Baik Anda seorang pelajar, calon data scientist, maupun profesional yang ingin beralih karier, jika Anda ingin menjadi data scientist berpengalaman, Anda perlu mengikuti jalur tertentu. Ini tidak selalu mudah, karena lanskap data science kini cukup luas dan, akibatnya, ada beragam jenis profesional data science dengan aktivitas dan keahlian yang berbeda.
Untuk mendekati sebuah jalur data science, artikel ini memberikan gambaran lanskap data science agar Anda dapat melihat peran mana yang sesuai dengan ambisi Anda. Selain itu, artikel ini juga memberikan panduan tentang cara memasuki atau bertumbuh ke berbagai peran dalam lanskap tersebut, menjawab pertanyaan seperti: Keterampilan apa yang harus Anda kembangkan dan metode apa yang perlu Anda kenali?
Mari mulai dengan peta jalan data science kami.
Secara Singkat: Peta Jalan Data Science
Dalam artikel ini, kami mengulas secara mendalam seluruh aspek peta jalan. Namun, jika Anda mencari ringkasan garis besarnya, berikut ini intisarinya:
- Memahami Data Science: Kuasai dasar-dasar data science dan lanskapnya yang luas.
- Memahami Siklus Hidup Proyek: Mulai dari masalah bisnis, kembangkan model prediktif, dan lakukan deployment ke produksi, dengan memahami kontribusi berbagai peran (Data Analyst, Data Scientist, Machine Learning Engineer, Data Engineer, Data Architect).
- Analisis dan Visualisasi Data: Lakukan exploratory data analysis (EDA) dan kuasai alat visualisasi data (misalnya matplotlib di Python, ggplot2 di R, PowerBI, Tableau).
- Fondasi Statistik dan Matematika: Pelajari statistik deskriptif dan inferensial, serta pahami konsep matematika kunci, terutama untuk aplikasi machine learning.
- Topik Lanjutan: Machine Learning dan AI: Latih dan evaluasi model, dalami deep learning, dan pahami loop umpan balik AI.
- Aplikasi Praktis dan Proyek: Implementasikan dan pamerkan proyek menggunakan dataset publik atau pribadi, ikuti hackathon, dan kembangkan portofolio untuk menunjukkan keahlian.
- Navigasi Karier: Identifikasi peran yang sesuai dengan keterampilan Anda, persiapkan diri untuk pertanyaan wawancara yang relevan, dan tetap mengikuti tren serta sumber daya industri.
Dengan mengikuti peta jalan ini, Anda dapat menavigasi lanskap data science secara efektif, membangun keterampilan esensial, dan mengejar karier yang memuaskan di bidang ini.
1. Memahami Dasar-Dasar Data Science
Apa itu data science?
Untuk memahami konteks peta jalan data science, penting untuk mengetahui apa itu Data Science. Kami memiliki panduan lengkap yang membahas definisi dan penjelasan data science, tetapi untuk keperluan artikel ini, kami menganggap data science sebagai serangkaian aktivitas yang bertujuan menyelesaikan masalah menggunakan data.
Masalah yang sangat sering terjadi adalah “Saya punya pertanyaan, tetapi tidak tahu jawabannya”, jadi jika Anda menjalankan kueri SQL pada database penjualan untuk mengetahui berapa banyak pendapatan yang dihasilkan organisasi bulan lalu, Anda sudah bertindak sebagai data scientist!
Sering kali, masalah/solusi lebih kompleks dan membutuhkan seperangkat keahlian yang lebih beragam. Untuk dapat membahas berbagai peran dan keterampilan data science di sepanjang peta jalan ini, kami akan menggunakan siklus hidup proyek data science sebagai payung besar. Ini memungkinkan kita memetakan berbagai aktivitas dan peran, serta menjadi dasar untuk memetakan wilayah data science.
2. Membiasakan Diri dengan Siklus Hidup Proyek Data Science
Proyek data science umumnya dimulai dengan pertanyaan atau masalah bisnis. Masalah memicu fase inisiasi, di mana serangkaian solusi yang mungkin didefinisikan, dan kelayakan awal dinilai. Pengumpulan data awal atau exploratory data analysis terhadap data yang tersedia dilakukan untuk melihat apa yang mungkin dan tidak. Apakah datanya cukup kaya? Apakah mengandung fitur yang memadai?
Inisiasi dan eksplorasi
Setelah semua lampu hijau, kita mulai mengembangkan model prediktif. Model akan menggunakan input untuk memprediksi keluaran. Awalnya, ini mungkin hanya model sekali jalan, dilatih, diuji, dan divalidasi pada set cross-validation k-fold (teknik machine learning untuk menilai seberapa baik model kemungkinan tampil pada data yang belum terlihat). Ini adalah pekerjaan yang biasanya dilakukan oleh data scientist klasik. Setelah model berkinerja cukup baik, saatnya memproduksikannya dan menempatkannya dalam pipeline pada infrastruktur yang ada, di mana kinerja akan dipantau, dan model akan dilatih ulang bila perlu.
Setiap fase ini membutuhkan keterampilan yang berbeda. Selama fase inisiasi, orang perlu memiliki wawasan bisnis, akrab dengan transformasi data, pembersihan, statistik deskriptif, dan statistik inferensial dasar. Ini adalah pekerjaan yang dapat dilakukan oleh data analyst dan/atau data scientist.
Pengembangan model dan produksi
Pada fase pemodelan, model prediktif harus dibangun. Model sederhana, seperti regresi, dapat dibangun oleh data analyst, tetapi jika menjadi lebih kompleks, Anda memerlukan data scientist untuk membangun model menggunakan algoritma yang ada atau bahkan machine learning engineer untuk mengubah atau membuat algoritma baru.
Saat melakukan deployment dan memproduksi model, Anda memasuki ranah machine learning engineer atau data engineer. Berbeda dengan tahap sebelumnya, tidak selalu ada kaitan erat dengan bisnis, dan tugas yang dihadapi berfokus pada pembuatan dan pemantauan pipeline di sekitar model prediktif untuk memberikan keluaran yang andal ke sistem target yang tepat.
Sepanjang proses, semua data harus tersedia di tempat yang tepat dengan meta-informasi yang benar, yang menjadi peran data architect. Saat data baru diambil atau data yang ada ditransformasi menjadi informasi baru, mereka memastikan data berakhir di tempat yang tepat.
Integrasi peran dan kolaborasi lintas fungsi
Cara berbagai peran berkontribusi di berbagai fase dalam siklus hidup diilustrasikan pada gambar di bawah. Karena peran berbeda berkontribusi pada tahap yang berbeda, mereka memerlukan keterampilan yang berbeda pula.
Peran di awal siklus hidup memerlukan wawasan bisnis lebih tinggi dan rekayasa yang lebih sedikit, sedangkan fase selanjutnya memerlukan wawasan bisnis yang lebih sedikit dan rekayasa serta optimisasi algoritme yang lebih banyak. Untuk mengilustrasikan, sebagai data scientist, Anda masih bisa bertahan dengan kinerja komputasi yang suboptimal untuk menunjukkan nilai dan kinerja model Anda. Namun, begitu Anda bertanggung jawab memproduksi model, Anda perlu mampu mengoptimalkan kompleksitas komputasi agar pipeline Anda efisien (dan hemat biaya).

