-tuning specialist	Prompt user (praktis, template-based, task-specific)

Bedanya bukan senioritas — ini lane yang beda. AI Engineer merancang & membangun sistem AI dari komponen; AI-Enabled Operator memilih & merangkai tools AI yang sudah tersedia di pasaran untuk operasional bisnis. Skill set-nya beda, urutan belajarnya beda, tools yang dipakai juga beda. Salah pilih lane = buang waktu dan biaya.

Gap sertifikasi yang belum diisi

Konsekuensi langsung dari mismatch ini: sampai Agustus 2026, belum ada skema BNSP untuk AI Literacy atau AI for Business Automation.

Pelaku usaha atau karyawan non-teknis yang mahir mengotomasi bisnisnya dengan AI — bikin agent CS di WhatsApp yang jawab customer 24/7, generate 30 konten Instagram per bulan tanpa hire designer, otomasi rekap penjualan lintas marketplace ke satu dashboard, sinkron lead form ke Notion atau CRM — semua kompetensi ini tidak dicover oleh standar SKKNI manapun.

Ini bukan kritik bahwa standar-nya salah. SKKNI memang wajar berpihak ke perancang, karena profesi AI engineer dan data scientist lebih dulu mapan dan konsensusnya lebih stabil untuk distandarisasi. Tapi implikasinya konkret:

kalau kamu pelaku bisnis atau operator yang mau naik skill AI cepat untuk kebutuhan sehari-hari, sertifikasi BNSP apapun (SKKNI 299/2020 klasik maupun SKKNI 103/2026 baru) bukan jawaban yang efisien.

Kamu butuh pelatihan berbasis studi kasus bisnis, hands-on dengan tools no-code yang beredar, dan komunitas praktisi yang bisa ditanya real-time saat implementasi — bukan asesmen lisan tentang arsitektur RAG atau evaluasi FID.

Cara pilih lane: pertanyaan yang harus jujur ke diri sendiri

Sebelum ambil sertifikasi apapun atau daftar workshop, tanya empat hal ini ke diri sendiri:

Apa tujuan konkret 6 bulan ke depan? — “dapat kerja sebagai AI Engineer/Data Scientist” jauh beda dari “bisnisku running otomatis 50% dari sekarang”.
Aku bakal membangun sistem AI atau menggunakan tools AI yang sudah ada? Building = butuh dasar coding + math + statistik. Applying = butuh sense untuk memilih tool, template prompt, dan integrasi workflow.
Bahasa Python dan konsep API adalah teman lama atau baru kenal? Kalau baru kenal dan waktu terbatas — jalur AI Engineer butuh investasi estimasi 6-12 bulan sebelum keluar hasil. Jalur AI-Enabled Operator bisa keluar hasil dalam 2–8 minggu.
Kebutuhan riilku: pengakuan formal atau sistem yang jalan? Sertifikat = bukti kompetensi ke pihak luar (HRD, tender) atau sistem yang jalan = bukti kompetensi ke diri sendiri dan customer — portofolio otomasi yang benar-benar motong beban kerja.

Jawaban jujur di empat pertanyaan itu yang bikin keputusan belajar AI-mu tepat sasaran.

Sertifikasi BNSP Artificial Intelligence Ini Buat Siapa

Supaya adil — sertifikasi AI BNSP memiliki lane yang mungkin berbeda dengan apa yang dibutuhkan pelaku usaha atau pekerja non-IT. Ia sangat relevan untuk tiga profil ini:

Kebutuhan compliance: karyawan BUMN, instansi pemerintah, atau vendor yang butuh kualifikasi formal untuk tender dan pengadaan. Sertifikat AI untuk kerja di jalur formal seperti ini memang yang dinilai — pemenuhan standar resmi yang diakui institusi, dan sertifikat BNSP menjawab kebutuhan itu.
Data Analyst / Data Scientist: fondasi statistika, pembersihan data, dan pengujian hipotesis tidak berubah oleh kehadiran GenAI. Standar ini masih mengukur hal yang benar untuk profesi itu.
AI/Machine Learning Engineer: mereka yang berminat menjadi engineer di bidang AI/NLP/Machine Learning, perusahaan yang masih membangun model prediktif (churn, fraud, forecasting) tetap butuh orang yang paham siklus hidup model dari nol.

