Modul 1 — Fundamental Predictive AI

Membahas konsep dasar dan penerapan Predictive AI dalam konteks bisnis dan teknologi, termasuk manfaat, risiko, kategori masalah, pendekatan pembelajaran (supervised, unsupervised, reinforcement learning), proses training model, serta fungsi utama AI seperti computer vision, NLP, speech recognition, dan pattern recognition.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi AI Prediktif
• Manfaat AI Prediktif
• Risiko dan Tantangan Penggunaan AI Prediktif
• Kategori Masalah Bisnis yang Ditangani AI
• Jenis-jenis AI Prediktif
• Pendekatan Pembelajaran AI Prediktif
• Proses Training Model dan Training Loop
• Supervised, Unsupervised, dan Continuous Learning
• Semi-Supervised, Heuristic Learning, dan Reinforcement Learning
• Computer Vision dan Pattern Recognition
• Robotics dan Natural Language Processing (NLP)
• Speech Recognition dan Natural Language Understanding (NLU)
• Neural Network dan Model AI

Modul 4 — Fundamental Generative AI

Membahas konsep dasar Generative AI serta penerapannya dalam bisnis dan teknologi, termasuk manfaat, risiko, kategori masalah, arsitektur model (GAN, VAE, Transformer), proses pelatihan model, serta praktik membangun sistem Generative AI yang efektif dan aman.

Pokok Bahasan:

• Pendorong Bisnis dan Teknologi Generative AI
• Manfaat Generative AI
• Risiko dan Tantangan Generative AI
• Kategori Masalah yang Ditangani Generative AI
• Model, Algoritma, dan Neural Network
• Jenis-jenis Generative AI
• Training Model dan Training Loop
• Generative Adversarial Networks (GANs)
• Variational Autoencoders (VAE)
• Transformer
• Langkah Membangun Sistem AI
• Best Practice Generative AI

Modul 7 — Fundamental Machine Learning

Membahas konsep dasar Machine Learning secara mudah dipahami, termasuk cara kerja, manfaat, keterbatasan, serta penerapannya dalam mendukung tujuan bisnis. Modul ini memberikan pemahaman tentang data, model, algoritma, serta proses pelatihan dan deployment model machine learning dalam berbagai skenario penggunaan.

Pokok Bahasan

• Pendorong bisnis dan teknologi Machine Learning
• Manfaat dan tantangan Machine Learning
• Skenario penggunaan Machine Learning
• Dataset: data terstruktur, tidak terstruktur, dan semi-terstruktur
• Model, algoritma, pelatihan model, dan proses learning
• Cara kerja Machine Learning
• Pengumpulan dan pra-pemrosesan data training
• Pemilihan algoritma dan model
• Pelatihan model dan deployment model terlatih
• Algoritma dan praktik Machine Learning
• Supervised learning, classification, dan decision tree
• Regression, ensemble methods, dan dimensionality reduction
• Unsupervised learning dan clustering
• Semi-supervised learning dan reinforcement learning
• Best practice Machine Learning
• Cara kerja sistem Machine Learning
• Mekanisme umum Machine Learning
• Cara mekanisme digunakan dalam pelatihan model
• Machine Learning, Deep Learning, dan Artificial Intelligence (AI)

Modul 8 — Advanced Machine Learning

Membahas teknik dan pendekatan lanjutan dalam Machine Learning untuk menyelesaikan berbagai permasalahan bisnis yang kompleks melalui kombinasi algoritma dan model yang telah terbukti. Modul ini berfokus pada eksplorasi data, rekayasa fitur, pola pembelajaran, evaluasi model, serta optimasi untuk meningkatkan performa sistem Machine Learning secara menyeluruh.

Pokok Bahasan

• Pola eksplorasi data
• Perhitungan tendensi sentral dan variabilitas
• Perhitungan asosiasi dan ringkasan grafis
• Pola reduksi data
• Seleksi fitur dan ekstraksi fitur
• Pola data wrangling
• Imputasi fitur dan encoding fitur
• Diskretisasi fitur dan standardisasi fitur
• Pola supervised learning
• Prediksi numerik dan prediksi kategori
• Pola unsupervised learning
• Penemuan kategori dan penemuan pola
• Pola evaluasi model dan baseline modeling
• Evaluasi performa training dan evaluasi performa prediksi
• Pola optimasi model
• Ensemble learning dan retraining model berkala
• Implementasi lightweight model dan incremental learning

Modul 9 — Machine Learning Lab

Membahas penerapan praktis Machine Learning melalui serangkaian studi kasus dan latihan berbasis skenario nyata. Modul ini berfokus pada kemampuan peserta dalam membangun alur kerja machine learning end-to-end, mulai dari pengambilan data, pemilihan algoritma, pemodelan fitur, hingga evaluasi dan optimasi model untuk menyelesaikan permasalahan bisnis.