Tingkat kontribusi berbagai Peran Data Science sepanjang Proyek Data Science (DAn - Data Analyst, DS - Data Scientist, MLE - Machine Learning Engineer, DE - Data Engineer, DAr - Data Architect - Gambar oleh Penulis
Penting untuk diketahui bahwa batas antar peran tidak kaku. Banyak data scientist yang sudah memikirkan sistem sumber/target yang tepat dan efisiensi komputasi serta mempertimbangkannya dalam kode mereka. Seorang machine learning engineer mungkin menyadari bahwa pendekatan pembuatan fitur tertentu dapat meningkatkan kinerja model. Seorang data analyst mungkin memiliki saran yang baik tentang di mana di katalog data sebaiknya menyimpan fitur yang dihasilkan untuk data architect. Dengan kata lain, semua peran sebaiknya, sampai batas tertentu, menyadari pekerjaan peran lainnya, namun tidak harus memahami secara mendalam tanggung jawab masing-masing.
Keterampilan dan alat penting
Terkait keterampilan dan alat yang Anda perlukan, ada landasan yang jelas. Terlepas dari di mana Anda berkontribusi dalam siklus hidup proyek data science, Anda perlu memiliki pemahaman dasar tentang matematika dan statistik, pengembangan perangkat lunak kolaboratif, dan manipulasi data. Secara garis besar, awal dari peta jalan data science mencakup:
- Manipulasi Data (pikirkan pekerjaan Extract-Transform-Load, seperti yang diajarkan dalam SQL, Python, atau R),
- Analisis Data (Statistik) (seperti yang diajarkan dalam statistik deskriptif dan beberapa statistik korelasional),
- Machine Learning (seperti yang diajarkan dalam supervised learning di Python atau R), dan
- Versioning untuk rekayasa perangkat lunak kolaboratif (seperti yang diajarkan dalam Git).
Ada berbagai jenis peran data science dengan kebutuhan keterampilan yang berbeda: seorang Data Analyst akan membutuhkan pengetahuan SQL yang lebih mendalam daripada Data Engineer. Seorang Data Scientist perlu lebih memahami Machine Learning dibanding Data Architect. Di sinilah peta jalan data science bercabang: bergantung pada ambisi Anda di lanskap data science, Anda perlu mempelajari keterampilan yang berbeda. Bagian berikut akan menjelaskan berbagai cabang dalam peta jalan yang bisa Anda pertimbangkan.
3. Menyelami Lebih Dalam Analisis dan Visualisasi Data
Exploratory Data Analysis (EDA)
Apa pun sejauh mana perjalanan Anda di peta jalan data science, baik Anda veteran berpengalaman maupun baru memulai, semua proyek data science dimulai dengan memahami data Anda.
Pemahaman menyeluruh terhadap data Anda sangat penting untuk menilai kelayakan proyek. Mulailah dengan pertanyaan dasar seperti ‘variabel apa yang saya punya?’ dan ‘berapa banyak observasi yang saya punya?’ dan akhiri dengan pertanyaan lebih kompleks seperti ‘bagaimana hubungan antarsesama variabel?’
Cukup sering hasil EDA itu sendiri bisa menjadi jawaban atas pertanyaan pemangku kepentingan Anda. Ketika divisualisasikan dengan tepat dan disajikan secara koheren, misalnya dalam sebuah dasbor, hasil analisis data sederhana bisa digunakan untuk menjawab pertanyaan kompleks. Namun, ini bertumpu pada keterampilan visualisasi data.
Tetapi dengan hanya menunjukkan lewat EDA Anda bahwa, misalnya, ada segmen pengunjung situs web yang berbeda, Anda sudah memberikan nilai dengan cara seorang data scientist.
Ada banyak cara untuk memvisualisasikan hasil. Bisa menggunakan pustaka/paket visualisasi pada bahasa yang Anda gunakan (seperti ggplot2 di R dan matplotlib di Python) atau menggunakan alat visualisasi data khusus (seperti PowerBI, Tableau, atau bahkan Excel)
Menguasai Visualisasi Data
Terutama saat kita lebih berfokus pada tugas Data Analyst, pemahaman yang lebih mendalam tentang visualisasi data sangat membantu.
Bagi sebagian besar peran data science, visualisasi dapat digunakan untuk memeriksa asumsi melalui scatter plot dan histogram, tetapi ketika analisis itu sendiri menjadi deliverable, seperti bagi Data Analyst, Anda akan menghadapi situasi di mana Anda ingin membuat hasil analisis mudah dan menyenangkan untuk dicerna.
Pikirkan gaya rumah kustom, visualisasi baru, atau infografik untuk menjadi masukan bagi unit pengambilan keputusan. Dalam situasi seperti ini, kemampuan membuat visualisasi data yang nyaris merupakan karya seni akan sangat membantu. Understanding Data Visualization adalah kursus yang benar-benar membantu memperdalam kompetensi dataviz Anda.

Peta Jalan Data Science, divisualisasikan sebagai peta metro, menampilkan fondasi yang sama bagi semua Peran data science dan keterampilan spesifik untuk peran yang berbeda. - Gambar oleh Penulis
4. Membangun Fondasi Statistik dan Matematika
Statistik deskriptif dan inferensial
Salah satu pemberhentian pertama di peta jalan data science adalah statistik. Beberapa konsep statistik dasar harus menjadi kebiasaan bagi tipe data scientist mana pun.
Kapan pun, Anda harus mampu mendeskripsikan data Anda dan subgrupnya. Berapa pendapatan rata-rata di dataset Anda? Berapa nilai minimum dan maksimum? Berapa simpangan baku, atau ukuran penyebaran lain? Dan jika Anda memiliki nilai kategorikal, ada berapa nilai unik? Mana yang paling sering muncul? Apakah semua nilai muncul dengan frekuensi yang sama, atau distribusinya kurang merata?
Menjawab pertanyaan dengan analitik deskriptif atas grup/subgrup sudah dapat memberikan wawasan berharga, tetapi sering kali Anda harus melihat hubungan antarvariabel dalam dataset dan beralih ke statistik inferensial.
Bagian yang menantang dan menarik dari statistik inferensial adalah berbagai jenis nilai kategorikal dan numerik serta hubungan di antaranya. Contohnya mencakup:
- Korelasi; hubungan antar nilai numerik, seperti “bagaimana hubungan usia dan pendapatan?”
- Hubungan antara kategorikal dan numerik untuk menyelidiki pertanyaan, “Bagaimana perbandingan pendapatan pria dan wanita?” (dengan gender sebagai nilai input kategorikal dan pendapatan sebagai nilai target numerik),
- Atau sebaliknya, “Apakah orang yang lebih tua lebih rentan bercerai?” (dengan usia sebagai nilai input numerik dan status cerai sebagai nilai target kategorikal).
