Lewati ke isi
anakdata.id
≡

Lanskap

Apa yang sedang berubah, dan apa yang tidak

Pertanyaan yang paling sering menghentikan orang sebelum mulai: nanti keburu digantikan AI atau tidak. Ini jawabannya, beserta data lowongan dan sumber yang bisa Anda periksa sendiri.

AI mengambil alih bagian tengah pekerjaan analis

Pekerjaan analis punya tiga bagian, dari pertanyaan sampai tafsiran, dan AI tidak mengambil alih ketiganya sama banyak.

  1. Di tangan orang

    1. Pertanyaan

    • Menentukan pertanyaan mana yang layak dijawab

  2. Makin banyak dikerjakan mesin

    2. Ambil, bersihkan, hitung

    • Menulis draf query
    • Membersihkan data yang bentuknya sudah dikenal
    • Menyusun report yang formatnya berulang
    • Membuat grafik dari data yang sudah rapi

  3. Di tangan orang

    3. Tafsiran

    • Memeriksa apakah hasilnya masuk akal
    • Menjelaskan temuan ke orang yang bukan orang data
    • Memutuskan angka mana yang boleh dilaporkan
Lihat kotak bergaris putus-putus di tengah. Tugas di kotak itu makin banyak dikerjakan AI. Tugas di dua kotak ujungnya tetap butuh orang yang paham keadaan bisnisnya.

Karena itu hambatan di tim data ikut bergeser. AI kini membantu menjalankan query, jadi tim lebih sering kekurangan orang yang bisa menjelaskan arti hasilnya ke orang yang bukan orang data.

Seberapa besar perubahannya

Kami belum menemukan angka penghematan waktu yang bisa dipertanggungjawabkan. Angka seperti "report tiga jam jadi 45 menit" yang beredar umumnya berasal dari blog vendor, tanpa penjelasan siapa yang diukur dan bagaimana caranya.

Angka yang paling berguna untuk Anda adalah angka dari pekerjaan Anda sendiri, dan cara mengukurnya cukup sederhana.

  1. 1

    Pilih satu pekerjaan yang berulang

    Pilih pekerjaan yang Anda kerjakan lebih dari sekali, supaya ada pembandingnya.

    Sudah bekerja
    Misalnya report mingguan yang Anda susun tiap Senin, atau query yang sering diminta atasan.
    Masih kuliah
    Misalnya merapikan data untuk tugas statistik, atau membuat grafik untuk proyek portfolio.
  2. 2

    Catat waktunya dua kali

    Sekali dikerjakan seperti biasa, sekali dengan bantuan AI. Pisahkan waktu menyusun dari waktu memeriksa hasilnya.

  3. 3

    Catat yang salah

    Tulis bagian mana yang dikerjakan AI dengan benar dan bagian mana yang harus Anda perbaiki. Waktu memeriksa itu bagian dari pekerjaan, jadi ikut dihitung.

Penyusun · disusun 7 September 2026

Alat mana yang layak dipelajari sekarang

Kolom matriks di bawah menunjukkan arah pemakaian alat di dunia kerja, dan barisnya saran untuk Anda yang baru mulai. Keduanya sengaja dipisah, karena alat yang sedang naik daun belum tentu jadi pintu masuk untuk pemula.

Arah pemakaian alatnyaSaran untukpemulaNaikTetapTurunPelajarisekarangSQLSpreadsheetPower BIdan TableauNanti sajaPythondbtPolarsLewatiduluApacheSparkHadoop,HDFS, YARN
Lihat baris paling atas: semua alat yang layak dipelajari sekarang ada di kolom Tetap. Semua alat yang arahnya naik ada di baris Nanti saja.

Pelajari sekarang

SQL
Sudah puluhan tahun ada dan belum tergeser. AI bisa menuliskannya, tapi Anda tetap yang harus tahu hasilnya benar atau tidak. Untuk latihan, Anda bisa menjalankan SQL di DuckDB tanpa memasang database.
Spreadsheet
Sering diremehkan di daftar tren, tapi tetap diminta perusahaan. Excel/spreadsheet disebut di 90 dari 151 lowongan Data Analyst (59,6%) pada snapshot 3 Oktober 2026.
Power BI dan Tableau
Pilih satu. Kemampuannya mirip, dan yang menentukan biasanya apa yang dipakai kantor.

