Seluruh Artikel Bermanfaat
  • Home
  • Microsoft office
    • Microsoft Word
    • Microsoft Excel
    • Microsoft Power Point
  • About
  • Contact

Tutorial AI Data Analyst & Generative AI - Level 14

 Willong     Oktober 17, 2026     Microsoft Excel     No comments   

 Tutorial AI Data Analyst & Generative AI

Text-to-SQL, RAG, AI Agent, Natural Language BI, dan Intelligent Data Analysis

Pada Level 13 kita sudah belajar Machine Learning.

Kita sudah bisa:

Data
 ↓
Machine Learning
 ↓
Prediction
 ↓
Forecast
 ↓
Anomaly Detection
 ↓
Recommendation

Sekarang kita menambahkan Generative AI.

Target akhirnya:

USER
 ↓
AI DATA ANALYST
 ↓
DATA WAREHOUSE
 ↓
ANALYSIS
 ↓
INSIGHT
 ↓
RECOMMENDATION

User cukup bertanya menggunakan bahasa biasa.

Contoh:

"Berapa omzet bulan ini?"

atau:

"Produk apa yang penjualannya paling turun?"

atau:

"Mengapa profit bulan ini turun?"

AI kemudian membantu mengambil dan menganalisis data.


1. Apa Itu Generative AI?

Generative AI adalah AI yang dapat menghasilkan output baru berdasarkan input dan konteks.

Output dapat berupa:

Text
SQL
Code
Summary
Analysis
Recommendation

Dalam dunia data, kemampuan ini sangat menarik karena AI dapat menjadi interface bahasa natural untuk data.


2. AI Data Analyst

AI Data Analyst adalah sistem yang membantu pekerjaan analis data.

Contohnya:

User:
"Bandingkan penjualan Januari dan Februari."

AI:

1. Memahami pertanyaan
2. Menentukan data yang diperlukan
3. Membuat query
4. Mengambil data
5. Menghitung perbandingan
6. Menjelaskan hasil

3. Arsitektur AI Data Analyst

Arsitektur sederhana:

             USER
               │
               ↓
         NATURAL LANGUAGE
               │
               ↓
              LLM
               │
        ┌──────┴──────┐
        ↓             ↓
      SQL           TOOLS
        ↓             ↓
 DATA WAREHOUSE    APIs
        │             │
        └──────┬──────┘
               ↓
            RESULT
               ↓
           ANALYSIS
               ↓
        USER-FRIENDLY ANSWER

4. Natural Language Query

User tidak perlu mengetahui SQL.

User:

"Tampilkan 10 produk dengan omzet terbesar tahun ini."

AI dapat menerjemahkan kebutuhan tersebut menjadi query.

Konsep SQL:

SELECT
    product_id,
    SUM(qty * price) AS revenue
FROM sales
WHERE YEAR(tanggal) = 2026
GROUP BY product_id
ORDER BY revenue DESC
LIMIT 10;

AI kemudian membaca hasilnya dan memberikan penjelasan.


5. Text-to-SQL

Proses:

Bahasa Manusia
      ↓
      LLM
      ↓
    SQL
      ↓
Database
      ↓
   Result
      ↓
    LLM
      ↓
Bahasa Manusia

Contoh:

User:
"Berapa total penjualan bulan September?"

AI menghasilkan query.

Kemudian database memberikan:

Rp 1.250.000.000

AI menjawab:

Total penjualan bulan September adalah Rp1,25 miliar.


6. Masalah Text-to-SQL

AI tidak boleh langsung diberikan akses tanpa kontrol.

Risikonya:

SQL salah
Data salah
Tabel salah
Akses berlebihan
Query terlalu berat
Data sensitif terbuka

Karena itu harus ada SQL validation layer.


7. SQL Validation

Arsitektur yang lebih aman:

User
 ↓
LLM
 ↓
Generate SQL
 ↓
SQL Validator
 ↓
Permission Check
 ↓
Database
 ↓
Result

Validator dapat memeriksa:

SELECT saja
Tidak boleh DELETE
Tidak boleh DROP
Tidak boleh UPDATE
Tabel yang boleh diakses
Kolom yang boleh diakses

8. Semantic Layer

AI perlu memahami arti bisnis.

Misalnya perusahaan mempunyai:

revenue
sales
net_sales
gross_sales

AI harus tahu mana yang dimaksud dengan:

"Omzet"

Karena itu dibutuhkan semantic layer.