- Hubungan antarnilai kategorikal, “Apakah pria lebih sering bercerai daripada wanita?”
Untuk dapat menjawab pertanyaan-pertanyaan ini, Anda perlu mengetahui berbagai jenis uji statistik, mulai dari yang paling mudah Uji T hingga metode yang lebih kompleks seperti regresi linear multivariat atau analisis deret waktu.
Anda dapat mengikuti kursus terkait untuk memperdalam pemahaman statistik di: Python, R, dan bahkan independen dari alat. Kursus-kursus ini memberikan dasar yang tepat untuk mulai bekerja dengan machine learning. Dengan memahami secara statistik hubungan antara prediktor dan variabel target, Anda memahami prinsip algoritme yang digunakan untuk membuat model supervised learning.
Seberapa dalam Anda ingin menyelami area ini kembali bergantung pada tujuan Anda di peta jalan data science. Jika Anda ingin menjadi data analyst, memahami dasar-dasar statistik mungkin sudah cukup. Data architect mungkin tidak memerlukan pengetahuan statistik sama sekali. Namun data scientist dan machine learning engineer pasti akan menghadapi situasi di mana mereka harus mengandalkan keahlian statistiknya.
Konsep matematika untuk data science
Data science dibangun di atas angka dan perhitungan dan, akibatnya, matematika berperan besar. Meski gelar matematika tingkat lanjut bukan keharusan dalam peta jalan data science, memahami aljabar dan kalkulus akan membantu Anda secara konseptual memahami sejumlah metode yang sering digunakan dalam data science. Sebagian besar pendekatan reduksi dimensi (seperti PCA dan Faktorisasi Matriks) bergantung pada Aljabar Linear, dan banyak algoritme optimasi (seperti gradient descent) bergantung pada Kalkulus.
Dan seperti halnya statistik dan analisis data, pengetahuan ini tidak selalu relevan untuk semua peran data science. Jika Anda bertekad menjadi machine learning engineer, tidak ada jalan lain selain matematika. Namun sebagian besar peran lain—bahkan data scientist—mungkin masih dapat bekerja tanpa harus menguasai aljabar dan kalkulus secara mendalam.
Untuk mempelajari dan memahami konsep aljabar lebih lanjut, lihat kursus kami Linear Algebra for Data Science in R
5. Menjelajahi Topik Lanjutan: Machine Learning dan AI
Pengantar machine learning
Machine learning adalah seni membuat perangkat lunak yang belajar dari data. Ini benar-benar andalan bagi data scientist, machine learning engineer, dan bahkan data engineer. Bagian dari solusi Anda yang memberikan perkiraan pendapatan penjualan untuk perusahaan Anda, berdasarkan inventaris dan harga? Itu dibangun melalui machine learning!
Tingkat pengetahuan minimum yang Anda perlukan sebagai data scientist adalah mampu melatih dan mengevaluasi model. Dalam situasi tertentu, Anda mungkin ingin menyelami lebih dalam dan mempelajari cara mengubah algoritme yang ada atau bahkan menulis algoritme baru, memasuki ranah machine learning engineer.
Anda memiliki banyak kebebasan dalam melakukan machine learning. Anda bisa mengodekan semuanya sendiri (di Python, R, C#, atau Java, dengan pustaka yang relevan), menggunakan paket perangkat lunak lokal (seperti Weka dan RapidMiner), atau menggunakan solusi cloud (seperti Databricks dan AWS SageMaker). Meskipun ini membuat sulit memutuskan apa yang harus dipelajari, keahlian yang Anda kembangkan cukup mudah ditransfer. Ide yang baik untuk memutuskan toolkit machine learning yang akan digunakan adalah memulai dari bahasa yang sudah Anda kuasai atau melihat alat apa yang digunakan orang di industri yang Anda minati.
Anda bisa mulai dengan jalur karier Machine Learning Scientist with Python kami, yang mencakup banyak dasar yang Anda perlukan untuk memulai karier.
Menyelami Deep Learning dan AI
Hubungan antara machine learning, deep learning, dan AI sering diperdebatkan.
Saat dulu saya mengajar machine learning, kuliah pertama saya selalu berupa debat kelas yang hidup tentang pernyataan, “Machine Learning adalah bentuk AI.” Meskipun kadang digunakan secara bergantian, saya yakin bahwa machine learning memungkinkan AI, tetapi itu tidak berarti bahwa jika Anda menggunakan machine learning, Anda telah menciptakan AI.
Agar sebuah aplikasi data menjadi AI, penting ada loop umpan balik di mana aplikasi atau model belajar dari keluarannya. Dalam hal ini, algoritme supervised learning sekali jalan tidak serta merta menjadi AI. Jika Anda memberi umpan balik keluaran model kembali ke model (seperti pada reinforcement learning), barulah Anda mendapatkan AI, karena Anda memiliki sistem yang secara otomatis terus belajar dari prediksi yang benar dan salah.
Deep learning tidak lebih dari jaringan saraf yang jauh lebih besar. Yang membuatnya menarik adalah Deep Learning memungkinkan keluaran yang sangat nyata, karena model ini dapat menghasilkan teks, gambar, dan suara. Jika Anda mengerjakan proyek data science di mana penting bagi model untuk menghasilkan sesuatu yang dapat dirasakan atau dialami pengguna akhir manusia, memahami deep learning bisa menjadi keunggulan nyata. Kursus yang bagus untuk memulai adalah Introduction to Deep Learning in Python.
6. Aplikasi Praktis dan Proyek Dunia Nyata
Mengimplementasikan proyek data science
Tidak ada upaya data science yang berdiri sendiri. Seiring kemajuan Anda, penting untuk menyimpan dan memamerkan artefak yang Anda hasilkan. Bagian dari menjadi data scientist adalah mampu menunjukkan apa yang dapat Anda lakukan.
Bagi saya, bagian paling menarik dari data science adalah Anda tidak memerlukan banyak hal. Anda hanya butuh dataset publik dan sedikit kreativitas untuk menemukan pertanyaan menarik dan kemudian menjawabnya menggunakan data. Atau Anda bisa langsung ke DataLab atau Kaggle dan mulai mengerjakan tugas dan/atau kontes, mendapatkan inspirasi dari kiriman lainnya.
Sebagai alternatif, Anda dapat mengumpulkan dan menggunakan data Anda sendiri. Saya telah menganalisis data bersepeda saya yang diunduh dari Strava dan saya telah melakukan scraping data properti untuk membantu pencarian saya di pasar perumahan.
Bagian terpenting adalah Anda mendokumentasikan apa yang Anda lakukan. Usahakan pekerjaan Anda dapat direproduksi, jelaskan langkah-langkah yang Anda ambil, bagikan kode Anda, dan bagikan output analisis atau sistem Anda. Siapa tahu? Mungkin latihan Anda adalah solusi tepat untuk masalah seseorang.

