Sertifikasi AI BNSP bukan ujian hafalan teori machine learning. Ini yang sering disalahpahami calon peserta mereka belajar mati-matian soal matematika di balik neural network, tapi lupa bahwa asesor BNSP menguji sesuatu yang berbeda: apakah kamu bisa menerapkan AI untuk menyelesaikan masalah nyata dan menjelaskan prosesnya secara terstruktur.
Artikel ini memberikan contoh soal dan pertanyaan asesmen per unit kompetensi SKKNI, format ujian yang sebenarnya, dan apa yang benar-benar membedakan peserta yang dinyatakan kompeten dari yang belum kompeten.
Format Uji Kompetensi BNSP AI Engineer: Berbeda dari Ujian Akademik
Sebelum masuk ke contoh soal, pahami dulu strukturnya agar tidak salah persiapan.
Uji kompetensi BNSP AI Engineer terdiri dari tiga komponen utama:
Komponen 1 — Asesmen mandiri (APL-01 & APL-02) Diisi sebelum hari asesmen. APL-01 adalah formulir pendaftaran. APL-02 adalah self-assessment: kamu menilai sendiri apakah kompeten di tiap unit, dan harus menyertakan bukti nyata. Asesor akan memverifikasi setiap klaim ini saat wawancara.
Komponen 2 — Demonstrasi project / portofolio review Kamu diminta menunjukkan project AI yang pernah dibuat — bisa berupa model machine learning, chatbot, pipeline data, atau implementasi AI tools. Untuk yang belum punya project nyata dari pekerjaan, project mandiri atau tugas kuliah yang relevan tetap diterima — yang penting bisa dijelaskan prosesnya.
Komponen 3 — Wawancara kompetensi dengan asesor Ini komponen paling menentukan. Asesor mengajukan pertanyaan langsung tentang unit kompetensi, meminta penjelasan teknis, dan menggali pemahaman konseptual. Bukan ujian lisan seperti sidang skripsi — lebih ke diskusi profesional.
Unit Kompetensi SKKNI yang Diujikan
Skema AI Engineer BNSP mengacu pada SKKNI bidang kecerdasan buatan. Unit kompetensi utama yang hampir selalu diujikan:
- Mengidentifikasi kebutuhan bisnis yang dapat diselesaikan dengan AI
- Menyiapkan dan memproses data untuk pelatihan model
- Memilih dan mengimplementasikan algoritma machine learning yang sesuai
- Melatih dan mengevaluasi model AI
- Melakukan deployment model AI ke lingkungan produksi
- Memantau dan memelihara performa model AI
- Menerapkan etika dan prinsip AI yang bertanggung jawab
- Mendokumentasikan dan mengomunikasikan solusi AI kepada stakeholder non-teknis
Informasi Detail Bisa Hubungi Admin!
Contoh Soal dan Pertanyaan Asesmen per Unit Kompetensi
Unit 1 — Identifikasi Kebutuhan Bisnis untuk AI
Contoh soal pilihan ganda:
Sebuah e-commerce mengalami tingkat cart abandonment (keranjang ditinggalkan) sebesar 70%. Manajemen meminta tim AI untuk mengatasi masalah ini. Pendekatan AI mana yang paling tepat sebagai langkah pertama?
A. Langsung membangun model deep learning untuk prediksi perilaku pengguna
B. Melakukan analisis data historis untuk memahami pola cart abandonment sebelum menentukan solusi AI
C. Mengimplementasikan recommendation engine untuk meningkatkan upsell
D. Membeli lisensi AI platform pihak ketiga untuk otomasi email marketing
Jawaban: B — Asesor menguji apakah kamu memahami bahwa identifikasi akar masalah berbasis data harus mendahului pemilihan solusi AI. Langsung membangun model tanpa analisis data adalah kesalahan klasik yang mahal.
Dari keempat kasus berikut, mana yang PALING TIDAK tepat diselesaikan dengan machine learning?
A. Memprediksi kemungkinan churn pelanggan berdasarkan pola penggunaan
B. Mengklasifikasikan sentimen ulasan produk secara otomatis
C. Menghitung total tagihan bulanan berdasarkan tarif tetap per unit
D. Mendeteksi anomali transaksi yang berpotensi fraud
Jawaban: C — Perhitungan deterministik dengan aturan tetap tidak membutuhkan ML. Asesor menilai apakah kamu tahu kapan AI relevan dan kapan justru overkill.
