🔎 Overview #
Membangun aplikasi AI yang bisa “membaca” dokumen/data spesifik lewat teknik Retrieval-Augmented Generation (RAG) dengan framework LangChain — skill inti untuk membangun chatbot/asisten AI yang menjawab berdasar data internal, bukan cuma pengetahuan umum model. Kursus ini menjadi capstone roadmap AI Engineer Edusoft Center, menggantikan Python Advanced untuk Data Science sebagai endpoint jalur ini.
🏷️ Status: Wajib Project — kursus ini adalah endpoint/capstone roadmap AI Engineer, sehingga wajib menghasilkan project portofolio penuh: dokumentasi + GitHub + opsi masuk portfolio.edusoftcenter.com.
Prasyarat: Kursus LLM & Prompt Engineering Fundamentals (wajib).
📚 Struktur Silabus #
Fase A — Tatap Muka (16 Jam, 2 Hari Fullday) #
Hari 1 (8 Jam) #
- Sesi 1 (Teori, 2 jam): Kenapa RAG dibutuhkan (batasan LLM terhadap data privat/terbaru), konsep embedding dan vector database, arsitektur RAG secara umum.
- Sesi 2 (Praktik Terbimbing, 2 jam): Setup LangChain, memuat dokumen (PDF/teks), membuat embedding, menyimpan ke vector database (Chroma).
- Sesi 3 (Teori Lanjutan, 2 jam): Teknik chunking dokumen, retrieval strategy, prompt template untuk RAG, konsep chain di LangChain.
- Sesi 4 (Praktik Terbimbing Lanjutan, 2 jam): Membangun pipeline RAG end-to-end — dari dokumen mentah sampai bisa dijawab lewat query natural language.
Hari 2 (8 Jam) #
- Sesi 5 (Latihan Mandiri Terbimbing, 3 jam): Soal berjenjang — RAG pada dokumen berbeda (FAQ perusahaan, manual produk), eksperimen parameter chunking/retrieval.
- Sesi 6 (Simulasi Mini-Case, 3 jam): Membangun chatbot sederhana berbasis RAG dari 1 set dokumen contoh, dibahas bersama.
- Sesi 7 (Review & Evaluasi, 1,5 jam): Recap, diskusi keterbatasan RAG (retrieval quality, biaya API, latency).
- Sesi 8 (Briefing Project Pasca-Training, 0,5 jam): Brief: bangun 1 aplikasi RAG dari dokumen/data pilihan sendiri (mis. asisten tanya-jawab dokumen perusahaan/organisasi), tenggat H+14.
Fase B — Pasca-Training (Online, self-paced, tenggat disarankan H+14) #
Aplikasi RAG berfungsi (command-line/Streamlit sederhana) + dokumentasi arsitektur, push ke GitHub, submit via dashboard Elearning (edusoftcenter.com/dashboard/) untuk direview. Project yang lolos review bisa diajukan masuk portfolio.edusoftcenter.com.
🛠️ Tools & Software #
- Python, LangChain, vector database (Chroma), OpenAI/Anthropic API
🎯 Output Kompetensi #
Setelah menyelesaikan kursus, peserta mampu:
- Memahami arsitektur RAG.
- Membangun pipeline retrieval-augmented generation end-to-end.
- Siap membangun aplikasi AI berbasis data spesifik.
⏳ Durasi & Mode Kursus #
- Total: 16 Jam (2x sesi fullday @ 8 jam) + Project Pasca-Training mandiri (tenggat H+14)
- Online — live via platform digital, akses rekaman fleksibel.
- Offline (Solo) — tatap muka reguler di lokasi Edusoft.
- Offline Custom Location — tersedia untuk grup/korporat luar kota (hubungi kami untuk penjadwalan).
💰 Biaya Kursus #
- Kelas Reguler: Rp 1.000.000
- Kelas Private: Rp 2.000.000
Tertarik Ikut Kursus Membangun Aplikasi AI dengan LangChain & RAG?
Tanyakan jadwal terdekat, harga, dan cara pendaftaran langsung ke tim kami via WhatsApp.
Atau isi form ini, tim kami yang hubungi Anda balik
Cukup isi nama & no. WhatsApp — kursus sudah terpilih otomatis sesuai halaman ini, tapi bisa diganti.
📅 Jadwal Batch #
Kelas privat tersedia kapan saja — kelas reguler by request, hubungi kami untuk jadwal.
❓ Pertanyaan Umum (FAQ) #
Apa prasyarat sebelum mengikuti Kursus Membangun Aplikasi AI dengan LangChain & RAG? #
Wajib sudah menyelesaikan Kursus LLM & Prompt Engineering Fundamentals, karena kursus ini langsung memakai konsep API LLM dan prompt engineering sebagai dasar membangun pipeline RAG.
Apakah kursus ini adalah endpoint roadmap AI Engineer di Edusoft Center? #
Ya, kursus ini adalah capstone roadmap AI Engineer — menggantikan Python Advanced untuk Data Science sebagai endpoint jalur ini, karena LangChain & RAG jadi skill pembeda utama AI Engineer di pasar 2026.
Apa beda RAG dengan sekadar memakai LLM biasa? #
LLM biasa hanya menjawab dari pengetahuan umum yang dipelajari saat training, sedangkan RAG memungkinkan LLM menjawab berdasarkan dokumen/data spesifik milik organisasi yang bisa diperbarui kapan saja tanpa perlu melatih ulang model.
Disusun & direview oleh Komarudin Syarif — Trainer Edusoft Center.
Terakhir diperbarui: 9 Agustus 2026.