Kalau kamu salah satu dari tiga profil ini, SKKNI 299/2020 dan Permenaker 103/2026 adalah jalur yang valid. Jangan biarkan artikel ini membuatmu ragu — masalahnya bukan standarnya, tapi kecocokan antara standar dan tujuanmu.

Jika tujuan kamu menjadi Data Scientist atau Machine Learning Engineer, sertifikasi AI berbasis SKKNI versi 2020 maupun 2026 dapat relevan. Jika tujuan kamu membangun AI Agent dan otomasi workflow, periksa terlebih dahulu apakah skemanya mencakup API LLM, RAG, function calling, dan orkestrasi workflow.

Kalau kamu sudah tahu arah karirmu di data science, ada baiknya lihat perbandingan jalur belajar yang sudah dibahas sebelumnya — soal alternatif BISA AI Academy dan pilihan belajar AI lain di Indonesia — biar pilihanmu makin lengkap sebelum keluar uang.

Posisi Komunitech: Beda Core, Sama-sama Pilihan

Komunitech sendiri adalah penyedia workshop AI yang fokusnya membantu peserta membuat Karyawan AI — sistem AI agent yang bekerja untuk membantu pekerjaan mereka di lembaga masing-masing. Karena itu kami melihat sertifikasi BNSP punya core yang berbeda dengan tujuan kami menyelenggarakan pelatihan AI untuk masyarakat Indonesia.

Bagi Komunitech, sertifikasi BNSP adalah pilihan yang baik untuk masyarakat Indonesia yang ingin mempelajari sisi teknis AI sesuai framework nasional dan SKKNI. Di sisi lain, workshop kami ditujukan untuk mereka yang ingin langsung membangun sistem otomasi dan AI agent untuk kebutuhan kerjanya.

Keberadaan lembaga kursus AI dengan core yang berbeda justru memberikan pilihan lebih beragam bagi masyarakat Indonesia untuk mulai mempelajari AI lebih dalam — sesuai kebutuhan dan tujuan masing-masing.

Biar makin jelas, ini perbandingan ringkas antara workshop AI agent dan sertifikasi AI BNSP:

Intinya: masalahnya bukan standarnya, tapi kecocokan dengan tujuanmu.

Mau membangun AI agent dan otomasi? Workshop.
Mau pengakuan kompetensi formal? Sertifikasi.
Mau lebih maksimal? Gabungkan keduanya — bangun skill lewat workshop, validasi kompetensi lewat sertifikasi BNSP.

Jangan Percaya Kata Siapa Pun — Tanya Langsung ke Penyedianya

Artikel ini ditulis dengan menganalisis dokumen SKKNI dan Permenaker, lalu menarik kesimpulan dari sana. Tapi lembaga penyedia kursus dan sertifikasi AI BNSP itu beda-beda — beberapa mungkin sudah menambahkan materi AI Agent, RAG, atau otomasi di luar unit kompetensi wajib, agar lulusannya lebih relevan dengan kebutuhan industri sekarang.