Pokok Bahasan

• Latihan membaca 9.1: Studi kasus RHE R&D Company
• Latihan lab 9.2: Pengambilan data training
• Latihan lab 9.3: Pemilihan algoritma yang tepat
• Latihan lab 9.4: Pemodelan fitur dan representasi data
• Latihan lab 9.5: Pengukuran dan optimasi model terlatih
• Latihan lab 9.6: Koreksi fitur yang tidak konsisten
• Latihan membaca 9.7: Studi kasus GTO Financial Institution
• Latihan lab 9.8: Identifikasi data transaksi pelanggan
• Latihan lab 9.9: Analisis risiko pelanggan
• Latihan lab 9.10: Identifikasi pola pengeluaran yang mencurigakan

Modul 1 — Fundamental Big Data Science & Analytics

Membahas konsep dasar Big Data dan Data Analytics dari perspektif bisnis maupun teknologi, termasuk karakteristik data, proses analisis data, machine learning, berbagai pendekatan analytics, Business Intelligence, visualisasi data, serta pertimbangan adopsi Big Data di organisasi.

Pokok Bahasan:

• Memahami Big Data
• Terminologi dan Konsep Dasar Big Data
• Pendorong Bisnis Big Data dan Pendorong Teknologi
• Teknologi Enterprise Tradisional yang Berkaitan dengan Big Data
• OLTP, OLAP, ETL, dan Data Warehouse dalam Konteks Big Data
• Karakteristik dan Jenis Dataset Big Data
• Data Terstruktur, Tidak Terstruktur, dan Semi-Terstruktur
• Metadata dan Data Veracity
• Analisis Dasar dan Analitik
• Analisis Kuantitatif dan Kualitatif
• Jenis-jenis Machine Learning
• Analitik Deskriptif, Diagnostik, Prediktif, dan Preskriptif
• Business Intelligence dan Visualisasi Data
• Adopsi Big Data dan Pertimbangan Perencanaan

Modul 2 — Big Data Analysis & Technology Concepts

Membahas konsep dan teknik analisis data modern dalam lingkungan Big Data, termasuk metode statistik, machine learning dasar, berbagai pendekatan analitik, serta konsep teknologi backend yang mendukung ekosistem Big Data seperti storage, processing engine, dan cloud computing.

Pokok Bahasan:

• Siklus Hidup Analisis Big Data
• A/B Testing dan Korelasi
• Regresi dan Heat Map
• Time Series Analysis
• Analisis Jaringan dan Analisis Data Spasial
• Klasifikasi dan Clustering
• Collaborative Filtering dan Content-Based Filtering
• Analisis Sentimen dan Text Analytics
• Pemrosesan Beban Kerja Batch dan Transaksional
• Hubungan Cloud Computing dengan Big Data
• Mekanisme Teknologi Dasar Big Data
• Penyimpanan Data dan Processing Engines
• Resource Manager, Data Transfer Engine, dan Query Engine
• Analytics Engine, Workflow Engine, dan Coordination Engine

Modul 14 — Fundamental Big Data Architecture

Membahas arsitektur solusi Big Data secara menyeluruh, termasuk model, pendekatan, komponen utama, mekanisme pemrosesan data, serta integrasi dengan data warehouse dan cloud untuk mendukung analitik dan pengambilan keputusan berbasis data.