Pertanyaan wawancara asesor untuk unit ini:
- “Ceritakan satu kasus nyata di mana kamu mengidentifikasi masalah bisnis yang bisa diselesaikan AI. Bagaimana prosesnya dari awal?”
- “Bagaimana kamu menjelaskan potensi dan keterbatasan AI kepada stakeholder non-teknis yang skeptis?”
- “Kapan kamu akan menyarankan untuk TIDAK menggunakan AI sebagai solusi?”
Unit 2 — Persiapan dan Pemrosesan Data
Ini unit yang paling banyak menghabiskan waktu di dunia nyata — asesor tahu ini dan akan menggali dalam.
Contoh soal:
Dataset untuk melatih model prediksi kredit memiliki 15% missing values pada kolom pendapatan. Strategi penanganan mana yang paling tepat?
A. Hapus semua baris yang memiliki missing values
B. Isi dengan mean pendapatan seluruh dataset
C. Analisis pola missing values (MCAR/MAR/MNAR) dulu sebelum memilih strategi imputasi
D. Isi dengan nilai 0 agar model tetap bisa berjalan
Jawaban: C — Missing values bisa bersifat acak atau sistematis. Mengisi dengan mean tanpa analisis bisa bias model, terutama untuk kasus kredit yang sensitif.
Apa yang dimaksud dengan data leakage dalam konteks machine learning, dan mengapa berbahaya?
Jawaban yang diharapkan: Data leakage terjadi ketika informasi dari data test atau data masa depan masuk ke proses training. Hasilnya model terlihat performanya bagus di evaluasi, tapi gagal di produksi. Contoh klasik: menggunakan feature yang nilainya baru diketahui setelah event yang diprediksi terjadi.
Pertanyaan wawancara:
- “Jelaskan pipeline preprocessing data yang kamu terapkan pada project AI-mu.”
- “Bagaimana kamu menangani imbalanced dataset? Tunjukkan di project mana kamu pernah menghadapinya.”
- “Apa perbedaan train-test split biasa dengan cross-validation? Kapan kamu pakai masing-masing?”
- “Pernah menemukan data yang ternyata tidak bisa dipakai setelah eksplorasi? Apa yang kamu lakukan?”
Unit 3 — Pemilihan dan Implementasi Algoritma
Contoh soal studi kasus:
Kamu diminta membangun sistem untuk memprediksi apakah seorang karyawan akan resign dalam 6 bulan ke depan, berdasarkan data HR (usia, lama kerja, gaji, performa, dll). Dataset berisi 5.000 record dengan 12% positive class (resign). Algoritma mana yang akan kamu coba pertama dan mengapa?
Jawaban yang baik mencakup:
- Menyebut ini masalah binary classification dengan imbalanced class
- Mempertimbangkan interpretabilitas (HR butuh alasan mengapa seseorang diprediksi resign)
- Kandidat awal: Logistic Regression (baseline + interpretable) atau Random Forest (robust + feature importance)
- Menyebut bahwa deep learning tidak perlu untuk dataset sekecil ini
- Menangani imbalance dengan SMOTE atau class_weight adjustment
Pertanyaan wawancara:
- “Kapan kamu memilih Random Forest daripada Neural Network? Jelaskan trade-off-nya.”
- “Apa itu overfitting dan bagaimana kamu mendeteksi serta mengatasinya di project-mu?”
- “Jelaskan perbedaan supervised, unsupervised, dan reinforcement learning dengan contoh use case nyata.”
- “Tools atau library apa yang kamu gunakan? Tunjukkan bagian kode project-mu yang relevan.”
Unit 4 — Pelatihan dan Evaluasi Model
Ini yang paling sering jadi bahan pertanyaan teknis mendalam.
Contoh soal:
Model klasifikasi untuk deteksi fraud memiliki akurasi 98%, namun tim bisnis tidak puas karena banyak fraud yang lolos. Apa kemungkinan masalahnya dan metrik apa yang lebih relevan?
Jawaban: Dataset imbalanced — 98% transaksi normal, 2% fraud. Model yang memprediksi “semua normal” pun bisa dapat akurasi 98%. Metrik yang relevan: Recall (seberapa banyak fraud yang berhasil terdeteksi), F1-Score, atau Area Under ROC Curve (AUC-ROC). Untuk kasus fraud, Recall lebih diprioritaskan daripada Precision karena biaya false negative (fraud lolos) jauh lebih besar dari false positive.
