Generative AI modern<\/strong> \u2014 prompt engineering, fine-tuning, transfer learning, dan Retrieval Augmented Generation (RAG) di unit K.62AIN00.014.1\u2013018.1.<\/p>\nDitambah 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).<\/p>\n
Peraturan ini berlaku efektif sejak 6 April 2026, dan semua lembaga sertifikasi wajib menyesuaikan skema paling lambat 6 Oktober 2026.<\/p>\n
Yang penting dipahami sejak awal: Kepmenaker 103\/2026 khusus subbidang Knowledge Based System (KBS)<\/strong> \u2014 bukan revisi menyeluruh SKKNI di bidang keahlian Artificial Intelligence.<\/p>\nPer 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.<\/p>\n
Perbedaan ini penting saat kamu membandingkan brosur lembaga \u2014 bukan semua sertifikasi \u201cAI BNSP\u201d di 2026 otomatis pakai standar baru.<\/p>\n
<\/span>Apa itu subbidang Knowledge Based System?<\/span><\/h3>\nKnowledge Based System (KBS) tradisional adalah sistem AI yang berpijak pada representasi pengetahuan eksplisit \u2014 knowledge graph<\/em>, ontology<\/em>, aturan-aturan formal, dan mesin inferensi. Dulu identik dengan expert system<\/em> era 1980-an atau semantic web<\/em> era 2000-an.<\/p>\nYang menarik dari Kepmenaker 103\/2026: subbidang KBS ini di-ekstend jauh keluar definisi klasiknya<\/strong> untuk mencakup<\/p>\n\n- Fondasi Generative AI modern (LLM)<\/li>\n
- Prompt engineering<\/li>\n
- RAG<\/li>\n
- Fine-tuning<\/li>\n<\/ul>\n
Ini pilihan yang masuk akal secara konseptual \u2014 Retrieval Augmented Generation (RAG) memang secara desain adalah cara menambahkan knowledge base<\/em> ke output LLM, jadi masih dalam semangat KBS.<\/p>\nFine-tuning dan adaptasi model juga bisa dipandang sebagai cara menanamkan pengetahuan domain ke dalam model.<\/p>\n
Dengan kata lain, walau namanya \u201cKnowledge Based System\u201d, cakupan SKKNI 103\/2026 jauh lebih luas dari sekadar expert system klasik \u2014 ia mencakup ekosistem AI berbasis pengetahuan modern.<\/p>\n
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.<\/p>\n
Pertanyaan \u201cskema kamu pakai standar mana?\u201d jadi lebih penting dari sebelumnya \u2014 jawaban lembaga menentukan apakah materi ujiannya masih data cleaning tahun 2018 atau sudah termasuk prompt engineering tahun 2026.<\/p>\n
Meskipun sudah menutup gap Generative AI dasar, standar ini masih memandang AI sebagai tool atau modul terintegrasi<\/em> \u2014 belum sebagai autonomous agent<\/em> dengan loop keputusan sendiri. Berikut perbandingannya:<\/p>\n\n\n\n| Aspek<\/th>\n | Kepmenaker\/SKKNI 103\/2026 (27 unit resmi)<\/th>\n | Autonomous AI Agent (praktik industri)<\/th>\n<\/tr>\n<\/thead>\n |
\n\n| Cakupan Gen AI<\/td>\n | Prompt engineering, fine-tuning, transfer learning, RAG, evaluasi model generatif<\/td>\n | Sama + agent loops (ReAct, Reflexion), tool calling autonomous, task decomposition<\/td>\n<\/tr>\n |
\n| Model diakui<\/td>\n | LLM, VLM, Diffusion Model (K.62AIN00.016.1)<\/td>\n | Sama + arsitektur multi-agent (LangGraph, CrewAI, AutoGen)<\/td>\n<\/tr>\n |
\n| Evaluasi<\/td>\n | Metrik resmi: FID (gambar), BLEU (teks), human evaluation<\/td>\n | Sama + agent-specific: task success rate, cost\/latency, hallucination rate<\/td>\n<\/tr>\n |