Pokok Bahasan:

• Enterprise Data Warehouse dan Big Data
• Operational Data Store, Data Mart, dan Basis Data Analitik
• Lapisan Arsitektur Solusi Big Data
• Arsitektur, Pemeliharaan, dan Tata Kelola Big Data
• Arsitektur Keamanan Big Data
• Pendekatan Series, Parallel, Appliance, dan Virtualization
• Penyimpanan dan Pemrosesan Data Berbasis Cloud
• Data Kanonik dan Pemrosesan Grafik Skala Besar
• Penyimpanan Real-Time dan Akses Data Langsung
• Analytical Sandbox dan Penyimpanan Data Rahasia
• Pemrosesan Batch dan Denormalisasi Dataset
• Repositori Data Online dan Big Data Warehouse
• Tata Kelola Dataset Terpusat
• Event Stream dan Complex Event Processing
• Fan-in, Fan-out, dan Pemrosesan Real-Time
• Egress Data dan Visualisasi Data
• Data Wrangling dan Analitik Data
• Pola Desain Solusi Big Data
• Lambda Architecture dan Manfaatnya

Modul 15 — Advanced Big Data Architecture

Membahas pengembangan arsitektur solusi Big Data dengan fokus pada penyimpanan, pemrosesan, keamanan, pendekatan desain, pola komposit, integrasi cloud computing, serta pengelolaan data dalam berbagai model arsitektur enterprise.

Pokok Bahasan:

• Enterprise Data Warehouse dan Big Data
• Operational Data Store, Data Mart, dan Database Analitik
• Lapisan Arsitektur Solusi Big Data
• Tata Kelola dan Keamanan Big Data
• Pendekatan Seri, Paralel, Appliance, dan Virtualisasi
• Penyimpanan dan Pemrosesan Berbasis Cloud
• Data Kanonik dan Pemrosesan Graf Skala Besar
• Penyimpanan Real-Time dan Akses Data Langsung
• Analytical Sandbox dan Penyimpanan Data Rahasia
• Pemrosesan Batch dan Denormalisasi Dataset
• Repositori Data dan Big Data Warehouse
• Tata Kelola Dataset Terpusat
• Event Stream dan Complex Event Processing
• Fan-in, Fan-out, dan Pemrosesan Real-Time
• Data Egress dan Visualisasi Data
• Data Wrangling dan Analisis Data
• Pola Desain Solusi Big Data
• Arsitektur Lambda dan Manfaatnya

Modul 16 — Big Data Architecture Lab

Modul ini berisi studi kasus dan latihan praktis untuk menerapkan konsep arsitektur Big Data pada berbagai skenario dunia nyata, dengan fokus pada perancangan, evaluasi, dan optimasi solusi Big Data.

Pokok Bahasan:

• Studi Kasus SFI
• Merancang Pipeline Big Data untuk Kepatuhan SLA
• Mengurangi Ketidakpuasan Pelanggan
• Mengurangi Biaya Penyimpanan Data
• Studi Kasus LOC
• Solusi untuk Eksplorasi Minyak Cerdas
• Meningkatkan Produksi Sumur Minyak
• Mengurangi Biaya Pemeliharaan dan Kepatuhan Regulasi
• Studi Kasus TXC
• Identifikasi Penipuan dan Menghilangkan Pemborosan
• Prioritas Alokasi Sumber Daya dan Akses Data Terbuka

• Manage Worksheets and Workbooks
 1. Import data into workbooks
 2. Navigate within workbooks
 3. Format worksheets and workbooks
 4. Customize options and views
 5. Configure content for collaboration

• Manage Data Cells and Ranges
 1. Manipulate data in worksheets
 2. Format cells and ranges
 3. Define and reference named ranges
 4. Summarize data visually

• Manage Tables and Table Data
 1. Create and format tables
 2. Modify tables
 3. Filter and sort table data

• Perform Operations by Using Formulas and Functions
 1. Insert references
 2. Calculate and transform data
 3. Format and modify text

• Manage Charts
 1. Create charts
 2. Modify charts
 3. Format charts

• Manage Presentations
 1. Modify slide masters, handout masters, and note masters
 2. Change presentation options and views
 3. Configure print settings for presentations
 4. Configure and present slide shows
 5. Prepare presentations for collaboration

• Manage Slides
 1. Insert slides
 2. Modify slides
 3. Order and group slides

• Insert and Format Text, Shapes, and Images
 1. Format text
 2. Insert links
 3. Insert and format images
 4. Insert and format graphic elements
 5. Order and group objects on slides

• Manage Outlook Settings and Processes

1. Customize Outlook settings
2. Configure mail settings
3. Perform search operations
4. Print and save information

• Manage Messages

1. Create messages
2. Insert message content
3. Organize and manage messages

• Manage Schedules

1. Create and manage calendars
2. Create appointments, meetings, and events
3. Organize and manage appointments, meetings, and events