Contoh definisi:

Revenue =
SUM(qty × selling_price)
- discount
- return

Dengan definisi tersebut AI menggunakan perhitungan yang konsisten.


9. AI Tanpa Semantic Layer

User:

"Berapa omzet?"

AI bisa saja memilih:

SUM(price)

Padahal definisi perusahaan:

SUM(qty × price - discount - return)

Hasilnya berbeda.

Karena itu:

AI + Semantic Model > AI + Raw Database


10. RAG

Sekarang kita masuk ke konsep penting:

Retrieval-Augmented Generation (RAG).

RAG memungkinkan AI mengambil informasi dari sumber eksternal sebelum menghasilkan jawaban.

Konsep:

USER
 ↓
QUESTION
 ↓
RETRIEVAL
 ↓
RELEVANT INFORMATION
 ↓
LLM
 ↓
ANSWER

11. Mengapa RAG Diperlukan?

Model AI memiliki pengetahuan umum.

Tetapi perusahaan memiliki informasi internal:

SOP
Dokumen
Harga
Kebijakan
Manual
Laporan
Database
Knowledge Base

AI perlu mengambil informasi tersebut saat menjawab.


12. Contoh RAG Bisnis

User:

"Apa prosedur retur barang elektronik?"

Sistem:

Question
 ↓
Search Knowledge Base
 ↓
Temukan SOP Retur
 ↓
Ambil bagian relevan
 ↓
LLM
 ↓
Jawaban

AI tidak perlu mengarang prosedur.


13. RAG dan Database Berbeda

RAG cocok untuk:

Dokumen
PDF
SOP
Manual
FAQ
Text
Knowledge Base

Database cocok untuk:

Transaksi
Penjualan
Customer
Produk
Inventory
Finance

Sistem modern dapat menggunakan keduanya.


14. Hybrid AI Analyst

Contoh:

User:

"Kenapa penjualan produk A turun dan apa kebijakan perusahaan untuk meningkatkan penjualannya?"

AI membutuhkan:

Database
+
Knowledge Base

Arsitektur:

                    USER
                      ↓
                     AI
                ┌─────┴─────┐
                ↓           ↓
          DATA QUERY       RAG
                ↓           ↓
          DATABASE       DOCUMENTS
                ↓           ↓
                └─────┬─────┘
                      ↓
                    LLM
                      ↓
                   ANSWER

15. Embedding

Dalam RAG, dokumen biasanya diubah menjadi representasi numerik yang disebut embedding.

Konsep:

Dokumen
   ↓
Embedding Model
   ↓
Vector

Contoh:

"Prosedur retur barang"
        ↓
[0.21, 0.83, 0.17, ...]

Bukan untuk dibaca manusia, tetapi digunakan untuk mencari kemiripan semantik.


16. Vector Database

Embedding biasanya disimpan dalam vector database atau sistem penyimpanan yang mendukung vector search.

Konsep:

DOCUMENT
   ↓
CHUNK
   ↓
EMBEDDING
   ↓
VECTOR STORE

Saat user bertanya:

Question
 ↓
Embedding
 ↓
Similarity Search
 ↓
Relevant Chunks

17. Chunking

Dokumen panjang jangan selalu dimasukkan sebagai satu blok.

Misalnya:

SOP.pdf

dipecah menjadi:

Chunk 1
Chunk 2
Chunk 3
Chunk 4
...

Kemudian setiap chunk dibuat embedding.

Tujuannya agar pencarian lebih tepat.


18. RAG Pipeline

Pipeline lengkap:

Documents
    ↓
Extract Text
    ↓
Clean
    ↓
Chunk
    ↓
Embedding
    ↓
Vector Store

Saat pertanyaan:

User Question
      ↓
Embedding
      ↓
Search
      ↓
Relevant Documents
      ↓
LLM
      ↓
Answer

19. AI Agent

Sekarang kita naik satu tingkat.

AI Analyst biasa:

Question
 ↓
Analysis
 ↓
Answer

AI Agent:

Goal
 ↓
Reasoning
 ↓
Tool
 ↓
Observe Result
 ↓
Reasoning
 ↓
Another Tool
 ↓
Final Result

Agent dapat menjalankan beberapa langkah.


20. Contoh AI Agent

User:

"Cari penyebab penjualan minggu ini turun dan buatkan laporan."