Menurut saya proyek yang paling menarik adalah yang berasal dari passion dan minat Anda sendiri. Jika Anda menggunakan dataset dari bidang yang Anda kenal baik, kemungkinan Anda dapat menemukan pertanyaan yang unik dan menarik. Anda memahami domainnya, dan Anda paham datanya... Namun jika benar-benar mulai dari nol, ada banyak hal untuk mulai dikerjakan, termasuk aplikasi kencan, trading, olahraga.
Anda juga dapat menemukan beragam proyek data science di DataCamp, yang memungkinkan Anda membiasakan diri dengan jenis pekerjaan tersebut. Baik mulai dengan beberapa proyek analitik data atau mengerjakan proyek Python tertentu, Anda bisa naik tingkat ke machine learning dan bahkan proyek AI. Banyak opsi untuk membantu Anda memulai.
Jika, meski dengan semua sumber yang ada, Anda masih belum menemukan cara untuk mulai, alternatif berguna lainnya adalah mengikuti hackathon. Banyak lembaga riset dan perusahaan besar menyelenggarakan hackathon berkala.
Hackathon ini sering bertujuan mengajak tim data scientist memberi masukan pada masalah yang relevan sehingga memberi kesempatan untuk berkolaborasi dan belajar dari profesional data science lainnya. Ini memungkinkan Anda membangun jaringan dan dilirik calon pemberi kerja sambil mendapatkan pengalaman berharga.
Pengembangan portofolio
Saat ini sulit membayangkan data scientist tanpa GitHub, portofolio DataCamp, atau halaman Medium atau blog dengan kode. Portofolio adalah sesuatu yang krusial dalam data science, sebagaimana di industri kreatif lainnya.
Mampu menunjukkan proyek-proyek sebelumnya adalah cara yang bagus untuk meyakinkan orang bahwa Anda punya kemampuan yang dibutuhkan. Itulah mengapa layak untuk mulai mendokumentasikan pekerjaan Anda dalam portofolio. Sebagai alternatif, Anda dapat mendokumentasikan pekerjaan dan sudut pandang Anda sebagai posting blog atau bahkan publikasi akademik. Lihat artikel kami tentang memamerkan keahlian data melalui portofolio untuk inspirasi.
Apa pun yang Anda pilih, pastikan untuk menjaga ringkasan yang layak tampil dari proyek-proyek yang Anda kerjakan.
7. Menavigasi Lanskap Karier Data Science
Peluang karier di data science
Seluruh tulisan ini menyoroti berbagai keterampilan, pengetahuan, dan alat yang tersedia bagi seorang data scientist. Namun dari mana memulai saat memutuskan karier?
Menurut saya, ini sangat bergantung pada ambisi Anda. Hingga titik ini, seharusnya sudah jelas bahwa saya tidak percaya ada peta jalan data science yang cocok untuk semua orang.
Tentu saja, setiap peran data science dibangun di atas fondasi statistik, manipulasi data, machine learning, dan rekayasa perangkat lunak. Tetapi selain itu, sangat situasional.
Seorang data scientist menggunakan algoritme, sementara machine learning engineer mengubah atau membuat algoritme. Jadi data scientist cukup mengetahui banyak algoritme dan kapan menerapkannya, sedangkan machine learning engineer harus benar-benar memahami konsep matematika di balik algoritme.
Demikian pula, jika Anda mendapat energi dari membagikan hasil analisis, seperti data scientist atau data analyst, Anda kemungkinan akan lebih diuntungkan dari pengetahuan mendalam tentang visualisasi data dan EDA ketimbang sangat mahir dalam pemodelan data.
Jadi, peta jalan data science memiliki cukup banyak persimpangan, dan Anda dapat memutuskan sendiri seberapa dalam Anda ingin masuk ke setiap cabang data science.
Mempersiapkan wawancara data science
Terlepas dari perbedaannya, dalam wawancara apa pun Anda akan diuji hard skill dan soft skill. Ujiannya akan berbeda tergantung peran yang Anda incar.
Jika Anda tidak melamar peran seperti machine learning engineer atau data engineer, kemungkinan besar Anda tidak akan ditanya, “Bagaimana Anda mengoptimalkan algoritme A atau B?” Jadi penting untuk fokus pada keterampilan dan pertanyaan yang memang diharapkan dan ingin Anda tekuni. Mendapatkan pertanyaan tentang topik yang tidak Anda kenal bisa menjadi tanda bahwa peran itu bukan untuk Anda.
Karena di bidang yang relatif baru ini, terutama di perusahaan yang masih baru dengan data, terdapat banyak kesalahpahaman tentang apa itu data scientist atau apa yang mereka lakukan.
Saya pernah melamar peran data scientist di mana pewawancara menggunakan data scientist dan machine learning engineer secara bergantian. Jadi sangat mungkin manajer perekrutan keliru jika Anda mendapat pertanyaan yang tidak bisa Anda jawab. Hampir tidak pernah seorang data engineer seharusnya ditanya bagaimana mereka akan melakukan manajemen pemangku kepentingan dalam sebuah proyek, misalnya.
Syukurlah, ada beberapa sumber daya untuk membantu persiapan wawancara di bidang ini tergantung peran yang Anda lamar:
8. Pendidikan Berkelanjutan dan Pembelajaran Sepanjang Hayat
Tetap mengikuti tren
Bidang data science sangat dinamis, dan penting untuk selalu mengikuti tren terbaru. Dengan ChatGPT, Generative AI menjadi arus utama, dan kini sulit membayangkan data scientist yang setidaknya tidak memiliki pemahaman tentang token embeddings dan/atau attention models. Demikian pula, diperkenalkannya MLOps membuat sulit membayangkan data engineer yang memeriksa kinerja dan drift model secara manual.
Dengan pertumbuhan dinamis ini, aspek berbeda dari AI menjadi penting. Saat ini, banyak perhatian tertuju pada aspek etika dan hukum AI, sebagaimana ditunjukkan oleh berbagai debat akademik dan politik yang antara lain menghasilkan aturan dan regulasi baru.
Terlepas dari keputusan pemerintah terkait AI, tidak ada yang ingin bertanggung jawab atas skandal berikutnya di data science. Satu-satunya cara untuk menghindarinya adalah dengan tetap menyadari batasan etika dan hukum. Atau lebih baik lagi, sebagai profesional data science, Anda dapat mulai berkontribusi pada perkembangan ini dengan menggunakan latar belakang Anda untuk membentuk dan menyuarakan opini.
Ada banyak cara untuk tetap up to date. Tentu, ada DataCamp sebagai platform, tetapi Anda juga bisa mencari dan mengikuti praktisi data science yang menginspirasi di bidang Anda. Lihat apakah mereka memiliki blog, posting di X atau Medium, atau apa pun yang memberi Anda gambaran tentang bagaimana mereka memandang lanskap yang berubah dan dinamis.

