Persiapan
Sebelum melamar: empat langkah persiapan
Kami memecah urusan mencari kerja di bidang data jadi enam langkah. Halaman ini membahas empat yang pertama: mengukur skill, memilih target role, berlatih sesuai gap, dan membuat portfolio. Melamar dan evaluasi ada di dua halaman berikutnya.
Tiap langkah punya hasil yang bisa Anda tunjukkan, misalnya daftar gap atau satu kalimat target. Kalau hasilnya belum ada, langkah itu belum selesai.
Dua cara mencari kerja
Menyebar. Melamar ke semua lowongan yang judulnya ada kata data, ikut banyak kursus tanpa satu project pun, dan menunggu sampai merasa siap.
Terarah. Memilih satu target role, berlatih sesuai gap, membuat project yang mirip tugas di lowongannya, lalu memperbaiki diri dari hasil lamaran.
Cara kedua lebih lambat di awal, tapi tiap lamaran yang gagal memberi tahu bagian mana yang perlu diperbaiki.
- 1Self-assessmentHasil: daftar skill gap
- 2Target roleHasil: satu kalimat target
- 3UpskillingHasil: jadwal latihan
- 4PortfolioHasil: dua sampai tiga project
- 5ApplyHasil: lamaran yang rutin dan tercatat
- 6EvaluasiHasil: satu perbaikan berikutnya
Sesudah langkah 6, kembali ke langkah 1. Ulangi tiap dua sampai empat minggu, sambil membawa hasil evaluasinya.
Langkah 1 · Self-assessment
Ukur skill dari tugas yang bisa Anda selesaikan sendiri
Kerjakan tiap tes cepat di bawah tanpa membuka tutorial, lalu beri nilai 0 sampai 3. Rasa yakin sulit diukur, sedangkan tugas yang selesai bisa Anda tunjukkan.
- 0Belum pernah
- 1Bisa dengan panduan
- 2Bisa sendiri
- 3Bisa mengajarkan
Spreadsheet
Ubah 10.000 baris transaksi jadi report bulanan per kategori atau per negara dalam 30 menit.
Tempat latihan spreadsheetTarget: 2, bisa sendiri
SQL
Dari tabel pesanan dan tabel pelanggan, hitung berapa pelanggan yang belanja dua kali atau lebih. Pastikan tiap pesanan hanya terhitung satu kali.
Soal yang persis beginiTarget: 2, bisa sendiri
BI tool
Buat dashboard satu halaman yang menjawab satu pertanyaan bisnis, dengan BI tool seperti Power BI, Tableau, atau Data Studio.
Tantangan visualisasiTarget: 2, bisa sendiri
Komunikasi
Ambil hasil tes SQL atau dashboard Anda di atas. Jelaskan temuannya dalam tiga kalimat kepada teman yang tidak paham data, lalu minta ia mengulangnya dengan kata-katanya sendiri.
Target: 2, bisa sendiri
Bisnis
Pilih satu industri dari daftar di langkah 2, lalu sebutkan tiga KPI-nya berikut cara menghitungnya.
KPI per industriTarget: 1, bisa dengan panduan
Hasilnya: daftar skill gap
Skill gap adalah skill yang nilainya di bawah target. Daftar ini yang menentukan apa yang Anda latih di langkah 3.
Ragu menilai sendiri?
Minta teman yang sudah bekerja di bidang data mengecek hasil tes Anda. Ia bisa menunjukkan bagian jawaban yang belum sesuai dengan cara kerja di kantor.
Angka target di tiap kartu patokan kami untuk Data Analyst junior, bukan hasil survei. Lingkaran gelap menandai targetnya dan tidak perlu diklik; catat nilai Anda sendiri di kertas atau spreadsheet. Untuk peran lain, lihat skill tiap peran di halaman peran.
Langkah 2 · Target role
Pilih role yang paling dekat dengan modal Anda
Satu target role membuat semua langkah berikutnya lebih tajam: skill yang Anda latih, project yang Anda kerjakan, dan lowongan yang Anda lamar. Jawab dua pertanyaan di bawah.
Sudah punya pengalaman kerja di bidang lain?
Sudah
Pekerjaan Anda sering mengolah angka atau report?