Agent dapat melakukan:

1. Query sales database
2. Bandingkan minggu sebelumnya
3. Analisis kategori
4. Analisis wilayah
5. Analisis salesperson
6. Cari anomaly
7. Buat ringkasan
8. Buat laporan

User hanya memberikan satu instruksi.


21. Tools

Agent membutuhkan tools.

Contoh:

SQL Tool
Search Tool
Python Tool
Calculator
Power BI Tool
Email Tool
CRM Tool
API Tool

Konsep:

                AI AGENT
                    │
       ┌────────────┼────────────┐
       ↓            ↓            ↓
     SQL          Python       Search
       │            │            │
       ↓            ↓            ↓
   Database       Analysis     Docs

22. Tool Calling

LLM tidak harus melakukan semuanya sendiri.

AI dapat memutuskan:

"Saya membutuhkan data penjualan."

Kemudian memanggil SQL tool.

LLM
 ↓
Tool Call
 ↓
SQL
 ↓
Database
 ↓
Result
 ↓
LLM

Ini adalah konsep penting dalam AI Agent.


23. AI Agent Bukan Sekadar Chatbot

Chatbot:

User
 ↓
AI
 ↓
Text

Agent:

User
 ↓
AI
 ↓
Planning
 ↓
Tools
 ↓
Data
 ↓
Actions
 ↓
Result

Agent dapat menjadi sistem yang melakukan pekerjaan.


24. Natural Language BI

Bayangkan dashboard Power BI tradisional.

User harus:

Klik filter
Pilih tanggal
Pilih produk
Pilih wilayah
Pilih chart

Natural Language BI memungkinkan:

"Tampilkan penjualan Jawa Tengah untuk produk elektronik selama tiga bulan terakhir."

AI menerjemahkan kebutuhan tersebut menjadi filter/query.


25. Conversational Dashboard

Contoh percakapan:

User:

Penjualan bulan ini berapa?

AI:

Rp1,8 miliar.

User:

Bandingkan dengan bulan lalu.

AI:

Turun 7,4%.

User:

Penyebab utamanya?

AI:

Penurunan terbesar berasal dari kategori elektronik di Jawa Tengah.

User:

Produk mana yang paling berpengaruh?

AI:

Produk X menyumbang 38% dari penurunan kategori tersebut.

Inilah konsep Conversational BI.


26. AI Root Cause Analysis

AI dapat melakukan analisis bertingkat.

Misalnya:

Sales turun
   ↓
Kategori mana?
   ↓
Wilayah mana?
   ↓
Produk mana?
   ↓
Customer mana?
   ↓
Faktor apa?

Secara otomatis.

Contoh:

Sales
-12%

      ↓

Electronics
-24%

      ↓

Jawa Tengah
-31%

      ↓

Product A
-42%

      ↓

Stockout

Kesimpulan:

Penurunan penjualan terutama disebabkan oleh stockout Produk A di Jawa Tengah.


27. AI Anomaly Explanation

Machine Learning dapat mendeteksi:

Anomaly:
Rp 75.000.000

AI kemudian menjelaskan:

Transaksi ini tidak biasa karena:

- nilai transaksi 12× rata-rata customer
- terjadi di luar jam transaksi normal
- menggunakan metode pembayaran berbeda

Jadi:

ML
 ↓
Detect
 ↓
AI
 ↓
Explain

28. AI Forecast Explanation

Model forecasting:

Forecast:
Rp 1,4 M

AI dapat menjelaskan:

Forecast meningkat karena tren penjualan empat minggu terakhir positif dan terdapat pola musiman pada periode yang sama tahun sebelumnya.

Ini membuat hasil ML lebih mudah dipahami pengguna bisnis.


29. AI + Excel

AI juga dapat membantu pengguna Excel.

Contoh:

"Buat formula untuk mengambil harga produk berdasarkan kode."

AI dapat menghasilkan:

=XLOOKUP(A2,Product[Code],Product[Price],"Tidak ditemukan")

Atau:

"Mengapa formula saya menghasilkan #N/A?"

AI dapat membantu menganalisis penyebabnya.


30. AI + Power Query

AI dapat membantu membuat transformasi.

Contoh kebutuhan:

Gabungkan semua file CSV dari folder dan ambil kolom tanggal, produk, qty, dan harga.

AI dapat membantu menghasilkan logika Power Query/M.