Sumber belajar lanjutan
Seperti yang telah kami soroti sepanjang artikel ini, ada banyak sumber daya yang tersedia bagi siapa pun yang ingin memulai atau berkembang di bidang data science. Atau, jika Anda ingin benar-benar dekat dengan sumbernya, Anda dapat melihat konferensi teknis seperti NeurIPS, ICML, atau KDD. Lihat ini dan lainnya dalam daftar Konferensi Data Science Teratas untuk 2026.
Kesimpulan dan Langkah Berikutnya
Meskipun ada banyak pemberhentian di peta jalan data science, tidak ada satu jalur data science tunggal. Menavigasi lanskap data science mengharuskan Anda memiliki 1) gambaran lanskap (yang semoga Anda dapatkan dari tulisan ini) dan 2) gambaran tentang kekuatan, kelemahan, dan minat Anda, sehingga Anda dapat memutuskan apa yang ingin dikejar.
Jika Anda memiliki keduanya, Anda dapat mengandalkan artikel ini untuk mendorong Anda ke arah yang tepat dan keterampilan apa yang perlu Anda tekankan selama pelatihan. Syukurlah, ada sejumlah sumber daya yang membantu untuk memulai, seperti jalur karier DataCamp, yang membekali Anda dengan keterampilan yang Anda butuhkan untuk mulai menjelajahi berbagai profesi:
Baik Anda seorang pelajar, calon data scientist, maupun profesional yang ingin beralih karier, jika Anda ingin menjadi data scientist berpengalaman, Anda perlu mengikuti jalur tertentu. Ini tidak selalu mudah, karena lanskap data science kini cukup luas dan, akibatnya, ada beragam jenis profesional data science dengan aktivitas dan keahlian yang berbeda.
Untuk mendekati sebuah jalur data science, artikel ini memberikan gambaran lanskap data science agar Anda dapat melihat peran mana yang sesuai dengan ambisi Anda. Selain itu, artikel ini juga memberikan panduan tentang cara memasuki atau bertumbuh ke berbagai peran dalam lanskap tersebut, menjawab pertanyaan seperti: Keterampilan apa yang harus Anda kembangkan dan metode apa yang perlu Anda kenali?
Mari mulai dengan peta jalan data science kami.
Secara Singkat: Peta Jalan Data Science
Dalam artikel ini, kami mengulas secara mendalam seluruh aspek peta jalan. Namun, jika Anda mencari ringkasan garis besarnya, berikut ini intisarinya:
Dengan mengikuti peta jalan ini, Anda dapat menavigasi lanskap data science secara efektif, membangun keterampilan esensial, dan mengejar karier yang memuaskan di bidang ini.
1. Memahami Dasar-Dasar Data Science
Apa itu data science?
Untuk memahami konteks peta jalan data science, penting untuk mengetahui apa itu Data Science. Kami memiliki panduan lengkap yang membahas definisi dan penjelasan data science, tetapi untuk keperluan artikel ini, kami menganggap data science sebagai serangkaian aktivitas yang bertujuan menyelesaikan masalah menggunakan data.
Masalah yang sangat sering terjadi adalah “Saya punya pertanyaan, tetapi tidak tahu jawabannya”, jadi jika Anda menjalankan kueri SQL pada database penjualan untuk mengetahui berapa banyak pendapatan yang dihasilkan organisasi bulan lalu, Anda sudah bertindak sebagai data scientist!
Sering kali, masalah/solusi lebih kompleks dan membutuhkan seperangkat keahlian yang lebih beragam. Untuk dapat membahas berbagai peran dan keterampilan data science di sepanjang peta jalan ini, kami akan menggunakan siklus hidup proyek data science sebagai payung besar. Ini memungkinkan kita memetakan berbagai aktivitas dan peran, serta menjadi dasar untuk memetakan wilayah data science.
2. Membiasakan Diri dengan Siklus Hidup Proyek Data Science
Proyek data science umumnya dimulai dengan pertanyaan atau masalah bisnis. Masalah memicu fase inisiasi, di mana serangkaian solusi yang mungkin didefinisikan, dan kelayakan awal dinilai. Pengumpulan data awal atau exploratory data analysis terhadap data yang tersedia dilakukan untuk melihat apa yang mungkin dan tidak. Apakah datanya cukup kaya? Apakah mengandung fitur yang memadai?
Inisiasi dan eksplorasi
Setelah semua lampu hijau, kita mulai mengembangkan model prediktif. Model akan menggunakan input untuk memprediksi keluaran. Awalnya, ini mungkin hanya model sekali jalan, dilatih, diuji, dan divalidasi pada set cross-validation k-fold (teknik machine learning untuk menilai seberapa baik model kemungkinan tampil pada data yang belum terlihat). Ini adalah pekerjaan yang biasanya dilakukan oleh data scientist klasik. Setelah model berkinerja cukup baik, saatnya memproduksikannya dan menempatkannya dalam pipeline pada infrastruktur yang ada, di mana kinerja akan dipantau, dan model akan dilatih ulang bila perlu.
Setiap fase ini membutuhkan keterampilan yang berbeda. Selama fase inisiasi, orang perlu memiliki wawasan bisnis, akrab dengan transformasi data, pembersihan, statistik deskriptif, dan statistik inferensial dasar. Ini adalah pekerjaan yang dapat dilakukan oleh data analyst dan/atau data scientist.
Pengembangan model dan produksi
Pada fase pemodelan, model prediktif harus dibangun. Model sederhana, seperti regresi, dapat dibangun oleh data analyst, tetapi jika menjadi lebih kompleks, Anda memerlukan data scientist untuk membangun model menggunakan algoritma yang ada atau bahkan machine learning engineer untuk mengubah atau membuat algoritma baru.
Saat melakukan deployment dan memproduksi model, Anda memasuki ranah machine learning engineer atau data engineer. Berbeda dengan tahap sebelumnya, tidak selalu ada kaitan erat dengan bisnis, dan tugas yang dihadapi berfokus pada pembuatan dan pemantauan pipeline di sekitar model prediktif untuk memberikan keluaran yang andal ke sistem target yang tepat.
Sepanjang proses, semua data harus tersedia di tempat yang tepat dengan meta-informasi yang benar, yang menjadi peran data architect. Saat data baru diambil atau data yang ada ditransformasi menjadi informasi baru, mereka memastikan data berakhir di tempat yang tepat.
Integrasi peran dan kolaborasi lintas fungsi
Cara berbagai peran berkontribusi di berbagai fase dalam siklus hidup diilustrasikan pada gambar di bawah. Karena peran berbeda berkontribusi pada tahap yang berbeda, mereka memerlukan keterampilan yang berbeda pula.
Peran di awal siklus hidup memerlukan wawasan bisnis lebih tinggi dan rekayasa yang lebih sedikit, sedangkan fase selanjutnya memerlukan wawasan bisnis yang lebih sedikit dan rekayasa serta optimisasi algoritme yang lebih banyak. Untuk mengilustrasikan, sebagai data scientist, Anda masih bisa bertahan dengan kinerja komputasi yang suboptimal untuk menunjukkan nilai dan kinerja model Anda. Namun, begitu Anda bertanggung jawab memproduksi model, Anda perlu mampu mengoptimalkan kompleksitas komputasi agar pipeline Anda efisien (dan hemat biaya).
