Analisis data menggunakan tools konvensional menghadapi tantangan kompleksitas, waktu, dan kebutuhan pemahaman teknis yang tinggi. Pemanfaatan Large Language Model (LLM) menawarkan solusi berbasis bahasa alami, namun terkendala keterbatasan context window yang menyebabkan degradasi reasoning pada dataset berskala besar. Penelitian ini mengembangkan sistem analitik data berbasis arsitektur multi-agent yang mengintegrasikan function calling dan metadata-centric context management untuk mengatasi permasalahan tersebut. Arsitektur yang dibangun membagi proses analisis ke dalam tiga fase sequential, yaitu Data Preprocessing, Exploratory Data Analysis (EDA), dan Explainer, yang dikoordinasikan melalui Google Agent Development Kit (ADK). Sistem tidak memasukkan data raw ke dalam context window, melainkan memanfaatkan ringkasan metadata statistik sebagai konteks utama reasoning LLM. Pengujian dilakukan menggunakan dataset penjualan sintetis berukuran 100 ribu hingga 10 juta baris dalam kondisi clean dan dirty, serta dataset NvBench sebagai baseline komparatif terhadap data analyst profesional, dengan model LLM Xiaomi MiMo V2 Flash dan OpenAI GPT OSS 120B. Hasil pengujian menunjukkan penggunaan token hanya 0,014%–1,88% dari jumlah token raw dataset dengan akurasi kalkulasi 100% pada dataset clean. Sistem menghasilkan output yang sepenuhnya deterministik pada data clean, sementara data dirty menghasilkan konsistensi yang bervariasi bergantung pada karakteristik reasoning model yang digunakan.