\n| Etika & risiko<\/td>\n | Fairness, explainability (SHAP\/LIME), privacy (anonymization\/encryption), accountability, mitigasi hallucination\/bias<\/td>\n | Sama + runtime guardrails, prompt injection defense, agent safety loops<\/td>\n<\/tr>\n |
\n| Integrasi<\/td>\n | REST API, GraphQL, gRPC ke ekosistem (ERP, mobile, backend\/frontend)<\/td>\n | Sama + orchestrator (n8n, Make, LangChain) + agent memory persistence<\/td>\n<\/tr>\n |
\n| Yang belum di skema<\/td>\n | \u2014<\/td>\n | Arsitektur multi-agent, agent-to-agent communication, production agent ops<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Yang tersisa di ranah otomasi produktif adalah lapisan arsitektur autonomous AI Agent<\/strong> (multi-step planning, dynamic tool orchestration, agent memory, self-reflection, agent-to-agent collaboration) \u2014 ini bukan celah standar Kemnaker, tapi celah implementasi praktik yang belum matang di industri global.<\/p>\nUntuk lapisan ini, framework seperti OpenClaw, LangGraph, CrewAI, dan AutoGen jadi rujukan, dan pembelajarannya lebih cepat lewat hands-on + komunitas praktisi \u2014 bukan karena sertifikasinya salah, tapi karena praktik yang belum stabil memang belum bisa distandardisasi.<\/p>\n Mengingat Kepmenaker 103\/2026 membahas Artificial Inteligent subbidang Knowledge Based System, praktik AI yang berpijak pada subbidang lain \u2014 forecasting model<\/em> klasik, computer vision<\/em> klasik, NLP tradisional non-generatif, atau time-series analysis<\/em> \u2014\u00a0 masih mengacu SKKNI 299\/2020 (Data Science)<\/p>\nPraktisi 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 \u201cstandar AI di Indonesia\u201d ke depan, harus spesifik: yang mana yang dimaksud \u2014 Knowledge Based System (baru, 2026) atau Data Science (klasik, 2020).<\/p>\n <\/span>Beda Solusi AI di SKKNI vs Autonomous AI Agent<\/span><\/h2>\nBiar makin jernih, penting bedakan dua level konsep AI yang sering dianggap sama:<\/p>\n <\/span>\u201cSolusi AI\u201d di SKKNI 103\/2026 (AI Integration \/ Augmentation)<\/span><\/h3>\nPola kerja:<\/strong> Input \u2192 Prompt \/ RAG \u2192 Output. Sifatnya reaktif dan linier \u2014 AI memproses prompt atau memanggil function sesuai skenario yang diatur eksplisit oleh developer.<\/p>\nUnit 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.<\/p>\n <\/span>Autonomous AI Agent<\/span><\/h3>\nPola kerja:<\/strong> Goal \u2192 Perception \u2192 Planning \u2192 Action Loop \u2192 Self-Reflection \u2192 Goal Achieved. Sifatnya autonom dan non-linier \u2014 AI diberi tujuan akhir<\/em>, 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).<\/p>\nContoh: agent yang scan email masuk \u2192 identifikasi lead \u2192 cek CRM \u2192 auto-draft respon \u2192 minta approval \u2192 kirim, tanpa dikte tiap langkah.<\/p>\n Kedua-duanya butuh fondasi yang sama (LLM, prompt engineering, RAG, evaluasi output) \u2014 itu sebabnya SKKNI 103\/2026 tetap valid sebagai basis kompetensi.<\/p>\n Yang bikin agent \u201cotonom\u201d adalah arsitektur<\/em> yang membungkus fondasi itu: orchestrator, planner, memory, tool registry, dan pola-pola seperti ReAct atau Reflexion. Arsitektur inilah yang belum masuk skema resmi \u2014 bukan karena Kemnaker abai, tapi karena best practice-nya masih evolusi cepat (framework LangGraph, CrewAI, AutoGen bisa beda paradigma dalam 6 bulan).