Konsep:

Folder
 ↓
Power Query
 ↓
Combine Files
 ↓
Clean
 ↓
Transform
 ↓
Output

31. AI + SQL

User:

"Buat query penjualan per bulan."

AI:

SELECT
    YEAR(tanggal) AS tahun,
    MONTH(tanggal) AS bulan,
    SUM(qty * harga) AS omzet
FROM sales
GROUP BY
    YEAR(tanggal),
    MONTH(tanggal);

Tetapi tetap harus divalidasi.

AI dapat membantu menulis SQL, tetapi data governance dan security tetap wajib.


32. AI + Python

AI dapat membantu membuat:

Python Script
Data Cleaning
Data Analysis
Machine Learning
API Integration
Automation

Contoh permintaan:

"Buat Python untuk mencari transaksi yang lebih dari 3 standard deviation."

AI dapat membantu menghasilkan algoritmanya.


33. AI + DAX

Contoh kebutuhan:

"Buat measure pertumbuhan penjualan dibanding tahun sebelumnya."

AI dapat membantu menghasilkan konsep DAX:

Sales LY =
CALCULATE(
    [Total Sales],
    SAMEPERIODLASTYEAR('Date'[Date])
)

Kemudian:

YoY Growth =
DIVIDE(
    [Total Sales] - [Sales LY],
    [Sales LY]
)

34. AI Governance

AI yang terhubung dengan data perusahaan harus memiliki aturan.

Minimal:

Authentication
Authorization
Data Classification
Audit Log
Access Control
Prompt Security
Output Validation

35. Jangan Berikan Semua Data ke AI

Misalnya database memiliki:

Customer Name
Address
Phone
Email
Transaction
Salary

AI mungkin hanya membutuhkan:

Product
Sales
Date
Region

Gunakan prinsip:

Least Privilege

AI hanya mendapatkan data yang benar-benar diperlukan.


36. Prompt Injection

Sistem RAG/Agent juga memiliki risiko manipulasi instruksi.

Contoh dokumen berisi instruksi yang sebenarnya bukan bagian dari tugas.

Karena itu sistem harus memisahkan:

SYSTEM INSTRUCTION
USER INPUT
RETRIEVED CONTENT
TOOL OUTPUT

dan tidak memperlakukan semua teks sebagai instruksi terpercaya.


37. Hallucination

AI dapat menghasilkan informasi yang terdengar meyakinkan tetapi tidak benar.

Untuk data bisnis, hal ini berbahaya.

Solusi:

AI
 ↓
Database
 ↓
Actual Data
 ↓
Answer

Jangan meminta AI menebak angka jika angka dapat diperoleh dari database.


38. Grounded Answer

Jawaban sebaiknya berdasarkan sumber.

Contoh:

Penjualan bulan ini:
Rp1.250.000.000

Sumber:
Sales Warehouse
periode:
1–30 September 2026

AI menjadi grounded pada data aktual.


39. AI Evaluation

Sistem AI harus diuji.

Contoh:

Question
Expected Answer
Actual Answer

Kita dapat mengukur:

Accuracy
Relevance
Groundedness
Latency
Cost
Safety

40. AI Cost

Penggunaan AI juga memiliki biaya.

Harus diperhatikan:

Jumlah request
Panjang prompt
Ukuran context
Model
Tool calls
Embedding
Storage

Optimasi dapat dilakukan dengan:

Caching
Smaller Context
Prompt Optimization
Model Routing
Retrieval Optimization

41. Model Routing

Tidak semua pertanyaan membutuhkan model paling besar.

Contoh:

Pertanyaan sederhana
        ↓
Model kecil

Analisis kompleks
        ↓
Model lebih kuat

Konsep:

Question
   ↓
Router
   ├── Simple → Model A
   ├── SQL    → Model B
   └── Complex → Model C

Ini dapat membantu efisiensi.


42. AI Data Platform

Sekarang kita gabungkan semuanya.

                     USER
                       ↓
                AI INTERFACE
                       ↓
                 AI ORCHESTRATOR
                       ↓
          ┌────────────┼────────────┐
          ↓            ↓            ↓
        SQL           RAG          TOOLS
          ↓            ↓            ↓
     Warehouse      Documents      APIs
          │            │            │
          └────────────┼────────────┘
                       ↓
                      LLM
                       ↓
                  ANALYSIS
                       ↓
                RECOMMENDATION
                       ↓
                     USER

43. Enterprise AI Analyst

Dalam perusahaan besar:

ERP
CRM
POS
Marketplace
Warehouse
Documents
Emails

dapat menjadi sumber.