Apa yang dimaksud dengan hyperparameter tuning, dan sebutkan dua metode yang umum digunakan?
Jawaban yang diharapkan: Hyperparameter adalah parameter yang ditentukan sebelum training (learning rate, depth pohon, jumlah neuron), berbeda dari parameter model yang dipelajari dari data. Metode umum: Grid Search (coba semua kombinasi, mahal secara komputasi) dan Random Search (sampling acak kombinasi, lebih efisien untuk ruang parameter besar). Asesor yang lebih advanced mungkin tanya tentang Bayesian Optimization.
Pertanyaan wawancara:
- “Jelaskan confusion matrix dari model-mu. Berapa precision dan recall-nya, dan apakah itu sesuai kebutuhan bisnis?”
- “Bagaimana kamu menentukan bahwa model sudah cukup baik untuk di-deploy?”
- “Pernah model-mu perform bagus di training tapi buruk di data baru? Apa yang kamu lakukan?”
Unit 5 — Deployment Model AI
Unit ini sering diremehkan peserta yang fokus di training tapi tidak pernah deploy.
Contoh soal:
Setelah model selesai dilatih dengan akurasi memuaskan, langkah selanjutnya sebelum deployment ke produksi adalah…
A. Langsung integrasikan model ke aplikasi
B. Lakukan testing di lingkungan staging dengan data produksi yang disimulasikan
C. Buat ulang model dengan semua data yang tersedia termasuk test set
D. Minta approval dari tim bisnis berdasarkan demo model
Jawaban: B — Testing di lingkungan staging adalah praktik standar untuk memastikan model berfungsi di infrastruktur nyata sebelum terkena traffic produksi.
Pertanyaan wawancara:
- “Bagaimana kamu mengemas model agar bisa digunakan oleh tim engineering lain? Pernah pakai API atau containerization?”
- “Apa yang kamu lakukan jika model yang sudah di-deploy tiba-tiba performanya turun?”
- “Jelaskan perbedaan batch prediction dan real-time inference. Kapan kamu pakai masing-masing?”
Unit 6 — Monitoring dan Pemeliharaan Model
Contoh soal:
Sebuah model prediksi harga properti yang dilatih dengan data 2023 mulai memberikan prediksi yang tidak akurat di 2026. Fenomena ini disebut apa dan bagaimana mengatasinya?
Jawaban: Model drift atau concept drift — distribusi data produksi bergeser dari data training karena kondisi pasar berubah. Solusi: monitoring distribusi data secara rutin, menetapkan threshold performance yang memicu retraining otomatis, dan menjadwalkan periodic retraining dengan data terbaru.
Unit 7 — Etika dan AI yang Bertanggung Jawab
Unit ini sering diremehkan tapi semakin banyak diujikan seiring regulasi AI global menguat.
Pertanyaan wawancara:
- “Bagaimana kamu memastikan model yang kamu bangun tidak mengandung bias terhadap kelompok tertentu?”
- “Jika diminta membangun sistem pengenalan wajah untuk pemantauan karyawan, pertimbangan etika apa yang kamu angkat?”
- “Apa yang dimaksud dengan explainable AI (XAI) dan kapan itu penting?”
- “Bagaimana kamu menjaga privasi data pengguna dalam pipeline ML?”
Unit 8 — Dokumentasi dan Komunikasi
Ini yang sering membedakan AI engineer junior dari yang senior kemampuan menjelaskan ke non-teknis.
Contoh soal studi kasus:
Direksi perusahaan meminta penjelasan mengapa model AI merekomendasikan penolakan pinjaman untuk calon nasabah tertentu. Bagaimana kamu menyampaikannya?
Jawaban yang baik: Gunakan teknik explainability seperti SHAP values atau LIME untuk mengidentifikasi feature yang paling mempengaruhi keputusan. Sampaikan dalam bahasa bisnis bukan “coefficient feature X adalah -0.73” tapi “sistem menilai risiko lebih tinggi karena rasio utang terhadap pendapatan melebihi threshold yang aman berdasarkan pola historis.”