Nanti saja

Python
Penting untuk Data Engineer dan Data Scientist. Di urutan belajar, Python ada di langkah 6, sesudah lima langkah fondasi lainnya selesai.
dbt
Jadi standar untuk merapikan data di data warehouse. Muncul di lowongan Analytics Engineer, hampir tidak pernah di lowongan pemula.
Polars
Mesin pengolah data yang jalan di satu komputer, dan sering cukup untuk pekerjaan yang dulu butuh banyak mesin. Polars dipakai lewat Python, jadi tunggu sampai langkah 6.

Lewati dulu

Apache Spark
Disebut di 22 dari 74 lowongan Data Engineer pada snapshot 3 Oktober 2026, jadi belum ke mana-mana. Tapi Spark bukan pintu masuk untuk pemula.
Hadoop, HDFS, YARN
Paling banyak digantikan belakangan ini. Perusahaan besar di keuangan dan telekomunikasi masih memakainya, jadi turun tidak berarti hilang.

Penyusun · peta alat

90 alat dalam 13 kelompok, dari tempat data lahir sampai AI

Urutan kelompoknya mengikuti jalannya data. Data lahir di aplikasi, dipindah, disimpan, dirapikan, lalu dipakai untuk analisis, dashboard, model, dan AI. Tiap kelompok menjawab satu pertanyaan, dan alatnya hanya jawaban yang sedang populer untuk pertanyaan itu.

Anda tidak perlu mengenal semuanya. Pelajari konsep satu kelompok lewat satu alat gratis, lalu sebut konsep dan alatnya di CV, karena lowongan masih menyebut nama alat.

Nomor kelompok di sini berbeda dari delapan lapisan di perjalanan data, jadi tiap kartu menyebut lapisan tempat kelompok itu bekerja. Kotak "Mulai belajar dari" berlaku sesudah fondasi bersama: di fondasi itu DuckDB hanya tempat menjalankan SQL (langkah 2), dan Python baru di langkah 6.

alat ramah pemula (38 alat)alat yang bisa menunggu (52 alat)

Ramah pemula artinya gratis, bisa dicoba tanpa kartu kredit, dan tidak butuh server sendiri. Penilaian ini dari pengajar di handout Peta Dunia Data, tidak dari survei. Status gratis dan lisensinya dicek di website resmi pada 3 Oktober 2026.

Tiap titik mewakili satu alat. Proporsi alat ramah pemula paling besar ada di kelompok Sumber data (6 dari 7). Kelompok Big data dan streaming belum punya satu pun alat ramah pemula, jadi wajar kalau Anda menundanya. Pilih satu kelompok untuk melompat ke daftar alatnya.

Nama alat di bawah bertaut ke website resminya dan membuka tab baru. Kami memeriksa 102 alamat website itu pada 5 Oktober 2026: 101 terbuka normal, dan 1 hanya terbuka di browser biasa. Alat yang sebenarnya konsep, seperti SQL dan API, kami arahkan ke kamus istilah.

Bagian 1. Data lahir, dipindah, lalu dijadwalkan

  1. Kelompok alat 01 · Sumber data

    Di perjalanan data: lapisan 1, Sumber data

    Data lahir di mana?

    Tempat data pertama kali tercatat saat bisnis berjalan, misalnya transaksi kasir, data pelanggan di aplikasi, atau laporan di spreadsheet.

    Ibaratnya: Mesin kasir di tiap cabang. Setiap pembelian menambah satu baris.

    Mulai belajar dari

    SQL di DuckDB tanpa memasang apa pun, lalu PostgreSQL di laptop.

  2. Kelompok alat 02 · Ingestion

    Di perjalanan data: lapisan 2, Ingestion

    Bagaimana data berpindah?

    Memindahkan data dari banyak sumber ke satu tempat penyimpanan analitik secara rutin.