Kemudian:

DATA PLATFORM
       ↓
SEMANTIC LAYER
       ↓
AI LAYER
       ↓
USER

44. Contoh Pertanyaan Bisnis

User:

"Produk mana yang kemungkinan stockout dalam 14 hari?"

AI:

1. Ambil inventory
2. Ambil sales history
3. Ambil forecast
4. Hitung projected stock
5. Identifikasi risiko
6. Buat daftar

Output:

Produk A
Stockout risk: HIGH

Produk B
Stockout risk: MEDIUM

Produk C
Stockout risk: LOW

45. AI Recommendation Engine

Kita dapat membuat:

Prediction
    ↓
Business Rule
    ↓
Recommendation

Contoh:

Predicted Demand
        ↓
Stock Level
        ↓
Risk
        ↓
Recommendation

Hasil:

Tambahkan 500 unit Produk A sebelum tanggal 12 Oktober.


46. Human in the Loop

AI tidak selalu boleh mengambil keputusan sendiri.

Untuk keputusan penting:

AI Recommendation
       ↓
Human Review
       ↓
Approve / Reject
       ↓
Action

Contoh:

AI:
"Restock 5.000 unit."

Manager:
[Approve]

Ini lebih aman untuk proses bisnis kritis.


47. AI Agent Enterprise

Arsitektur:

                    USER
                      ↓
                  AI AGENT
                      ↓
                PLANNING
                      ↓
        ┌─────────────┼─────────────┐
        ↓             ↓             ↓
       SQL           RAG           API
        ↓             ↓             ↓
    DATABASE       DOCUMENTS      SYSTEM
        │             │             │
        └─────────────┼─────────────┘
                      ↓
                   ANALYSIS
                      ↓
                HUMAN REVIEW
                      ↓
                    ACTION

48. Project Level 14

AI Business Analyst

Kita akan membuat sistem yang mampu:

1. Menjawab pertanyaan bisnis
2. Membuat SQL
3. Membaca database
4. Membaca dokumen
5. Menganalisis KPI
6. Mencari root cause
7. Menjelaskan anomaly
8. Membaca forecast
9. Membuat recommendation
10. Membuat laporan

49. Contoh Penggunaan

User:

"Bagaimana kondisi bisnis minggu ini?"

AI:

SALES
Rp 520 juta
↓ 4,2%

PROFIT
Rp 108 juta
↓ 2,1%

CUSTOMER
12.540
↑ 3,4%

ANOMALY
5 transaksi

FORECAST
Akhir bulan diperkirakan
Rp 2,1 miliar

Kemudian AI melanjutkan:

Penurunan terutama berasal dari kategori elektronik. Wilayah Jawa Tengah mengalami penurunan paling besar, sedangkan kategori fashion masih tumbuh positif.


50. Level Berikutnya

Setelah Level 14, kita masuk ke level tertinggi dalam roadmap ini:

LEVEL 15

Enterprise AI & Data Architect

Materinya akan menggabungkan seluruh kemampuan:

Excel
Power Query
SQL
Python
Data Engineering
Cloud
Data Warehouse
Power BI
DAX
Machine Learning
Generative AI
RAG
AI Agent
Data Governance
Security
Enterprise Architecture

Target akhirnya:

BUSINESS
    ↓
DATA
    ↓
DATA PLATFORM
    ↓
ANALYTICS
    ↓
MACHINE LEARNING
    ↓
GENERATIVE AI
    ↓
AI AGENT
    ↓
AUTOMATED DECISION SUPPORT

51. Roadmap Lengkap

LEVEL 1
Excel Beginner
        ↓
LEVEL 2
Excel Intermediate
        ↓
LEVEL 3
Excel Advanced
        ↓
LEVEL 4
Excel Expert
        ↓
LEVEL 5
Excel Automation
        ↓
LEVEL 6
Data Analytics
        ↓
LEVEL 7
Power BI
        ↓
LEVEL 8
Advanced DAX
        ↓
LEVEL 9
Excel + AI
        ↓
LEVEL 10
BI Solution Architect
        ↓
LEVEL 11
Data Engineering
        ↓
LEVEL 12
Advanced Data Engineering
        ↓
LEVEL 13
Machine Learning
        ↓
LEVEL 14
AI Data Analyst
        ↓
LEVEL 15
Enterprise AI & Data Architect

Kesimpulan

Level 14 mengubah cara kita berinteraksi dengan data.