Tingkat kontribusi berbagai Peran Data Science sepanjang Proyek Data Science (DAn - Data Analyst, DS - Data Scientist, MLE - Machine Learning Engineer, DE - Data Engineer, DAr - Data Architect - Gambar oleh Penulis
Penting untuk diketahui bahwa batas antar peran tidak kaku. Banyak data scientist yang sudah memikirkan sistem sumber/target yang tepat dan efisiensi komputasi serta mempertimbangkannya dalam kode mereka. Seorang machine learning engineer mungkin menyadari bahwa pendekatan pembuatan fitur tertentu dapat meningkatkan kinerja model. Seorang data analyst mungkin memiliki saran yang baik tentang di mana di katalog data sebaiknya menyimpan fitur yang dihasilkan untuk data architect. Dengan kata lain, semua peran sebaiknya, sampai batas tertentu, menyadari pekerjaan peran lainnya, namun tidak harus memahami secara mendalam tanggung jawab masing-masing.
Keterampilan dan alat penting
Terkait keterampilan dan alat yang Anda perlukan, ada landasan yang jelas. Terlepas dari di mana Anda berkontribusi dalam siklus hidup proyek data science, Anda perlu memiliki pemahaman dasar tentang matematika dan statistik, pengembangan perangkat lunak kolaboratif, dan manipulasi data. Secara garis besar, awal dari peta jalan data science mencakup:
Ada berbagai jenis peran data science dengan kebutuhan keterampilan yang berbeda: seorang Data Analyst akan membutuhkan pengetahuan SQL yang lebih mendalam daripada Data Engineer. Seorang Data Scientist perlu lebih memahami Machine Learning dibanding Data Architect. Di sinilah peta jalan data science bercabang: bergantung pada ambisi Anda di lanskap data science, Anda perlu mempelajari keterampilan yang berbeda. Bagian berikut akan menjelaskan berbagai cabang dalam peta jalan yang bisa Anda pertimbangkan.
3. Menyelami Lebih Dalam Analisis dan Visualisasi Data
Exploratory Data Analysis (EDA)
Apa pun sejauh mana perjalanan Anda di peta jalan data science, baik Anda veteran berpengalaman maupun baru memulai, semua proyek data science dimulai dengan memahami data Anda.
Pemahaman menyeluruh terhadap data Anda sangat penting untuk menilai kelayakan proyek. Mulailah dengan pertanyaan dasar seperti ‘variabel apa yang saya punya?’ dan ‘berapa banyak observasi yang saya punya?’ dan akhiri dengan pertanyaan lebih kompleks seperti ‘bagaimana hubungan antarsesama variabel?’
Cukup sering hasil EDA itu sendiri bisa menjadi jawaban atas pertanyaan pemangku kepentingan Anda. Ketika divisualisasikan dengan tepat dan disajikan secara koheren, misalnya dalam sebuah dasbor, hasil analisis data sederhana bisa digunakan untuk menjawab pertanyaan kompleks. Namun, ini bertumpu pada keterampilan visualisasi data.
Tetapi dengan hanya menunjukkan lewat EDA Anda bahwa, misalnya, ada segmen pengunjung situs web yang berbeda, Anda sudah memberikan nilai dengan cara seorang data scientist.
Ada banyak cara untuk memvisualisasikan hasil. Bisa menggunakan pustaka/paket visualisasi pada bahasa yang Anda gunakan (seperti ggplot2 di R dan matplotlib di Python) atau menggunakan alat visualisasi data khusus (seperti PowerBI, Tableau, atau bahkan Excel)
Menguasai Visualisasi Data
Terutama saat kita lebih berfokus pada tugas Data Analyst, pemahaman yang lebih mendalam tentang visualisasi data sangat membantu.
Bagi sebagian besar peran data science, visualisasi dapat digunakan untuk memeriksa asumsi melalui scatter plot dan histogram, tetapi ketika analisis itu sendiri menjadi deliverable, seperti bagi Data Analyst, Anda akan menghadapi situasi di mana Anda ingin membuat hasil analisis mudah dan menyenangkan untuk dicerna.
Pikirkan gaya rumah kustom, visualisasi baru, atau infografik untuk menjadi masukan bagi unit pengambilan keputusan. Dalam situasi seperti ini, kemampuan membuat visualisasi data yang nyaris merupakan karya seni akan sangat membantu. Understanding Data Visualization adalah kursus yang benar-benar membantu memperdalam kompetensi dataviz Anda.
Peta Jalan Data Science, divisualisasikan sebagai peta metro, menampilkan fondasi yang sama bagi semua Peran data science dan keterampilan spesifik untuk peran yang berbeda. - Gambar oleh Penulis
4. Membangun Fondasi Statistik dan Matematika
Statistik deskriptif dan inferensial
Salah satu pemberhentian pertama di peta jalan data science adalah statistik. Beberapa konsep statistik dasar harus menjadi kebiasaan bagi tipe data scientist mana pun.
Kapan pun, Anda harus mampu mendeskripsikan data Anda dan subgrupnya. Berapa pendapatan rata-rata di dataset Anda? Berapa nilai minimum dan maksimum? Berapa simpangan baku, atau ukuran penyebaran lain? Dan jika Anda memiliki nilai kategorikal, ada berapa nilai unik? Mana yang paling sering muncul? Apakah semua nilai muncul dengan frekuensi yang sama, atau distribusinya kurang merata?
Menjawab pertanyaan dengan analitik deskriptif atas grup/subgrup sudah dapat memberikan wawasan berharga, tetapi sering kali Anda harus melihat hubungan antarvariabel dalam dataset dan beralih ke statistik inferensial.
Bagian yang menantang dan menarik dari statistik inferensial adalah berbagai jenis nilai kategorikal dan numerik serta hubungan di antaranya. Contohnya mencakup:
Untuk dapat menjawab pertanyaan-pertanyaan ini, Anda perlu mengetahui berbagai jenis uji statistik, mulai dari yang paling mudah Uji T hingga metode yang lebih kompleks seperti regresi linear multivariat atau analisis deret waktu.
Anda dapat mengikuti kursus terkait untuk memperdalam pemahaman statistik di: Python, R, dan bahkan independen dari alat. Kursus-kursus ini memberikan dasar yang tepat untuk mulai bekerja dengan machine learning. Dengan memahami secara statistik hubungan antara prediktor dan variabel target, Anda memahami prinsip algoritme yang digunakan untuk membuat model supervised learning.
Seberapa dalam Anda ingin menyelami area ini kembali bergantung pada tujuan Anda di peta jalan data science. Jika Anda ingin menjadi data analyst, memahami dasar-dasar statistik mungkin sudah cukup. Data architect mungkin tidak memerlukan pengetahuan statistik sama sekali. Namun data scientist dan machine learning engineer pasti akan menghadapi situasi di mana mereka harus mengandalkan keahlian statistiknya.