    Ibaratnya: Kurir yang tiap pagi menjemput bahan dari banyak supplier ke gudang pusat.

    Mulai belajar dari

    Script Python di Colab: ambil data dari API publik atau Kaggle, simpan ke database.

  3. Kelompok alat 03 · Orchestration

    Di perjalanan data: lapisan 2 sampai 4, Ingestion sampai Transformasi

    Kapan setiap langkah jalan otomatis?

    Mengatur kapan dan dalam urutan apa setiap langkah pipeline berjalan, lalu memberi tahu kalau ada yang gagal.

    Ibaratnya: Manajer dapur pemegang jadwal. Jam 5 bahan datang, jam 6 dicuci, jam 7 dimasak.

    Mulai belajar dari

    Prefect (cukup pip install), baru Airflow sesudah paham scheduling dan retry.

Bagian 2. Data disimpan dan diolah jadi tabel rapi

  1. Kelompok alat 04 · Storage

    Di perjalanan data: lapisan 3, Storage

    Data dikumpulkan di mana?

    Tempat data dari banyak sumber dikumpulkan supaya bisa dianalisis tanpa mengganggu aplikasi aslinya.

    Ibaratnya: Gudang pusat. Warehouse raknya tertata, data lake gudang curah, lakehouse gudang curah yang punya rak.

    Mulai belajar dari

    DuckDB di laptop, lalu BigQuery sandbox, yang tidak meminta kartu kredit.

  2. Kelompok alat 05 · Transformasi

    Di perjalanan data: lapisan 4, Transformasi

    Bagaimana raw data jadi tabel rapi?

    Mengubah raw data menjadi tabel bersih dan konsisten yang siap dipakai untuk report.

    Ibaratnya: Dapur persiapan. Bahan dicuci (bronze), dipotong (silver), siap masak (gold).

    Mulai belajar dari

    SQL dulu, lalu dbt Core dengan DuckDB, semuanya di laptop.

  3. Kelompok alat 06 · Big data dan streaming

    Di perjalanan data: lapisan 2 sampai 4, Ingestion sampai Transformasi

    Kalau datanya raksasa atau real-time?

    Memproses data yang terlalu besar untuk satu komputer, atau data yang harus diproses saat itu juga (real-time).

    Ibaratnya: Pabrik dengan ban berjalan. Pesanan diproses begitu masuk, tidak ditumpuk sampai sore.

    Mulai belajar dari

    Kenali belakangan, lewat PySpark di Colab dengan data kecil.

Bagian 3. Data dipakai untuk analisis dan dashboard

  1. Kelompok alat 07 · Analisis

    Di perjalanan data: lapisan 5, Analisis

    Apa yang terjadi, dan kenapa?

    Menjawab pertanyaan bisnis dari data: apa yang terjadi, kenapa, dan apa yang sebaiknya dilakukan.

    Ibaratnya: Koki kepala membaca catatan penjualan. Kenapa menu ini turun minggu ini?

    Mulai belajar dari

    Google Sheets atau Excel for the web, lalu SQL di DuckDB, lalu Python di Colab.

  2. Kelompok alat 08 · BI dan visualisasi

    Di perjalanan data: lapisan 6, BI dan dashboard

    Bagaimana orang bisnis membaca hasilnya?

    Mengubah hasil analisis menjadi dashboard dan grafik yang bisa dibaca orang bisnis sendiri.

    Ibaratnya: Papan skor di dinding restoran. Orang tahu menu yang laris tanpa masuk dapur.

    Mulai belajar dari

    Power BI Desktop (Windows) atau Tableau Public. Alternatif yang jalan di browser: Data Studio.

Bagian 4. Data dipakai untuk model dan AI

  1. Kelompok alat 09 · Data science dan ML

    Di perjalanan data: lapisan 7, ML

    Bisakah data lama menebak esok?

    Membuat model yang belajar dari data lama untuk menebak atau mengelompokkan data baru, misalnya memprediksi penjualan atau pelanggan yang akan berhenti.