Sering
Analyst di bidang yang sama
Misalnya Sales Analyst kalau Anda dari sales, atau Finance Analyst kalau dari akuntansi. Pengalaman domain Anda ikut terpakai.
Belum
Lebih suka menganalisis, atau membangun sistem data?
Menganalisis
Kalau belum ada pengalaman sama sekali, internship juga pintu yang wajar.
Membangun
Fondasinya SQL, Python, dan ETL, yaitu proses mengambil data dari sumbernya, merapikannya, lalu memuatnya ke database untuk analisis.
Masih ragu? Coba dulu lewat internship atau satu project freelance. Beberapa bulan mengerjakan salah satunya membantu Anda melihat pekerjaan mana yang cocok.
Tulis target Anda dalam satu kalimat
Saya mengincar posisi [role] di [industri], dengan modal [skill dan pengalaman], dan sedang belajar [skill yang masih kurang].
Kalimat ini dipakai di ringkasan CV dan bagian About di LinkedIn. Untuk interview, kembangkan jadi perkenalan 60 detik di halaman seleksi.
Tiga contoh profil, semuanya rekaan
AFresh graduate Statistika
- Target
- Junior Data Analyst di e-commerce
- Modal
- SQL, Python, dan statistik dari kuliah
- Gap
- BI tool dan pemahaman bisnis
- Project
- Kenapa pelanggan baru tidak belanja lagi
“Saya mengincar posisi Junior Data Analyst di e-commerce, dengan modal SQL, Python, dan statistik dari kuliah, dan sedang belajar Power BI serta metric bisnis e-commerce.”
BAdmin sales tiga tahun di distributor FMCG, yaitu barang kebutuhan sehari-hari yang cepat habis, seperti sabun dan mi instan
- Target
- Sales Data Analyst di FMCG
- Modal
- Excel dan paham alur distribusi
- Gap
- SQL dan dashboard
- Project
- Penjualan dan stok per wilayah
“Saya mengincar posisi Sales Data Analyst di FMCG, dengan modal tiga tahun menyusun report penjualan di distributor, dan sedang belajar SQL serta dashboard.”
CStaf akuntansi dua tahun
- Target
- Finance Data Analyst
- Modal
- Excel dan proses closing bulanan
- Gap
- SQL dan Power BI
- Project
- Dashboard budget vs realisasi
“Saya mengincar posisi Finance Data Analyst, dengan modal dua tahun mengerjakan closing bulanan di Excel, dan sedang belajar SQL serta Power BI.”
Industri menentukan KPI, pertanyaan, dan data project Anda
Data Analyst di bank dan di perusahaan barang konsumsi memakai SQL yang sama, tapi menghitung hal yang berbeda. KPI (key performance indicator) adalah angka utama yang dipantau perusahaan untuk menilai performanya. Pilih satu industri, lalu pakai KPI-nya untuk tes "Bisnis" di langkah 1 dan untuk project di langkah 4.
Ritel dan FMCG
- Sales per outlet
- Retur
- Sell-through
Contoh pertanyaan: Produk mana yang paling sering diretur, dan berapa dampaknya ke penjualan?
E-commerce
- Conversion rate
- AOV
- Repeat order
Contoh pertanyaan: Kenapa pelanggan baru tidak belanja lagi?
Data: Olist Brazilian E-Commerce (Kaggle) (membuka tab baru) Lisensi CC BY-NC-SA 4.0: boleh untuk belajar dan portfolio, tidak untuk keperluan komersial.
Bank dan fintech
- Approval rate
- NPL
- Fraud rate
Contoh pertanyaan: Profil peminjam mana yang paling berisiko gagal bayar?
Data: UCI Default of Credit Card Clients (membuka tab baru) Nasabah kartu kredit di Taiwan. Lisensi CC BY 4.0, sebutkan sumbernya.
Kesehatan
- BOR
- Biaya klaim
- Kunjungan ulang
Contoh pertanyaan: Diagnosis apa yang menyerap biaya klaim terbesar?
Data: Data Sampel BPJS Kesehatan (membuka tab baru) Perlu daftar akun dengan nomor KTP dan nomor kartu BPJS Kesehatan sebelum bisa mengajukan permintaan data.