Yang Benar-Benar Membedakan Peserta Kompeten dan Belum Kompeten
Setelah melihat semua contoh di atas, ada pola yang konsisten dari pengalaman asesmen BNSP:
Peserta yang dinyatakan kompeten:
- Bisa menjelaskan keputusan teknis mereka mengapa memilih algoritma A bukan B, mengapa preprocessing ini bukan itu
- Project-nya mungkin sederhana, tapi bisa menjelaskan setiap langkah dengan runtut
- Jujur tentang keterbatasan model mereka dan apa yang akan mereka perbaiki
- Bisa mengaitkan solusi teknis dengan nilai bisnis yang dihasilkan
Peserta yang belum kompeten:
- Bisa menjalankan kode dari tutorial tapi tidak bisa menjelaskan mengapa
- Klaim di APL-02 tidak konsisten dengan penjelasan saat wawancara
- Tidak tahu apa yang dilakukan model mereka ketika hasilnya tidak seperti yang diharapkan
- Tidak bisa menjawab “apa yang akan kamu lakukan jika…” pertanyaan skenario
Portofolio AI Minimal yang Harus Disiapkan
Tidak harus punya project di perusahaan besar. Yang penting bisa didemonstrasikan dan dijelaskan. Contoh project yang sudah cukup untuk level associate/junior:
Project 1 — Klasifikasi teks atau sentimen Analisis sentimen ulasan produk, klasifikasi spam email, atau kategorisasi tiket customer service. Gunakan dataset publik dari Kaggle atau Hugging Face. Library: scikit-learn atau transformers.
Project 2 — Prediksi dengan data tabular Prediksi harga rumah, prediksi churn pelanggan, atau prediksi penyakit berdasarkan data medis publik. Dokumentasikan seluruh pipeline dari EDA hingga evaluasi.
Project 3 — Implementasi AI generatif sederhana Chatbot menggunakan OpenAI API atau Gemini API, image captioning, atau text summarization. Ini menunjukkan kemampuan mengintegrasikan AI tools ke dalam solusi nyata — relevan untuk skema AI generatif.
Format dokumentasi yang direkomendasikan: Jupyter Notebook yang bersih dengan penjelasan di setiap langkah, atau README yang lengkap di GitHub. Asesor ingin melihat proses berpikir, bukan hanya hasil akhir.
Pertanyaan yang Sering Ditanyakan
Apakah harus bisa coding Python untuk lulus sertifikasi AI BNSP? Untuk skema AI Engineer, ya — Python adalah standar industri dan asesor akan mengharapkan kamu familiar minimal dengan scikit-learn, pandas, dan numpy. Untuk skema integrative AI (seperti yang ditawarkan Ditekindo), fokusnya lebih ke implementasi AI tools dan aplikasi bisnis, sehingga coding intensif tidak selalu menjadi syarat utama.
Berapa passing grade uji kompetensi AI BNSP? BNSP tidak menggunakan nilai numerik. Keputusan asesor adalah kompeten atau belum kompeten berdasarkan penilaian holistik dari semua komponen asesmen.
Apakah bisa ikut tanpa background IT? Untuk skema integrative AI, bisa. Ditekindo menyediakan skema yang dirancang untuk profesional non-IT yang ingin mengimplementasikan AI dalam konteks pekerjaan mereka misalnya marketer yang ingin pakai AI untuk analisis campaign, atau manajer yang ingin otomasi proses dengan AI tools. Baca lebih lanjut: Sertifikasi AI BNSP untuk Non-IT
Berapa lama persiapan yang dibutuhkan? Untuk yang sudah punya pengalaman atau project AI: 2–4 minggu untuk merapikan portofolio dan memahami format asesmen. Untuk pemula total: 2–3 bulan untuk membangun kompetensi dasar plus persiapan asesmen. LSP Ditekindo menyediakan pembekalan intensif sebelum asesmen.
Kalau dinyatakan belum kompeten, apa yang terjadi? Peserta bisa mengikuti asesmen ulang setelah memenuhi kekurangan yang diidentifikasi asesor. Tim Ditekindo memberikan feedback spesifik dan panduan persiapan ulang bukan sekadar “tidak lulus, coba lagi.”
Siap Daftar Sertifikasi AI BNSP?
LSP Ditekindo membuka batch sertifikasi AI Engineer setiap bulan, proses 100% online. Konsultasi gratis untuk menentukan skema yang paling sesuai AI Engineer teknis atau integrative AI sebelum mendaftar.