<\/p>\n<\/span>Kenapa Autonomous Agent belum distandarkan?<\/span><\/h3>\nAda tiga alasan struktural yang bikin arsitektur autonomous AI Agent belum masuk skema resmi manapun \u2014 bukan cuma di Indonesia, tapi juga di skema internasional seperti AWS AI Practitioner, Google Cloud AI, atau Microsoft Certified AI Engineer:<\/p>\n \n- Best practice masih evolusi cepat.<\/strong> Framework agentic<\/em> seperti LangGraph, CrewAI, dan AutoGen bisa keluar versi mayor tiap 3\u20136 bulan yang mengubah paradigma fundamental (contoh: pola ReAct di 2023 \u2192 tool-augmented reasoning di 2024 \u2192 multi-agent orchestration di 2025 \u2192 hierarchical planner di 2026). Standar kompetensi yang membutuhkan review 5 tahun sekali tidak mungkin mengejar irama ini.<\/li>\n
- Konsensus industri belum stabil.<\/strong> Apakah agent yang \u201cbaik\u201d perlu memory persist? Reflection loop wajib atau opsional? Multi-agent lebih baik dari single-agent superintendent? Praktisi masih debat semua itu \u2014 belum ada jawaban yang cukup mapan buat jadi standar.<\/li>\n
- Tool ecosystem terlalu fragmented.<\/strong> Sertifikasi Data Scientist bisa nguji \u201cpakai Python + scikit-learn\u201d karena stack itu stabil bertahun-tahun. Autonomous agent bisa pakai OpenAI Assistants API, Anthropic Claude tool use, Google ADK, LangGraph, atau custom orchestrator \u2014 masing-masing punya paradigma berbeda, dan pemilihan tool sering ganti tiap 6 bulan sesuai model release.<\/li>\n<\/ol>\n
Konsekuensinya: bagi praktisi yang mau membangun kapabilitas autonomous agent (contoh nyata: agent yang otonom scanning inbox \u2192 identifikasi lead \u2192 auto-follow-up di WhatsApp \u2192 escalate ke human kalau ambigu), rujukan utama adalah dokumentasi framework open-source<\/strong> (LangGraph docs, CrewAI docs, AutoGen tutorial), research paper<\/strong> (ReAct, Reflexion, Voyager, AutoGPT), dan komunitas praktisi<\/strong> \u2014 bukan skema sertifikasi apapun.<\/p>\nIni bukan kelemahan sertifikasi; ini konsekuensi dari kecepatan perubahan teknologi versus siklus formalisasi standar kompetensi.<\/p>\n <\/span>Kepmenaker 103\/2026 Menjawab Pertanyaan AI Engineer, Bukan Pertanyaan Pelaku Bisnis<\/span><\/h2>\nIni 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)<\/strong> \u2014 bukan ke pemanfaatan praktis (AI Adoption \/ Applying)<\/strong>. Untuk pelaku UMKM atau karyawan operasional yang butuh solusi cepat, mismatch-nya masih signifikan.<\/p>\n<\/span>Building vs Applying: fokus yang beda level<\/span><\/h3>\nYang diuji SKKNI (AI Engineer level):<\/strong><\/p>\n\n- kemampuan koding<\/li>\n
- perancangan arsitektur API<\/li>\n
- fine-tuning model<\/li>\n
- evaluasi metrik teknis (BLEU untuk teks, FID untuk gambar)<\/li>\n
- manajemen risiko teknis (data drift, hallucination mitigation, security policy, explainability lewat SHAP\/LIME).<\/li>\n<\/ol>\n
Ini kompetensi yang wajar buat calon developer, data scientist, atau AI engineer di korporasi\/startup.<\/p>\n Yang dibutuhkan UMKM & operator bisnis:<\/strong><\/p>\n\n- solusi no-code \/ low-code<\/em><\/li>\n