Konsep matematika untuk data science
Data science dibangun di atas angka dan perhitungan dan, akibatnya, matematika berperan besar. Meski gelar matematika tingkat lanjut bukan keharusan dalam peta jalan data science, memahami aljabar dan kalkulus akan membantu Anda secara konseptual memahami sejumlah metode yang sering digunakan dalam data science. Sebagian besar pendekatan reduksi dimensi (seperti PCA dan Faktorisasi Matriks) bergantung pada Aljabar Linear, dan banyak algoritme optimasi (seperti gradient descent) bergantung pada Kalkulus.
Dan seperti halnya statistik dan analisis data, pengetahuan ini tidak selalu relevan untuk semua peran data science. Jika Anda bertekad menjadi machine learning engineer, tidak ada jalan lain selain matematika. Namun sebagian besar peran lain—bahkan data scientist—mungkin masih dapat bekerja tanpa harus menguasai aljabar dan kalkulus secara mendalam.
Untuk mempelajari dan memahami konsep aljabar lebih lanjut, lihat kursus kami Linear Algebra for Data Science in R
5. Menjelajahi Topik Lanjutan: Machine Learning dan AI
Pengantar machine learning
Machine learning adalah seni membuat perangkat lunak yang belajar dari data. Ini benar-benar andalan bagi data scientist, machine learning engineer, dan bahkan data engineer. Bagian dari solusi Anda yang memberikan perkiraan pendapatan penjualan untuk perusahaan Anda, berdasarkan inventaris dan harga? Itu dibangun melalui machine learning!
Tingkat pengetahuan minimum yang Anda perlukan sebagai data scientist adalah mampu melatih dan mengevaluasi model. Dalam situasi tertentu, Anda mungkin ingin menyelami lebih dalam dan mempelajari cara mengubah algoritme yang ada atau bahkan menulis algoritme baru, memasuki ranah machine learning engineer.
Anda memiliki banyak kebebasan dalam melakukan machine learning. Anda bisa mengodekan semuanya sendiri (di Python, R, C#, atau Java, dengan pustaka yang relevan), menggunakan paket perangkat lunak lokal (seperti Weka dan RapidMiner), atau menggunakan solusi cloud (seperti Databricks dan AWS SageMaker). Meskipun ini membuat sulit memutuskan apa yang harus dipelajari, keahlian yang Anda kembangkan cukup mudah ditransfer. Ide yang baik untuk memutuskan toolkit machine learning yang akan digunakan adalah memulai dari bahasa yang sudah Anda kuasai atau melihat alat apa yang digunakan orang di industri yang Anda minati.
Anda bisa mulai dengan jalur karier Machine Learning Scientist with Python kami, yang mencakup banyak dasar yang Anda perlukan untuk memulai karier.
Menyelami Deep Learning dan AI
Hubungan antara machine learning, deep learning, dan AI sering diperdebatkan.
Saat dulu saya mengajar machine learning, kuliah pertama saya selalu berupa debat kelas yang hidup tentang pernyataan, “Machine Learning adalah bentuk AI.” Meskipun kadang digunakan secara bergantian, saya yakin bahwa machine learning memungkinkan AI, tetapi itu tidak berarti bahwa jika Anda menggunakan machine learning, Anda telah menciptakan AI.
Agar sebuah aplikasi data menjadi AI, penting ada loop umpan balik di mana aplikasi atau model belajar dari keluarannya. Dalam hal ini, algoritme supervised learning sekali jalan tidak serta merta menjadi AI. Jika Anda memberi umpan balik keluaran model kembali ke model (seperti pada reinforcement learning), barulah Anda mendapatkan AI, karena Anda memiliki sistem yang secara otomatis terus belajar dari prediksi yang benar dan salah.
Deep learning tidak lebih dari jaringan saraf yang jauh lebih besar. Yang membuatnya menarik adalah Deep Learning memungkinkan keluaran yang sangat nyata, karena model ini dapat menghasilkan teks, gambar, dan suara. Jika Anda mengerjakan proyek data science di mana penting bagi model untuk menghasilkan sesuatu yang dapat dirasakan atau dialami pengguna akhir manusia, memahami deep learning bisa menjadi keunggulan nyata. Kursus yang bagus untuk memulai adalah Introduction to Deep Learning in Python.
6. Aplikasi Praktis dan Proyek Dunia Nyata
Mengimplementasikan proyek data science
Tidak ada upaya data science yang berdiri sendiri. Seiring kemajuan Anda, penting untuk menyimpan dan memamerkan artefak yang Anda hasilkan. Bagian dari menjadi data scientist adalah mampu menunjukkan apa yang dapat Anda lakukan.
Bagi saya, bagian paling menarik dari data science adalah Anda tidak memerlukan banyak hal. Anda hanya butuh dataset publik dan sedikit kreativitas untuk menemukan pertanyaan menarik dan kemudian menjawabnya menggunakan data. Atau Anda bisa langsung ke DataLab atau Kaggle dan mulai mengerjakan tugas dan/atau kontes, mendapatkan inspirasi dari kiriman lainnya.
Sebagai alternatif, Anda dapat mengumpulkan dan menggunakan data Anda sendiri. Saya telah menganalisis data bersepeda saya yang diunduh dari Strava dan saya telah melakukan scraping data properti untuk membantu pencarian saya di pasar perumahan.
Bagian terpenting adalah Anda mendokumentasikan apa yang Anda lakukan. Usahakan pekerjaan Anda dapat direproduksi, jelaskan langkah-langkah yang Anda ambil, bagikan kode Anda, dan bagikan output analisis atau sistem Anda. Siapa tahu? Mungkin latihan Anda adalah solusi tepat untuk masalah seseorang.
Contoh proyek
Menurut saya proyek yang paling menarik adalah yang berasal dari passion dan minat Anda sendiri. Jika Anda menggunakan dataset dari bidang yang Anda kenal baik, kemungkinan Anda dapat menemukan pertanyaan yang unik dan menarik. Anda memahami domainnya, dan Anda paham datanya... Namun jika benar-benar mulai dari nol, ada banyak hal untuk mulai dikerjakan, termasuk aplikasi kencan, trading, olahraga.
Anda juga dapat menemukan beragam proyek data science di DataCamp, yang memungkinkan Anda membiasakan diri dengan jenis pekerjaan tersebut. Baik mulai dengan beberapa proyek analitik data atau mengerjakan proyek Python tertentu, Anda bisa naik tingkat ke machine learning dan bahkan proyek AI. Banyak opsi untuk membantu Anda memulai.
Jika, meski dengan semua sumber yang ada, Anda masih belum menemukan cara untuk mulai, alternatif berguna lainnya adalah mengikuti hackathon. Banyak lembaga riset dan perusahaan besar menyelenggarakan hackathon berkala.