Jadi sebelum bayar, tanya langsung ke lembaga penyedianya. Pertanyaan yang harus diajukan:

“Di kurikulumnya, apakah ada materi bikin AI Agent atau otomasi workflow?” — kalau jawabannya cuma “machine learning, deep learning, deployment model”, kamu sudah tahu arahnya.
“Alat apa yang dipakai praktik?” — OpenClaw, n8n, Make, OpenAI API, LangChain, atau Python, Jupyter, TensorFlow? Ini pembeda paling cepat antara antara dua goal yang ingin dicapai.
“Output lulusannya biasanya kerja apa?” — kalau jawabannya “data scientist, AI/ML engineer”, dan jika tujuanmu bukan itu, kamu lagi di jalur yang salah.
“Apakah unit kompetensinya berasal dari SKKNI 299/2020?” — kalau iya, tanyakan lagi: adakah materi tambahan di luar SKKNI itu? Karena SKKNI 299/2020 sendiri tidak menyentuh Generative AI atau AI Agent sama sekali. (Kepmenaker 103/2026 sekarang sudah cover fondasi Gen AI seperti prompt engineering, RAG, fine-tuning — tetap perlu cek apakah skema lembaga sudah upgrade ke standar baru ini.)

Jawaban jujur dari pertanyaan ini lebih berharga daripada brosur. Lembaga yang serius sama kebutuhan industrinya bakal bisa jawab dengan detail; yang cuma jual sertifikat biasanya cuma bisa jawab “resmi, diakui negara, banyak peminat”.

Opsi Skill yang Beneran Dipakai di Era Agentic AI

Kalau tujuanmu membangun AI Agent — mau buat AI clipper buat channel YouTube tanpa wajah, mau bikin workflow otomasi kantor, melakukan otomasi riset sampai menangani content calendar di sosmed atau mau jual solusi enterprise berbasis AI Agent — ini tiga rute belajar yang relevan dengan kondisi 2026:

Rute A: AI Operator / Automator — paling cepat diimplementasikan

Fokus: menyambungkan AI ke pekerjaan nyata. Yang dipelajari: dasar prompt engineering, penggunaan API LLM (OpenAI, Claude, Gemini), RAG praktis untuk data internal, dan orchestrator visual kayak n8n atau Make. Output-nya bukan model, tapi sistem yang bekerja: bot yang bales chat, workflow yang isi spreadsheet, pipeline konten yang jalan sendiri. Ini rute yang tepat kalau kamu mau mulai menghasilkan — bahkan minggu-minggu pertama.

Buat yang bingung mulai dari mana, ada jalur praktis belajar AI dari nol yang breakdown-nya khusus buat pemula — bisa jadi peta awal sebelum nyemplung ke tools.

Rute B: AI Solution / Integration Specialist — buat yang mau jual solusi

Fokus: merancang solusi AI untuk bisnis orang lain. Yang dipelajari: function calling dan tool use, integrasi API lintas aplikasi (CRM, ERP, email, database), desain workflow yang aman dan bisa diaudit, sampai pricing dan scoping proyek. Kalau kamu mau jadi konsultan atau agensi otomasi, ini rutenya. Profesi ini punya nama resmi di industri — spesialis integrasi AI Agent — lengkap dengan jalur karir dan skill yang diuji di dunia kerja nyata.

Rute C: Data Scientist / AI Engineer / ML Engineer — memahami arsitektur AI secara detail dan membangun dari nol

Fokus: statistik, pemodelan, dan machine learning, RAG. Ini adalah rute di mana sertifikasi AI BNSP benar-benar relevan dengan kebutuhanmu. Kalau kamu menikmati matematika, menelaah data, dan membangun model dari nol — jangan tinggalkan demi tren AI Agent. Data scientist yang solid tetap dibutuhkan dan memiliki jenjang karir yang cukup prospektif.