- ready-to-use automation (Make.com, n8n, Openclaw, chatbot WhatsApp, Google Sheets + AI plugin)<\/li>\n
- strategi integrasi cepat tanpa perlu ngerti backend model.<\/li>\n<\/ol>\n
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 \u2014 bukan fine-tuning LLM atau desain ontology enterprise.<\/p>\n <\/span>Peran kerja yang dihasilkan: beda lane, bukan beda level<\/span><\/h3>\n\n\n\n| Yang dihasilkan sertifikasi berbasis Kepmenaker 103\/2026<\/th>\n | Yang dibutuhkan pelaku bisnis & operator<\/th>\n<\/tr>\n<\/thead>\n | \n\n| AI Solution Developer<\/td>\n | AI-Enabled Operator<\/td>\n<\/tr>\n | \n| Data \/ AI Scientist<\/td>\n | Digital Operations Specialist<\/td>\n<\/tr>\n | \n| AI System Integrator (REST API, GraphQL, gRPC)<\/td>\n | No-Code Automation Specialist (n8n, Make, Zapier)<\/td>\n<\/tr>\n | \n| Knowledge Engineer \/ Ontology Designer<\/td>\n | AI Content & Marketing Operator<\/td>\n<\/tr>\n | \n| Prompt Engineering & Fine-tuning specialist<\/td>\n | Prompt user (praktis, template-based, task-specific)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Bedanya bukan senioritas \u2014 ini lane<\/em> 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.<\/p>\n<\/span>Gap sertifikasi yang belum diisi<\/span><\/h3>\nKonsekuensi langsung dari mismatch ini: sampai Agustus 2026, belum ada skema BNSP untuk AI Literacy<\/em> atau AI for Business Automation<\/em><\/strong>.<\/p>\nPelaku usaha atau karyawan non-teknis yang mahir mengotomasi bisnisnya dengan AI \u2014 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 \u2014 semua kompetensi ini tidak dicover oleh standar SKKNI manapun<\/strong>.<\/p>\nIni bukan kritik bahwa standar-nya salah. SKKNI memang wajar berpihak ke perancang, karena profesi AI engineer<\/em> dan data scientist<\/em> lebih dulu mapan dan konsensusnya lebih stabil untuk distandarisasi. Tapi implikasinya konkret:<\/p>\nkalau 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<\/strong>.<\/p><\/blockquote>\nKamu butuh pelatihan berbasis studi kasus bisnis, hands-on dengan tools no-code yang beredar, dan komunitas praktisi yang bisa ditanya real-time saat implementasi \u2014 bukan asesmen lisan tentang arsitektur RAG atau evaluasi FID.<\/p>\n <\/span>Cara pilih lane: pertanyaan yang harus jujur ke diri sendiri<\/span><\/h3>\nSebelum ambil sertifikasi apapun atau daftar workshop, tanya empat hal ini ke diri sendiri:<\/p>\n \n- Apa tujuan konkret 6 bulan ke depan?<\/strong> \u2014 \u201cdapat kerja sebagai AI Engineer\/Data Scientist\u201d jauh beda dari \u201cbisnisku running otomatis 50% dari sekarang\u201d.<\/li>\n
- Aku bakal membangun<\/em> sistem AI atau menggunakan<\/em> tools AI yang sudah ada?<\/strong> Building = butuh dasar coding + math + statistik. Applying = butuh sense untuk memilih tool, template prompt, dan integrasi workflow.<\/li>\n
- Bahasa Python dan konsep API adalah teman lama atau baru kenal?<\/strong> Kalau baru kenal dan waktu terbatas \u2014 jalur AI Engineer butuh investasi estimasi 6-12 bulan sebelum keluar hasil. Jalur AI-Enabled Operator bisa keluar hasil dalam 2\u20138 minggu.<\/li>\n
| |