    Ibaratnya: Juru masak senior yang dari catatan bertahun-tahun bisa menebak porsi yang laku besok.

    Mulai belajar dari

    scikit-learn di Google Colab dengan dataset Kaggle.

  2. Kelompok alat 10 · MLOps dan deployment

    Di perjalanan data: lapisan 7, ML

    Bagaimana model dipakai orang lain?

    Membawa model dari notebook ke aplikasi yang bisa dipakai orang lain, lalu memantaunya supaya tetap akurat.

    Ibaratnya: Membuka cabang baru dengan SOP yang sama, lalu rutin dicicipi pengawas mutu.

    Mulai belajar dari

    Bungkus model dengan Streamlit, tayangkan di Streamlit Community Cloud.

  3. Kelompok alat 11 · AI generatif

    Di perjalanan data: lapisan 8, AI generatif

    AI menjawab dari dokumen Anda?

    Memakai model bahasa besar (LLM) untuk menulis, merangkum, menjawab pertanyaan dari dokumen, atau menjalankan tugas bertahap (agent).

    Ibaratnya: Asisten pandai bicara yang belum kenal restoran Anda. Dengan RAG, buku SOP dibuka dulu sebelum menjawab.

    Mulai belajar dari

    Ollama di laptop atau free tier Gemini API, lalu RAG kecil dengan Chroma.

Bagian 5. Penjaga data dan alat lintas lapisan

  1. Kelompok alat 12 · Data governance dan data quality

    Di perjalanan data: dipakai di semua lapisan

    Datanya benar? Siapa boleh melihat?

    Memastikan data benar, tidak dobel, tidak hilang, jelas pemiliknya, dan mudah dicari artinya.

    Ibaratnya: Inspektur kebersihan dapur, ditambah daftar isi gudang.

    Mulai belajar dari

    Hitung baris dobel dan nilai kosong dengan SQL, lalu tes unique dan not_null di dbt.

  2. Kelompok alat 13 · Kerja sama dan fondasi

    Di perjalanan data: dipakai di semua lapisan

    Alat apa yang dipakai di semua lapisan?

    Alat kerja harian yang dipakai di semua lapisan: menyimpan versi kode, menjalankan aplikasi di mana pun, bekerja lewat terminal, dan menyewa komputer di cloud.

    Ibaratnya: Git ibarat buku resep bersama yang mencatat siapa mengubah apa, sedangkan Docker ibarat kotak bekal yang isinya sama di dapur mana pun.

    Mulai belajar dari

    Git dan GitHub sejak proyek pertama. Di Windows, Git Bash cukup untuk latihan.

Penyusun · semua bisa dimulai gratis

Starter kit gratis per peran

Satu kit cukup untuk portfolio pertama. Pilih satu peran sesuai jalur yang Anda incar, jangan keempatnya. Baris paling bawah menunjukkan bentuk portfolio yang Anda hasilkan dari kit itu.

Pilih peran yang Anda incar
  1. Data latihanDataset publik (Kaggle*, portal data pemerintah)
  2. SpreadsheetGoogle Sheets, Excel for the web
  3. SQL / databaseDuckDB (Colab atau shell.duckdb.org)
  4. BahasaPython di Google Colab
  5. WarehouseBigQuery sandbox (demo)
  6. TransformasiSQL
  7. Tampilan hasilPower BI Desktop (Windows) atau Tableau Public; alternatifnya Data Studio
  8. Kerja samaGitHub
  9. Bentuk portfolioDashboard + tulisan insight
  1. Data latihanAPI publik + CSV
  2. SQL / databasePostgreSQL lokal atau Neon Free
  3. BahasaPython
  4. Ingestion dan orkestrasiScript Python, lalu Prefect; Airflow lokal sebagai langkah kedua
  5. WarehouseDuckDB, ClickHouse lokal via Docker, atau BigQuery sandbox
  6. Transformasidbt Core
  7. Tampilan hasilDiagram pipeline + Data Studio
  8. Kerja samaGit, GitHub, Docker Desktop, Git Bash/WSL
  9. Bentuk portfolioPipeline end-to-end: sumber, database, warehouse, lalu dbt (bronze/silver/gold), dijelaskan di README
  1. Data latihanDataset Kaggle*
  2. SQL / databaseDuckDB
  3. BahasaPython di Google Colab
  4. Transformasipandas
  5. Model / LLMscikit-learn
  6. FrameworkMLflow lokal
  7. Tampilan hasilStreamlit Community Cloud
  8. Kerja samaGitHub
  9. Bentuk portfolioNotebook + aplikasi kecil yang memprediksi
  1. Data latihanKumpulan PDF/dokumen publik
  2. SQL / databasePostgreSQL lokal
  3. BahasaPython
  4. Model / LLMGemini API free tier*, atau Ollama di laptop
  5. FrameworkLangChain atau LlamaIndex; Chroma sebagai vector database
  6. Tampilan hasilStreamlit atau Hugging Face Spaces; FastAPI untuk API
  7. Kerja samaGit, GitHub, Docker Desktop
  8. Bentuk portfolioChatbot RAG kecil dengan evaluasi sederhana