Sebelumnya:

Manusia harus memahami Excel, SQL, Power BI, Python, dan sistem data.

Sekarang:

Manusia dapat menggunakan bahasa alami untuk meminta sistem menganalisis data.

Tetapi fondasinya tetap sama:

AI tidak menggantikan data yang berkualitas.

Arsitektur yang kuat tetap membutuhkan:

Data Engineering + Data Warehouse + Semantic Layer + Security + AI.

Pada Level 15, seluruh materi dari Level 1 sampai Level 14 akan kita satukan menjadi sebuah Enterprise AI & Data Platform lengkap, mulai dari sumber data sampai AI Agent dan otomatisasi keputusan bisnis.

  • Share This:  
  •  Facebook
  •  Twitter
  •  Google+
  •  Stumble
  •  Digg
Kirimkan Ini lewat EmailBlogThis!Bagikan ke XBerbagi ke Facebook
Posting Lebih Baru Posting Lama Beranda

0 Comments:

Posting Komentar

Label

  • Microsoft Excel (35)
  • Microsoft Power Point (27)
  • MICROSOFT WORD (47)

Popular Posts

  • Tutorial Microsoft Excel untuk Pemula
    Tutorial Microsoft Excel untuk Pemula: Panduan Lengkap dari Nol Microsoft Excel adalah salah satu aplikasi yang banyak digunakan untuk mengo...
  • Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis
      Tutorial Microsoft Excel Tingkat Lanjutan: Panduan Lengkap dan Praktis Setelah menguasai Excel tingkat pemula dan menengah, tahap berikutn...
  • Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional
     Tutorial Microsoft Excel Tingkat Selanjutnya: Excel Expert dan Professional Setelah menguasai Excel tingkat lanjutan, kini saatnya masuk ke...
  • TUTORIAL MICROSOFT WORD - LEVEL 1
      TUTORIAL MICROSOFT WORD MENGENAL MICROSOFT WORD UNTUK PEMULA Tujuan Pembelajaran Setelah menyelesaikan Level 1, pembaca diharapkan mampu: ...
  • Tutorial Cara Membuat Surat Undangan Profesional di Microsoft Word - Level 17
      T utorial Cara Membuat Surat Undangan Profesional di Microsoft Word Tujuan Pembelajaran Setelah mengikuti tutorial ini, pembaca diharapkan...
  • Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional - Level 19
     Tutorial Cara Membuat Laporan Kegiatan yang Rapi dan Profesional Tujuan Pembelajaran Setelah menyelesaikan tutorial ini, pembaca diharapkan...
  • Tutorial Enterprise AI & Data Architect - Level 15
    Enterprise AI & Data Architect Membangun Platform Data, BI, Machine Learning, dan AI Terintegrasi Level 15 adalah tahap ketika kita berh...
  • DEEP LEARNING & NEURAL NETWORKS - LEVEL 19
       DEEP LEARNING & NEURAL NETWORKS Dari Neural Network Dasar sampai Transformer Deep Learning adalah cabang Machine Learning yang menggu...
  • TUTORIAL MICROSOFT WORD - LEVEL 12
     TUTORIAL MICROSOFT WORD  MEMBUAT FOOTNOTE DAN ENDNOTE DI MICROSOFT WORD Tujuan Pembelajaran Setelah menyelesaikan Level 12, pembaca diharap...
  • Tutorial Machine Learning & Advanced Analytics - Level 13
      Tutorial Machine Learning & Advanced Analytics Dari Data Engineering Menuju Prediksi dan Sistem Cerdas Pada Level 12 kita sudah memban...

Pages

  • Beranda
  • Tentang Saya

Blog Archive

  • November 2026 (51)
  • Oktober 2026 (58)

Laporkan Penyalahgunaan

Seluruh Artikel Bermanfaat

Willong
Indonesia
Lihat profil lengkapku

Popular Posts

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

Cara Membuat Presentasi Interaktif Menggunakan Action Button - Level 23

November 16, 2026
Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word -  Level 42

Cara Menambahkan Hyperlink dan Bookmark di Microsoft Word - Level 42

November 16, 2026
Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

Cara Membuat Dokumen dengan Banyak Section di Microsoft Word - Level 44

November 18, 2026

Copyright © Seluruh Artikel Bermanfaat | Powered by Blogger