Hackathon ini sering bertujuan mengajak tim data scientist memberi masukan pada masalah yang relevan sehingga memberi kesempatan untuk berkolaborasi dan belajar dari profesional data science lainnya. Ini memungkinkan Anda membangun jaringan dan dilirik calon pemberi kerja sambil mendapatkan pengalaman berharga.
Pengembangan portofolio
Saat ini sulit membayangkan data scientist tanpa GitHub, portofolio DataCamp, atau halaman Medium atau blog dengan kode. Portofolio adalah sesuatu yang krusial dalam data science, sebagaimana di industri kreatif lainnya.
Mampu menunjukkan proyek-proyek sebelumnya adalah cara yang bagus untuk meyakinkan orang bahwa Anda punya kemampuan yang dibutuhkan. Itulah mengapa layak untuk mulai mendokumentasikan pekerjaan Anda dalam portofolio. Sebagai alternatif, Anda dapat mendokumentasikan pekerjaan dan sudut pandang Anda sebagai posting blog atau bahkan publikasi akademik. Lihat artikel kami tentang memamerkan keahlian data melalui portofolio untuk inspirasi.
Apa pun yang Anda pilih, pastikan untuk menjaga ringkasan yang layak tampil dari proyek-proyek yang Anda kerjakan.
7. Menavigasi Lanskap Karier Data Science
Peluang karier di data science
Seluruh tulisan ini menyoroti berbagai keterampilan, pengetahuan, dan alat yang tersedia bagi seorang data scientist. Namun dari mana memulai saat memutuskan karier?
Menurut saya, ini sangat bergantung pada ambisi Anda. Hingga titik ini, seharusnya sudah jelas bahwa saya tidak percaya ada peta jalan data science yang cocok untuk semua orang.
Tentu saja, setiap peran data science dibangun di atas fondasi statistik, manipulasi data, machine learning, dan rekayasa perangkat lunak. Tetapi selain itu, sangat situasional.
Seorang data scientist menggunakan algoritme, sementara machine learning engineer mengubah atau membuat algoritme. Jadi data scientist cukup mengetahui banyak algoritme dan kapan menerapkannya, sedangkan machine learning engineer harus benar-benar memahami konsep matematika di balik algoritme.
Demikian pula, jika Anda mendapat energi dari membagikan hasil analisis, seperti data scientist atau data analyst, Anda kemungkinan akan lebih diuntungkan dari pengetahuan mendalam tentang visualisasi data dan EDA ketimbang sangat mahir dalam pemodelan data.
Jadi, peta jalan data science memiliki cukup banyak persimpangan, dan Anda dapat memutuskan sendiri seberapa dalam Anda ingin masuk ke setiap cabang data science.
Mempersiapkan wawancara data science
Terlepas dari perbedaannya, dalam wawancara apa pun Anda akan diuji hard skill dan soft skill. Ujiannya akan berbeda tergantung peran yang Anda incar.
Jika Anda tidak melamar peran seperti machine learning engineer atau data engineer, kemungkinan besar Anda tidak akan ditanya, “Bagaimana Anda mengoptimalkan algoritme A atau B?” Jadi penting untuk fokus pada keterampilan dan pertanyaan yang memang diharapkan dan ingin Anda tekuni. Mendapatkan pertanyaan tentang topik yang tidak Anda kenal bisa menjadi tanda bahwa peran itu bukan untuk Anda.
Karena di bidang yang relatif baru ini, terutama di perusahaan yang masih baru dengan data, terdapat banyak kesalahpahaman tentang apa itu data scientist atau apa yang mereka lakukan.
Saya pernah melamar peran data scientist di mana pewawancara menggunakan data scientist dan machine learning engineer secara bergantian. Jadi sangat mungkin manajer perekrutan keliru jika Anda mendapat pertanyaan yang tidak bisa Anda jawab. Hampir tidak pernah seorang data engineer seharusnya ditanya bagaimana mereka akan melakukan manajemen pemangku kepentingan dalam sebuah proyek, misalnya.
Syukurlah, ada beberapa sumber daya untuk membantu persiapan wawancara di bidang ini tergantung peran yang Anda lamar:
8. Pendidikan Berkelanjutan dan Pembelajaran Sepanjang Hayat
Tetap mengikuti tren
Bidang data science sangat dinamis, dan penting untuk selalu mengikuti tren terbaru. Dengan ChatGPT, Generative AI menjadi arus utama, dan kini sulit membayangkan data scientist yang setidaknya tidak memiliki pemahaman tentang token embeddings dan/atau attention models. Demikian pula, diperkenalkannya MLOps membuat sulit membayangkan data engineer yang memeriksa kinerja dan drift model secara manual.
Dengan pertumbuhan dinamis ini, aspek berbeda dari AI menjadi penting. Saat ini, banyak perhatian tertuju pada aspek etika dan hukum AI, sebagaimana ditunjukkan oleh berbagai debat akademik dan politik yang antara lain menghasilkan aturan dan regulasi baru.
Terlepas dari keputusan pemerintah terkait AI, tidak ada yang ingin bertanggung jawab atas skandal berikutnya di data science. Satu-satunya cara untuk menghindarinya adalah dengan tetap menyadari batasan etika dan hukum. Atau lebih baik lagi, sebagai profesional data science, Anda dapat mulai berkontribusi pada perkembangan ini dengan menggunakan latar belakang Anda untuk membentuk dan menyuarakan opini.
Ada banyak cara untuk tetap up to date. Tentu, ada DataCamp sebagai platform, tetapi Anda juga bisa mencari dan mengikuti praktisi data science yang menginspirasi di bidang Anda. Lihat apakah mereka memiliki blog, posting di X atau Medium, atau apa pun yang memberi Anda gambaran tentang bagaimana mereka memandang lanskap yang berubah dan dinamis.
Sumber belajar lanjutan
Seperti yang telah kami soroti sepanjang artikel ini, ada banyak sumber daya yang tersedia bagi siapa pun yang ingin memulai atau berkembang di bidang data science. Atau, jika Anda ingin benar-benar dekat dengan sumbernya, Anda dapat melihat konferensi teknis seperti NeurIPS, ICML, atau KDD. Lihat ini dan lainnya dalam daftar Konferensi Data Science Teratas untuk 2026.
Kesimpulan dan Langkah Berikutnya
Meskipun ada banyak pemberhentian di peta jalan data science, tidak ada satu jalur data science tunggal. Menavigasi lanskap data science mengharuskan Anda memiliki 1) gambaran lanskap (yang semoga Anda dapatkan dari tulisan ini) dan 2) gambaran tentang kekuatan, kelemahan, dan minat Anda, sehingga Anda dapat memutuskan apa yang ingin dikejar.
Jika Anda memiliki keduanya, Anda dapat mengandalkan artikel ini untuk mendorong Anda ke arah yang tepat dan keterampilan apa yang perlu Anda tekankan selama pelatihan. Syukurlah, ada sejumlah sumber daya yang membantu untuk memulai, seperti jalur karier DataCamp, yang membekali Anda dengan keterampilan yang Anda butuhkan untuk mulai menjelajahi berbagai profesi: