Artikel ini ditulis oleh Rosana de Oliveira Gomes, Lead Machine Learning Engineer di Omdena, dan Joseph Itopa A, Junior Machine Learning Engineer di Omdena.
Beralih ke karier baru bisa terasa seperti naik pesawat yang sudah mulai lepas landas. Profesi data science relatif baru, yang berarti banyak data scientist dan machine learning engineer tidak memulai kariernya di jalur ini. Mereka beralih dari bidang lain seperti kami, dan mungkin seperti banyak dari Anda yang membaca ini. Jadi mari kita bahas alat dan keterampilan yang Anda butuhkan untuk beralih ke data science—kami akan menyoroti tantangan yang mungkin muncul dan memberi saran praktis tentang cara mengatasinya.
Cara mengatasi tantangan teknis saat beralih ke data science
1. Asah kembali matematika dan pemrograman
Data science tidak memerlukan pengetahuan matematika tingkat lanjut di luar yang dibutuhkan untuk gelar sains apa pun. Namun setiap algoritma kecerdasan buatan didasarkan pada suatu struktur matematika yang perlu Anda pahami. Ini biasanya melibatkan aljabar linear dan beberapa konsep dari kalkulus. Untuk menafsirkan hasil, Anda perlu melakukan analisis statistik, yang juga memerlukan pengetahuan tentang probabilitas dan statistik.
Sementara matematika menyediakan konsep, bahasa pemrograman adalah alat untuk mewujudkan konsep tersebut. Artinya Anda harus memilih bahasa pemrograman untuk dipelajari, yang di bidang ini biasanya adalah Python atau R, kemungkinan dipadukan dengan SQL dan Bash. Jajak pendapat KDnuggets tentang perangkat lunak pemrograman yang digunakan oleh data scientist menunjukkan bahwa Python telah melampaui R sebagai alat pilihan.
Namun pemilihan bahasa pemrograman pada dasarnya bermuara pada tugas yang dikerjakan dan preferensi gaya. Python mudah dipelajari bagi mereka yang sudah berpengalaman dengan pemrograman, dan banyak digunakan di berbagai industri dan spesialisasi seperti data science dan machine learning. R juga pilihan yang baik jika Anda memiliki latar belakang statistik dan akan banyak bekerja pada analisis. R juga memiliki alat dan pustaka bawaan untuk mengomunikasikan hasil melalui laporan. Saran kami adalah pilah satu bahasa dan mulai membangun sesuatu setelah Anda menuntaskan dasar-dasarnya.
Berdasarkan pengalaman, kami belajar bahwa untuk memperoleh keterampilan yang diperlukan dalam data science, Anda sebaiknya memilih satu penyedia pembelajaran pada satu waktu dan konsisten. Hal terburuk yang bisa Anda lakukan adalah terus-menerus mempelajari hal yang sama berulang kali.
2. Jadilah pemecah masalah
Anda dapat memandang sains dalam data science sebagai kemampuan memecahkan masalah dengan pemikiran kreatif dan logis. Ini memerlukan pengetahuan pemrograman dan pemahaman algoritma yang diperoleh melalui praktik.
Setelah memperoleh pengetahuan dasar pemrograman, Anda bisa mulai memecahkan masalah dunia nyata dengan berlatih melalui kursus atau platform. GeeksforGeeks menyediakan proyek praktis untuk competitive coding, Python, JAVA, dan SQL. Menyelesaikan beberapa masalah kompetisi Kaggle juga dapat meningkatkan keterampilan pemecahan masalah Anda, karena Anda dapat dengan mudah memanfaatkan data dunia nyata untuk berlatih dan menemukan banyak bantuan dari komunitas. Proyek tanpa panduan DataCamp adalah cara yang bagus untuk menemukan solusi Anda sendiri pada proyek-proyek terbuka.
Penting bagi Anda untuk menemukan kebahagiaan dalam pencapaian-pencapaian ini agar dapat menekuni karier data science. Dalam sebuah webinar Omdena baru-baru ini, influencer data science Eric Weber mengatakan, “Jangan hanya mengoptimalkan untuk pendapatan, tetapi untuk hal yang membawa Anda kegembiraan; jika tidak, Anda bisa cepat kehabisan tenaga.”
3. Ikuti proyek kolaboratif
Setelah bekerja dengan beberapa algoritma dan berlatih di beberapa proyek, Anda akan siap untuk proyek yang lebih lanjut. Di sinilah platform kolaboratif berperan. Program data science kolaboratif mengandalkan komunitas untuk mengembangkan proyek secara beragam dan produktif. Ketangguhan dan keseruan dalam street coding paling terasa di proyek kolaboratif. Anda akan belajar dari orang lain saat mereka belajar dari Anda. Anda akan mendapat teman sembari bergelut dengan data yang tidak terstruktur dan berantakan—rasanya tiada duanya.
Inisiatif kolaboratif yang menginspirasi antara lain Data Kind, Science to data science, dan Data Science for Social Good. Opsi-opsi ini sering kali spesifik lokasi dan bisa mahal atau kompetitif karena ketersediaan yang terbatas serta proses aplikasi yang panjang.
Alternatif proyek kolaboratif adalah Omdena, yang meluncurkan beberapa proyek per bulan dan menerapkan prinsip sukarela untuk memecahkan masalah dunia nyata melalui kolaborasi daring. Para pembelajar bekerja dengan pakar domain yang akan membantu mereka tetap termotivasi melalui webinar, kursus, buku, dan postingan blog.
