Peran di bidang data

Data Scientist

Memperkirakan apa yang akan terjadi.

Membangun model untuk memperkirakan sesuatu, misalnya pelanggan mana yang kemungkinan berhenti berlangganan bulan depan.

Ramah pemula: Rendah–sedang
Python
Statistik
Machine learning

Data Scientist belum dibahas praktisi di sesi Ngobrol Karir. Kami memperbarui halaman ini sesudah sesi tentang data science, ML, dan AI.

Posisinya di perjalanan data

Data Scientist memegang lapisan 5 sampai 7, dari Analisis ke ML.

Label: Penyusun. Isi tiap lapisan

Bekerja dengan siapa

Product manager yang punya masalahnya, dan ML Engineer yang akan menjalankannya.

Label: Data (BLS dan O*NET) · Penyusun

Kerjanya apa

Membuat model dari data untuk memprediksi atau mengelompokkan, misalnya permintaan bulan depan.

Analoginya

Prakirawan cuaca: menghitung peluang dari pola masa lalu, lengkap dengan ketidakpastiannya.

Pertanyaan yang ia jawab

“Pelanggan mana yang kemungkinan berhenti?”
“Berapa stok yang perlu disiapkan bulan depan?”
“Perubahan ini berpengaruh, atau kebetulan?”

Label: Data (BLS dan O*NET) · Penyusun

Sepekan kerjanya

Mengubah masalah bisnis jadi soal yang bisa dijawab model, menyiapkan fiturnya, melatih beberapa model, lalu membandingkannya dengan cara paling sederhana yang sudah ada.

1Membersihkan raw data
2Membangun dan menguji model
3Membandingkan model dengan metric
4Menyajikan hasil ke stakeholder

Hasil kerjanya

Model beserta ukuran seberapa sering ia benar, dan catatan kapan ia tidak boleh dipercaya.

Model prediksi
Laporan evaluasi
Analisis eksperimen

Alat yang dipakai

Data Scientist memakai 23 alat di peta alat handout. Sebanyak 13 di antaranya ramah pemula dan diberi warna. Mulailah dari satu alat berwarna di tiap kelompok.

Ramah pemula (13)Menyusul (10)

Ingestion (pengambilan data): Script Python (requests + pandas) (ramah pemula)
Penyimpanan: Google BigQuery (ramah pemula)
Databricks
DuckDB (+ MotherDuck) (ramah pemula)
Transformasi dan modeling: pandas (Python) (ramah pemula)
Big data dan streaming: Apache Spark / PySpark
Analisis: SQL lewat DuckDB (Colab atau shell.duckdb.org) (ramah pemula)
Python + pandas (ramah pemula)
R / RStudio
Jupyter / Google Colab (ramah pemula)
SAS / SPSS / Stata
Data science dan machine learning: scikit-learn (ramah pemula)
TensorFlow / Keras
PyTorch
XGBoost / LightGBM (ramah pemula)
Hugging Face (model dan dataset) (ramah pemula)
Kaggle (dataset dan notebook) (ramah pemula)
MLflow (experiment tracking)
Weights & Biases (kini CoreWeave Forge)
MLOps dan deployment: Streamlit + Community Cloud (ramah pemula)
Tata kelola dan kualitas data: Great Expectations (GX Core)
Kerja sama dan fondasi: Google Cloud (GCP)
Microsoft Azure (ramah pemula)

Label: Penyusun, per 3 Oktober 2026. Tanda ramah pemula penilaian pengajar, belum hasil survei.

Skill minimum untuk junior: Python, SQL, statistik inferensial, dasar ML: regresi, klasifikasi, evaluasi.
Judul lain di lowongan: Associate Data Scientist
Applied Scientist
Decision Scientist
Statistician

Roadmap belajarnya

Data Scientist punya tiga anak tangga belajar. Naiklah ke anak tangga berikutnya sesudah batas “cukup kalau” tercapai.

1
1. Fondasi
Python, SQL, statistik, aljabar dan peluang dasar. Prasyarat Google ML Crash Course: aljabar, dasar aljabar linear, statistik (mean, median, outlier, standar deviasi), Python (fungsi, list, dictionary, loop)
Cukup kalau
Bisa membersihkan dan meringkas data di pandas
AI membantu: Menjelaskan konsep, membuat latihan
2
2. Inti
Regresi linear dan logistik, klasifikasi, data numerik dan kategorikal, generalization dan overfitting; evaluasi model; eksperimen
Cukup kalau
Bisa membangun baseline sederhana, membandingkannya dengan model lain, dan menjelaskan kapan model gagal
AI membantu: Menulis kode scikit-learn yang Anda baca dan uji
3
3. Lanjut
Neural network, embedding, pengantar LLM, production ML, fairness; satu domain
Cukup kalau
Bisa menyerahkan model ke ML Engineer dengan dokumentasi dan metric yang jelas
AI membantu: Riset literatur, draft dokumentasi

Label: Data

Fondasi yang dipakai semua peran →

Contoh portfolio

Forecasting data publik dengan baseline sederhana, plus di mana model salah.

Kesalahan umum

Model rumit tanpa baseline. Data masa depan bocor ke data training.

Label: Data (lowongan dan Google) · Penyusun

AI dan manusia

Dibantu AI

Menulis kode analisis dan model, menjelaskan library.

Tetap di tangan manusia

Memilih masalah, mengecek asumsi, menanggung keputusan.

Label: Data (lowongan dan Google) · Penyusun

Jalur masuk dan lowongan

Snapshot 3 Oktober 2026 mencatat 47 lowongan untuk peran ini, dari 538 lowongan peran data. Python diminta di 20 dari 22 lowongan dengan deskripsi lengkap. Dari lowongan berdeskripsi lengkap, 5 dari 22 menulis terbuka untuk fresh graduate (n kecil).

DataSnapshot lowongan 3 Oktober 2026

47 lowongan berjudul Data Scientist, dari 538 lowongan peran data.

Skill yang paling sering diminta: Dari 22 lowongan berdeskripsi lengkap.; Python90,9%
SQL81,8%
Machine learning72,7%
Syarat pengalaman: 2 tahun (median dari 11 lowongan yang menulis syaratnya sendiri). Baca sebagai arah saja.; Lowongan yang meminta 1 tahun atau kurang: 57,1% dari 21 lowongan bersyarat, dan 45,5% kalau isian Glints tidak dihitung, sama dengan halaman pasar kerja. Glints mencatat rentang pengalaman dari batas bawahnya, jadi angka pertama terlalu tinggi. Angka syarat pengalaman ini beda dengan porsi lowongan yang menulis terbuka untuk fresh graduate di atas.
Lowongan berbahasa Inggris: 72,7% (16 dari 22 lowongan berdeskripsi lengkap).

Lowongan Data Scientist dihitung dari judulnya. Snapshot satu hari, 9 website lowongan publik (terbanyak Glints dan Jobstreet), tanpa LinkedIn. Bukan estimasi pasar. Kami mengganti angka di kotak ini begitu snapshot berikutnya keluar.

Cocok untuk Anda?

Cocok kalau

Nyaman dengan ketidakpastian, dan tertarik pada pertanyaan yang jawabannya berupa kemungkinan, bukan angka pasti.

Kurang cocok kalau

Butuh dasar statistik yang cukup kuat. Kalau Anda menghindari matematika, mulai dari peran lain akan lebih menyenangkan.

Langkah pertama

Mulai dari statistik, baru machine learning. Model yang dibangun tanpa paham dasarnya menghasilkan angka yang terlihat meyakinkan padahal salah.

Sumber gratisnya

Sumber: handout Peta Dunia Data, seri Ngobrol Karir Data & AI, Oktober 2026. Kami menyesuaikan bahasanya untuk anakdata; label di tiap bagian menunjukkan asal isinya.

Kembali ke peta semua peran