• Manage Contacts and Tasks

1. Create and manage contact records
2. Create and manage contact groups
3. Create and manage tasks

● Manage Databases
1. Modify database structure
2. Manage table relationships and keys
3. Print and export data

● Create and Modify Tables
1. Create tables
2. Manage tables
3. Manage table records
4. Create and modify fields

● Create and Modify Queries
1. Create and run queries
2. Modify queries

● Modify Forms in Layout View
1. Configure form controls
2. Format forms

● Modify Reports in Layout View
1. Configure report controls
2. Format reports

PERTEMUAN I

Materi Dasar Perpajakan dan KUP sebagai Landasan Perpajakan:

• Pre-test (25 soal)
• Pengertian pajak
• Dasar hukum perpajakan
• Fungsi pajak
• Jenis pajak
• Pemungutan pajak
• Sifat pajak
• Cara pemungutan pajak
• Sistem pemungutan pajak
• Asas pemungutan pajak
• Tarif pajak
• Keterlambatan dan sanksi
• Restitusi dan kompensasi

PERTEMUAN II

Materi WPOP (Wajib Pajak Orang Pribadi):

• Pengertian pegawai atau karyawan
• Karakteristik karyawan
• Yang bukan karyawan
• Penggunaan SPT untuk karyawan dan non-karyawan
• Penghasilan lain pada karyawan
• PPh 21
• Tarif progresif
• PTKP

PERTEMUAN III

Materi WPOP PPh 21:

• Review materi sebelumnya
• Simulasi perhitungan
• Kasus soal
• Aplikasi ke SPT (Excel)

PERTEMUAN IV

Materi POTPUT:

• Pengertian potong dan pungut
• Jenis pajak yang dipotong dan dipungut
• Pembahasan PPh 22
• Pembahasan PPh 23
• Pembahasan PPh 24 (MKPLN)
• Pembahasan PPh 26
• Pembahasan PPh Pasal 4 Ayat 2
• Input ke SPT (Excel)

PERTEMUAN V

Materi PPh Badan:

• Subjek dan objek pajak
• Yang bukan subjek dan objek
• Klasifikasi kelompok jenis barang
• Koreksi fiskal
• Kasus koreksi fiskal
• Tarif PPh Badan
• Kasus perhitungan PPh Badan

PERTEMUAN VI

Materi Pajak Daerah, Retribusi Daerah, dan Bea Materai:

• Post-test
• Pajak Daerah dan Retribusi Daerah (PDRD)
• Tarif pajak daerah
• PBB
• Tarif dan perhitungan PBB
• BPHTB
• Tarif dan perhitungan BPHTB
• Bea Materai

PERTEMUAN VII

Materi PPN dan PPnBM:

• Pengertian PPN
• Karakteristik PPN
• Objek dan non-objek PPN
• Tarif dan perhitungan PPN
• DPP
• Faktur pajak
• Pengkreditan PM
• PPnBM
• Kelompok PPnBM
• Tarif dan perhitungan PPnBM
• Review materi melalui Google Form

PERTEMUAN VIII

Review dan Pembahasan Materi:

• Post-test (25 soal)
• Review materi sesuai kebutuhan peserta
• Tanya jawab
• Closing

Menyiapkan data

• Mengambil data dari berbagai sumber data
• Profiling data
• Membersihkan, mentransformasi, dan memuat data

Memodelkan data

• Merancang data model
• Mengembangkan data model
• Membuat measures menggunakan DAX
• Mengoptimalkan performa model

Memvisualisasikan data

• Membuat report
• Membuat dashboard
• Memperkaya report untuk usability

Menganalisis data

• Meningkatkan report untuk menampilkan insight
• Melakukan advanced analysis

Deploy dan memelihara deliverables

• Mengelola datasets
• Membuat dan mengelola workspaces

Pengenalan Power BI

• Memahami data refresh
• Menggunakan Power BI Desktop
• Menyiapkan data
• Mengambil data dari services dan content packs
• Mengambil data dari sumber data
• Membersihkan data
• Mentransformasi dan memuat data

Memodelkan data

• Merancang dan mengimplementasikan data model
• Membuat kalkulasi model menggunakan DAX
• Mengoptimalkan performa model

Memvisualisasikan dan menganalisis data

• Membuat report
• Meningkatkan report untuk usability dan storytelling
• Mengidentifikasi pola dan tren

Deploy dan memelihara assets

• Membuat dan mengelola workspaces dan assets
• Mengelola datasets