*Syarat belum dicek, cek sendiri. Power BI Desktop hanya untuk Windows. Karya di Tableau Public terbuka untuk umum: jangan meng-upload data pribadi.

Data · snapshot lowongan 3 Oktober 2026

Alat yang paling sering diminta lowongan di Indonesia

Angka di tiap sel menunjukkan berapa persen lowongan satu peran yang menyebut satu alat. Kami menghitungnya dari 324 lowongan peran data berdeskripsi lengkap, yang terbuka di 9 website lowongan publik pada 3 Oktober 2026.

Snapshot ini potret satu hari dan tidak mewakili seluruh lowongan di Indonesia. LinkedIn tidak ikut dihitung karena aturan LinkedIn melarang pengambilan data otomatis.

DataAnalystn=151DataEngineern=74DSdan MLn=38*AIEngineern=44*SQL (umum)60%89%53%30%Python30%64%84%66%Excel59%3%8%2%Power BI50%15%21%2%Tableau40%11%11%0%R11%7%32%5%SQL Server7%28%3%5%Spark / PySpark1%30%26%0%Git / GitHub /GitLab5%14%13%25%AWS0%27%21%9%Docker0%9%13%20%TensorFlow /Keras1%0%29%18%Claude1%0%0%20%
Data · snapshot 3 Oktober 2026, 324 lowongan. Baca per baris: sel tergelap menunjukkan peran yang paling sering meminta alat itu. Tanda * berarti n kecil (Data Scientist / ML, 38 lowongan; AI Engineer, 44 lowongan): baca sebagai arah, tidak sebagai peringkat pasti. Baris Excel memakai kata kunci Excel saja (89 dari 151 lowongan Data Analyst), lebih sempit dari "Excel/spreadsheet" di halaman Pasar kerja (90 dari 151).
  • 50% ke atas lowongan peran itu
  • 30–49% lowongan peran itu
  • 15–29% lowongan peran itu
  • 5–14% lowongan peran itu
  • di bawah 5% lowongan peran itu
  • masuk lima besar di peran itu

SQL dan Python masuk lima besar di keempat peran, jadi berguna di peran mana pun. Urutannya tetap mengikuti fondasi bersama: SQL di langkah 2, Python di langkah 6.

Alat lain lebih khas satu peran. Di matriks, Excel paling sering muncul di lowongan Data Analyst, dan paling banyak 8% di peran lain.

Barisnya gabungan lima alat teratas tiap peran, ditambah alat yang seri di urutan kelima. Satu lowongan dihitung sekali per alat.

Artinya buat yang baru mulai

Disusun 7 September 2026

Jangan mengejar alat yang sedang ramai dibicarakan. Kejar kebiasaan di dua ujung pekerjaan analis tadi: bertanya dengan tepat, memeriksa hasil, dan menjelaskannya ke orang lain.

Alat berganti setiap beberapa tahun. Ketiga kebiasaan tadi sudah bertahan jauh lebih lama, dan makin bernilai sekarang.

Lihat urutan belajarnyaBuka kamus istilah