Glosarium Singkat

Kepmenaker 103/2026 — Keputusan Menteri Ketenagakerjaan No. 103 Tahun 2026 tentang Penetapan SKKNI Bidang Keahlian Artificial Intelligence Subbidang Knowledge Based System. Efektif 6 April 2026; mencabut Kepmenaker 123/2021; menetapkan 27 unit kompetensi termasuk Generative AI (prompt engineering, fine-tuning, RAG), etika (fairness, explainability, privacy, accountability), dan integrasi modern (REST API, GraphQL, gRPC). Lembaga sertifikasi wajib menyesuaikan skema paling lambat 6 Oktober 2026.
Subbidang SKKNI — sub-pembagian bidang keahlian dalam struktur SKKNI. Bidang keahlian Artificial Intelligence terdiri dari beberapa subbidang, di antaranya Knowledge Based System (baru, distandarkan lewat Kepmenaker 103/2026) dan Data Science (klasik, distandarkan lewat SKKNI 299/2020). Kepmenaker 103/2026 hanya mem-update subbidang KBS, sisanya masih memakai standar 2020.
Knowledge Based System (KBS) — secara klasik: sistem AI berbasis representasi pengetahuan eksplisit (knowledge graph, ontology, rule-based inference). Dalam Kepmenaker 103/2026, cakupan subbidang KBS diperluas hingga mencakup fondasi Generative AI modern (LLM, prompt engineering, RAG, fine-tuning).
Autonomous AI Agent — sistem AI dengan loop keputusan otonom (perceive → plan → act → reflect), memilih tool secara dinamis, mengeksekusi multi-step task, dan berkoordinasi dengan agen lain. Belum termasuk dalam skema sertifikasi resmi manapun; framework yang jadi rujukan: LangGraph, CrewAI, AutoGen.
SKKNI — Standar Kompetensi Kerja Nasional Indonesia; dokumen resmi Kemnaker yang menetapkan unit-unit kompetensi untuk suatu bidang profesi.
LSP — Lembaga Sertifikasi Profesi; lembaga berlisensi BNSP yang menyelenggarakan uji kompetensi dan menerbitkan sertifikat.
Sertifikasi AI BNSP — sertifikat kompetensi bidang AI yang diterbitkan LSP setelah asesi dinyatakan kompeten melalui asesmen, mengacu pada skema berbasis SKKNI.
RAG — Retrieval-Augmented Generation; teknik menghubungkan model AI ke sumber data eksternal agar jawabannya akurat berdasarkan dokumen/knowledge base tertentu.
Function calling — kemampuan model AI memanggil fungsi/API eksternal untuk mengambil data atau menjalankan aksi, bukan cuma menghasilkan teks.
Tool use — penggunaan alat (browser, kalkulator, aplikasi, API) oleh AI untuk menyelesaikan tugas.
Orchestrator — perangkat lunak yang mengatur alur kerja multi-langkah dan mengoordinasikan beberapa AI/tool (contoh: OpenClaw, Claude Code, n8n, Make, LangChain).

FAQ

Apa itu sertifikasi AI BNSP?

Sertifikasi kompetensi yang diterbitkan lembaga sertifikasi profesi (LSP) berlisensi BNSP untuk bidang artificial intelligence. Skema yang beredar di Indonesia (Data Scientist, Machine Learning Engineer, AI Engineer, dan berbagai skema klaster penerapan AI) berpijak pada SKKNI No. 299/2020.

Apakah sertifikasi AI BNSP mengajarkan cara membuat AI Agent?

Tergantung skema. Skema yang mengacu SKKNI 299/2020 (data science / ML klasik): tidak — tidak ada unit prompt engineering, RAG, function calling. Skema yang sudah upgrade ke Kepmenaker 103/2026: sudah mencakup fondasi Generative AI (prompt engineering, fine-tuning, transfer learning, RAG, evaluasi model generatif) tapi belum arsitektur autonomous AI Agent (planning loop, dynamic tool orchestration, self-reflection, multi-agent). Untuk agent otonom, praktik tetap harus dilengkapi dari framework industri seperti LangGraph, CrewAI, OpenClaw atau AutoGen.

Sertifikat AI BNSP cocok untuk siapa?