Cara mengatasi tantangan nonteknis saat beralih ke karier data science
1. Keterampilan organisasi dan manajemen waktu
Mengganti karier adalah sebuah proyek. Ini memerlukan rencana strategis, linimasa, serta tonggak yang spesifik (dan realistis). Tanyakan pada diri Anda pertanyaan-pertanyaan ini:
- Mengapa saya ingin menjadi data scientist dan topik apa yang saya minati?
- Apakah saya akan keluar dari pekerjaan dan meluangkan waktu untuk mempelajari keterampilan yang saya butuhkan atau saya akan melakukan transisi sambil tetap bekerja?
- Apa kelebihan saya? Apa kelemahan saya?
- Berapa banyak waktu dan uang yang bersedia saya habiskan untuk mengganti karier?
- Keahlian dan kualifikasi baru apa yang perlu saya peroleh untuk jalur karier yang baru?
- Seperti apa gaya belajar saya?
Setelah menjawab ini dengan jujur, Anda perlu rencana. Pada akhirnya, Anda harus menemukan apa yang cocok untuk Anda. Berikut beberapa hal yang bisa Anda lakukan:
- Cetak rencana mingguan dan tempelkan di dinding Anda.
- Atur jadwal harian Anda di kalender Google.
- Identifikasi apa yang berjalan baik dan apa yang perlu disesuaikan dalam rencana Anda. Mungkin Anda meremehkan waktu yang dibutuhkan untuk sebuah kursus atau sumber belajar yang Anda pilih tidak seperti yang Anda bayangkan.
- Jangan takut mengubah strategi. Kunjungi forum daring dan cari sumber yang lebih baik. Atau baca beberapa artikel tentang manajemen waktu dan cara menetapkan tujuan SMART.
- Terus centang tugas di daftar pekerjaan Anda. Momentum ini akan mendorong Anda keluar dari fase frustrasi awal saat mempelajari sesuatu yang baru.
2. Jadilah komunikator yang lebih baik
Keterampilan wajib lainnya untuk data science adalah komunikasi. Seorang data scientist menerjemahkan banyak data menjadi wawasan yang dapat ditindaklanjuti bagi pengambil keputusan dan pemangku kepentingan. Namun, tidak semua orang yang perlu Anda ajak berkomunikasi adalah data scientist atau memiliki latar belakang STEM. Jika Anda seorang introver, Anda mungkin tidak terlalu antusias dengan berbicara di depan umum atau komunikasi yang konstan. Komunikasi dalam data science bukan hanya tentang menjadi pembicara yang baik, tetapi juga membangun kebiasaan dan keterampilan berikut:
- Memberikan penjelasan yang baik tentang konsep kompleks kepada nonahli.
- Mendokumentasikan kode dan analisis agar anggota tim lain dapat belajar dari pekerjaan Anda di masa depan (atau bahkan diri Anda di masa depan!).
- Menjadi penulis yang baik dengan membiasakan diri menulis tentang semua yang Anda lakukan dalam perjalanan karier Anda.
Dokumentasi adalah kekuatan, jadi tulislah dan terus menulis. Dalam waktu dekat, Anda perlu menunjukkan keterampilan yang Anda cantumkan di resume, dan Anda dapat mendukungnya melalui repositori kode yang terdokumentasi dengan baik (misalnya di GitHub), postingan blog, serta webinar atau talk tentang pekerjaan Anda. Semakin awal Anda mulai, semakin cepat Anda akan berkembang.
3. Bersiap menghadapi sindrom penipu (imposter syndrome)
Salah satu tantangan umum yang dialami banyak pengalih karier adalah imposter syndrome. Tidak pernah mudah memiliki karier mapan lalu tiba-tiba menjadi pemula. Dalam hal ini, semuanya soal pola pikir: tetaplah termotivasi dan antusias dengan semua hal baru yang akan Anda pelajari! Omdena telah menyelenggarakan sebuah webinar tentang cara mengatasi imposter syndrome sebagai data scientist, yang mencakup mengenali kesenjangan keterampilan yang perlu Anda isi dan mengidentifikasi keterampilan yang sudah Anda pelajari dari karier sebelumnya.
4. Bangun jaringan Anda
Networking saat mencari kerja tidak harus canggung. Faktanya, secara statistik, sebagian besar peluang kerja datang dari jaringan seseorang, bukan dari lamaran (lihat referensi di sini dan di sini). Saat berjejaring, Anda hanya terhubung dengan orang-orang yang memiliki minat serupa, mendapatkan pandangan mereka tentang topik data science, dan mengintip perjalanan karier mereka. Orang-orang ini bisa menjadi rekan kerja Anda di masa depan. Hal terburuk yang bisa terjadi adalah tidak mendapat respons—apa yang Anda rugikan?
Salah satu cara termudah untuk berjejaring adalah melalui proyek kolaboratif, di mana Anda berkesempatan berbagi pengetahuan, bekerja dengan praktisi berpengalaman, memperoleh wawasan dari orang-orang di berbagai peran, dan menemukan jalur menuju pekerjaan.
Cara baik lainnya untuk berjejaring adalah dengan mengikuti otoritas di bidang data science seperti:
Hubungi orang-orang menarik yang Anda temui—seorang pembicara dari podcast yang Anda sukai, pengajar dari kursus online, atau blogger yang tulisannya Anda nikmati. Aturan emasnya adalah: Tampilkan diri Anda dan ajukan pertanyaan. Itulah cara terbaik untuk mendapatkan umpan balik.
Joseph saat ini sedang beralih ke data science dari Teknik, dan Rosana dari Astrofisika. Hubungi mereka dan lanjutkan percakapan ini di LinkedIn: Joseph dan Rosana.