Pemerintahan
- Realisasi APBD
- Harga pangan
- IPM
Contoh pertanyaan: Provinsi mana yang harga pangannya paling tidak stabil?
Data: PIHPS Bank Indonesia (membuka tab baru) Tanpa lisensi terbuka. Sebutkan sumbernya.
- AOV: average order value, rata-rata nilai satu pesanan
- NPL: non-performing loan, porsi kredit bermasalah: kurang lancar, diragukan, dan macet
- Sell-through: porsi stok terkirim yang sudah terjual
- Conversion rate: porsi pengunjung yang akhirnya membeli
- BOR: bed occupancy rate, porsi tempat tidur rumah sakit yang terisi
- IPM: Indeks Pembangunan Manusia
Langkah 3 · Upskilling
Latih yang masih di bawah target, satu per satu
Latih skill yang nilainya di bawah target, satu per satu. Urutannya mengikuti urutan belajar kami: spreadsheet dan SQL dulu. Di snapshot lowongan kami, SQL masuk lima skill teratas di 5 dari6 peran data, dan spreadsheet termasuk yang paling sering diminta lowongan Data Analyst.
Contoh untuk orang yang mulai dari nol di semua skill. Lewati baris yang nilainya sudah mencapai target. Komunikasi dan Bisnis dilatih lewat project di langkah 4: memo satu halaman melatih komunikasi, dan KPI industri melatih pemahaman bisnis.
Spreadsheet, pivot table, lookup: minggu 1 sampai 2
SQL dasar, SELECT, GROUP BY: minggu 2 sampai 3
SQL lanjutan, JOIN, window function: minggu 4 sampai 5
BI tool, satu dashboard: minggu 5 sampai 6
Latihan tes, soal bertimer: minggu 7 sampai 8
M1 sampai M8 = minggu pertama sampai minggu ke-8. Batang gelap: latihan soal bertimer, yang meniru technical test.
Belajar mandiri
Materi gratis dan soal latihan online, satu sampai dua jam per hari.
Sumber gratisKelas terstruktur
Jadwal tetap, ada mentor, dan tugas Anda mendapat feedback. Cek biayanya sebelum mendaftar.
Sambil bekerja
Pakai data di kantor untuk latihan, dengan izin. Perkiraan kami, durasinya jadi sekitar satu setengah sampai dua kali lebih panjang.
Aturan pakai AI
Tutup tiap skill dengan satu latihan tanpa AI. Pakai AI untuk menjelaskan jawaban Anda yang salah, jangan untuk mengerjakannya. Technical test dikerjakan tanpa bantuan, dan kebiasaan itu perlu dilatih sebelum harinya.
Tempat latihan, termasuk soal ala technical testLangkah 4 · Portfolio
Kerjakan project seperti tugas dari atasan
Mulai melamar begitu project pertama selesai, lalu kerjakan project kedua sambil melamar. Menurut kami, dua sampai tiga project cukup sebagai isi portfolio, asal tiap project menjawab pertanyaan bisnis dan berakhir dengan rekomendasi. Kami menyarankan lima tahap ini untuk tiap project.
1Brief
Tulis pertanyaan bisnisnya dan siapa yang akan memakai hasilnya.
2Data
Catat sumbernya, jumlah barisnya, dan keterbatasannya.
3Analisis
Bersihkan, hitung, lalu cek ulang angkanya.
4Hasil
Memo satu halaman, dashboard, dan tiga rekomendasi.
5Bagikan
README, yaitu halaman pengantar yang tampil pertama saat orang membuka folder project Anda di GitHub. Lalu post LinkedIn, dan kalau sempat video lima menit.
Datanya dari mana
- Data publik. Kaggle, BPS, PIHPS. Mudah didapat, tapi banyak orang lain memakai data yang sama.
- Data nyata. Dari UMKM, organisasi, atau kantor, dengan izin pemiliknya. Samarkan nama orang dan perusahaan di dalamnya.
- Data yang Anda kumpulkan sendiri. Survei kecil atau data dari web. Paling orisinal, dan paling makan waktu.
Sebaiknya dihindari
- Dataset Titanic (data penumpang kapal Titanic) atau Iris (ukuran bunga iris). Keduanya dataset contoh untuk pemula, jadi project dari data itu sulit menunjukkan apa yang membedakan Anda.
- Dashboard tanpa kesimpulan. Pembaca CV ingin tahu apa yang Anda temukan, tidak cukup grafiknya.
- Kode buatan AI yang tidak Anda pahami. Interview bisa menanyakan kenapa Anda memilih cara itu.
Tiga contoh project yang mirip tugas Data Analyst
01
KPI report dan memo
Bersihkan data penjualan, buat report mingguan dengan pivot table, lalu tulis memo satu halaman.
Melatih: Spreadsheet, reporting
02
Analisis SQL multi-tabel
Gabungkan tiga tabel atau lebih untuk menghitung repeat order atau keterlambatan pengiriman.
Melatih: SQL, JOIN, cek angka
03
Dashboard dan rekomendasi
Dashboard untuk satu keputusan, ditutup tiga rekomendasi yang bisa langsung dijalankan.
Melatih: BI tool, insight
Kalau ada data dari industri target Anda, pakai itu. Untuk enam brief project dari data Indonesia, lengkap dengan bagian datanya yang berantakan, buka Proyek portofolio.
README dalam enam bagian
01 · Judul
Ditulis sebagai pertanyaan bisnis.
02 · Konteks
Siapa stakeholder-nya, dan keputusan apa yang mereka ambil dari hasilnya.
03 · Data
Sumber, ukuran, dan keterbatasannya.
04 · Metode
Langkah utama, dan alasan memilihnya.
05 · Temuan
Paling banyak tiga, masing-masing dengan angkanya.
06 · Rekomendasi
Langkah yang Anda sarankan, dan perkiraan dampaknya.
Taruh executive summary, yaitu ringkasan tiga kalimat, di paling atas, sebelum enam bagian ini. Kalau reviewer cuma sempat membaca bagian atas, ringkasan itu yang ia baca.
Dari project ke poin CV
Kata kerjaAktivitasToolsHasil
Sebelum
Membuat dashboard penjualan dengan Power BI.
Sesudah
Membangun dashboard penjualan mingguan di Power BI dari tiga tabel transaksi; menemukan empat kategori produk dengan margin negatif dan menyusun rekomendasi harganya.
Sebelum
Mahir SQL.
Sesudah
Menganalisis repeat order pelanggan dengan SQL (JOIN tiga tabel, agregasi per bulan); menunjukkan bahwa pelanggan baru paling banyak berhenti di bulan kedua.
Data
Kata kunci untuk CV diambil dari lowongan yang Anda lamar. Sebagai gambaran, ini lima hal yang paling sering disebut 151 lowongan Data Analyst berdeskripsi lengkap di snapshot kami, 3 Oktober 2026:
- Excel/spreadsheet 60%
- Problem solving & berpikir kritis 60%
- SQL 60%
- Komunikasi & storytelling 54%
- Visualisasi data 53%
Kalau dirangkai
Rencana 8 minggu, mulai melamar di minggu 4
Anda tidak perlu menunggu semua skill sampai target sebelum melamar. Begitu project pertama selesai, mulai melamar, dan kerjakan project kedua sambil jalan.
Di rencana ini, latihan skill dipadatkan jadi enam minggu, dan soal bertimer dikerjakan sambil melamar.
Self-assessment dan target: minggu 1
Upskilling: minggu 1 sampai 6
Project 1: minggu 2 sampai 3
CV, LinkedIn, README: minggu 3 sampai 4
Project 2: minggu 4 sampai 5
Apply dan referral: minggu 4 sampai 8
Latihan soal bertimer: minggu 4 sampai 8
Evaluasi: minggu 6 dan 8
M1 sampai M8 = minggu pertama sampai minggu ke-8. Batang gelap: melamar dan minta referral.
Fokus mencari kerja
Perkiraan kami: tiga sampai empat jam per hari. Rencana di atas cukup.
Sambil bekerja
Perkiraan kami: sekitar dua jam per hari, termasuk akhir pekan. Rencananya jadi 12 sampai 16 minggu.