Empat profil TEKNIS yang cocok: (1) kebutuhan compliance seperti BUMN, instansi pemerintah, dan tender; (2) Data Analyst dan Data Scientist; (3) Machine Learning Engineer klasik; (4) untuk skema yang sudah upgrade ke Kepmenaker 103/2026 — praktisi Generative AI yang mau memvalidasi kompetensi prompt engineering, fine-tuning, dan RAG lewat sertifikat resmi. Yang tetap harus dilengkapi mandiri lewat komunitas/hands-on: arsitektur autonomous AI Agent (planning loop, dynamic tool orchestration, multi-agent). Yang TIDAK cocok: pelaku UMKM, karyawan operasional non-teknis, atau siapapun yang butuh solusi otomasi AI cepat untuk pekerjaan sehari-hari — standar BNSP apapun (299/2020 klasik atau 103/2026 baru) belum ada skema untuk AI Literacy maupun AI for Business Automation. Buat kebutuhan ini, jalur yang efisien adalah workshop praktisi berbasis studi kasus bisnis, bukan asesmen standar teknis.

Apa bedanya SKKNI 299/2020 dengan Kepmenaker 103/2026?

SKKNI 299/2020 adalah standar AI subbidang Data Science (21 unit, fokus siklus ML klasik: data acquisition, cleaning, modeling, deployment SOP). Kepmenaker 103/2026 mencakup perencanaan arsitektur AI, pengelolaan data, ML, Generative AI (prompt engineering, fine-tuning, transfer learning, RAG, evaluasi model), etika (fairness, explainability, privacy, accountability), model modern (LLM/VLM/Diffusion), dan deployment/integrasi (REST API, GraphQL, gRPC).

Kalau mau membangun AI Agent, harus belajar apa?

Tiga rute: AI Operator/Automator (prompt engineering, API LLM, RAG, OpenClaw/Hermes/Claude Code/n8n/Make), AI Solution/Integration Specialist (function calling, integrasi API lintas aplikasi), atau tetap Data Scientist kalau memang itu minatmu.

Untuk membangun dan menunjukkan kemampuan autonomous AI Agent, portofolio sistem yang berjalan biasanya memberi bukti kemampuan yang lebih langsung daripada sertifikat yang tidak secara spesifik menguji kapabilitas tersebut.

Apakah memiliki sertifikasi BNSP itu penting?

Tidak, bergantung konteks skema yang diperlukan. Untuk karier data science formal, ML engineer klasik, dan kebutuhan compliance/tender institusional, sertifikasi berbasis SKKNI 299/2020 valid. Untuk fondasi Generative AI modern (prompt engineering, RAG, fine-tuning), Kepmenaker 103/2026 memberi validasi kompetensi resmi. Untuk arsitektur autonomous AI Agent, sertifikasi apapun belum bisa memberi bukti langsung — di ranah ini portofolio sistem yang jalan lebih bicara daripada sertifikat.

Kalau saya mau sertifikasi AI BNSP di 2026, saya harus tanya apa ke lembaga?

Empat pertanyaan spesifik: (1) Skema ini berpijak pada SKKNI 299/2020 (klasik, subbidang Data Science) atau Kepmenaker 103/2026 (baru, subbidang Knowledge Based System)? (2) Kalau berpijak 299/2020, apakah lembaga sudah menambahkan materi tambahan dari Kepmenaker 103/2026 (prompt engineering, RAG, fine-tuning) di luar unit wajib? (3) Kalau berpijak 103/2026, unit kompetensi mana yang benar-benar diuji di asesmen — hanya knowledge engineering klasik (ontology, rule-based) atau juga mencakup unit Generative AI (K.62AIN00.014.1–018.1)? (4) Untuk kapabilitas autonomous AI Agent (multi-step planning, tool orchestration, agent memory), materi tambahan apa yang lembaga sediakan — karena hal ini belum ada di SKKNI manapun? Jawaban jujur dari empat pertanyaan ini lebih menentukan value sertifikatmu dari sekadar nama skema di brosur.

Saya pelaku UMKM / karyawan operasional. Apakah saya cocok ambil sertifikasi berbasis Kepmenaker 103/2026?

Kemungkinan besar tidak. Kepmenaker 103/2026 — walau sudah mencakup Generative AI — targetnya tetap calon AI engineer, data scientist, atau system integrator. Unit yang diuji: koding, arsitektur API, fine-tuning model, evaluasi metrik teknis (BLEU/FID), manajemen risiko teknis. Ini bukan skill yang kamu pakai kalau tujuanmu bikin agent CS di WhatsApp yang jawab customer otomatis, atau otomasi rekap penjualan Shopee ke Google Sheets. Untuk kebutuhan pelaku bisnis dan operator seperti itu, jalur yang efisien adalah workshop praktisi berbasis studi kasus bisnis — belajar tools no-code (Make, n8n, chatbot builder), template prompt siap-pakai, dan integrasi workflow yang langsung dampak ke bottom-line. Belum ada skema BNSP untuk lane ini; itu gap struktural yang perlu dijawab pelatihan industri, bukan asesmen kompetensi teknis.

Pahami Materi Sertifikasi AI BNSP yang Akan Kamu Ambil

Kalau kamu evaluasi program sertifikasi AI BNSP di 2026, jangan berhenti di judul “AI BNSP” — tanya spesifik;

Skema SKKNI apa?
Subbidang mana
Unit apa yang diuji saat sertifikasi
Materi tambahan apa yang disediakan.

Kalau tujuanmu murni membangun autonomous AI Agent untuk otomasi kerja, jalur tercepat tetap hands-on lewat komunitas praktisi — bukan karena sertifikasi salah, tapi karena beda jalur.

Kalau kamu perlu keduanya (kompetensi formal + skill agent), gabungkan: workshop atau kursus praktisi untuk arsitektur agent, sertifikasi BNSP berbasis 103/2026 untuk validasi fondasi Gen AI.

Keputusan Ada di Kamu

Artikel ini tidak mengklaim bahwa sertifikasi AI BNSP tidak cocok untuk semua orang. Kami bilang: rute belajar harus cocok dengan tujuan.

Sebelum daftar, jawab tiga pertanyaan ini jujur-jujur:

Tujuan akhirmu apa? Mau jadi Data Scientist di korporasi, atau mau bangun dan jual sistem AI yang bekerja?
Kamu jual apa? Sertifikat menjual pengakuan; portofolio menjual hasil. Di era Agentic AI, klien dan perusahaan lebih cepat percaya pada sistem yang kelihatan jalannya daripada kertas yang menyatakan kamu bisa — perdebatan ini sudah pernah dibedah lebih dalam soal sertifikasi AI vs portofolio nyata di mata HRD.
Berapa lama kamu rela muter? Kalau tujuan kamu belajar AI Agent, waktu yang kamu habiskan untuk mempelajari statistika dan model .pkl adalah waktu yang tidak pernah kembali — sementara orang lain di jalur lurus sudah punya sistem pertama mereka jalan.

Kamu yang paling tahu kebutuhan belajarmu sendiri. Bukan lembaga sertifikasi, bukan tren, bukan artikel ini. Pilih rute yang bikin kamu nyampe — bukan rute yang bikin kamu kelihatan sibuk.

Referensi

Disclaimer: Artikel ini ditulis berdasarkan dokumen SKKNI yang dipublikasikan Kemnaker dan BNSP per Agustus 2026. Standar dan skema sertifikasi bisa berubah; cek dokumen resmi terbaru sebelum mengambil keputusan.

Disclosure: KomuniTech menyelenggarakan workshop AI Agent. Karena itu, bagian rekomendasi jalur belajar dan workshop perlu dibaca sebagai pandangan editorial dari penyedia pelatihan, bukan penilaian independen terhadap semua lembaga sertifikasi.

Artikel telah diupdate pada 19/08/2026 untuk memastikan artikel tetap sesuai kondisi terkini.

Komunitech

Company

Resources

Support