Semakin banyak orang terjun ke data science setiap hari. Ada berbagai alasan di balik tren ini. Pertama, permintaan yang melonjak: data science tetap menjadi salah satu pekerjaan dengan pertumbuhan tercepat di pasar menurut laporan pekerjaan baru LinkedIn 2020, meskipun industri sempat melambat akibat pandemi COVID-19.
Kedua, ekspektasi gaji: statistik Glassdoor 2020 menunjukkan gaji data scientist level pemula sekitar $89.000 USD. Dan terakhir, popularitas yang luar biasa: Harvard Business Review menyatakan dalam sebuah artikel yang berkesan pada 2012 bahwa data scientist adalah pekerjaan terseksi di abad ke-21.
Jika Anda mempertimbangkan untuk memulai petualangan baru di bidang data science, jangan ragu—jalani saja. Untuk membantu Anda sukses dalam perjalanan ini, kami menyiapkan daftar 10 pelajaran dan kiat praktis yang akan membantu Anda menavigasi dan menemukan tempat Anda di dunia data science yang menakjubkan.
- Mengungkap data science
- Apa itu bahasa pemrograman?
- Di awal akan terasa berat. Tetapi bersabarlah.
- Anda tidak sendirian: sumber daya data science
- Seni menulis kode
- Mulai belajar dari mana?
- Terus belajar
- Data science adalah sarana, bukan tujuan
- Kekuatan besar datang dengan tanggung jawab besar
- Kesimpulan: (Anda akan) menjadi data, kawan
Mengungkap data science
Data science sering dibahas bersama kata-kata populer teknologi lain seperti big data, kecerdasan buatan, dan pembelajaran mesin, sehingga sulit untuk benar-benar memahami apa itu data science.
Secara singkat, data science adalah bidang interdisipliner yang memadukan metode ilmiah, pemrograman, algoritme, dan statistika untuk mengekstrak pengetahuan dari data. Data science mencakup serangkaian alat dan metodologi yang ampuh untuk menangani data dan dapat digunakan di hampir setiap industri. Kemungkinannya sangat luas, mulai dari analisis eksplorasi data dasar dan teknik pengumpulan data seperti web scraping, hingga beberapa penerapan domain paling bernilai seperti mesin rekomendasi, visi komputer, mobil otonom, dan pemrosesan bahasa alami, di mana machine learning dan deep learning berperan krusial.
Meskipun data science merupakan pilihan alami bagi profesional dengan latar belakang TI atau pemrograman, bidang ini berkembang pesat, dan saat ini bisa dikatakan semua orang diterima, apa pun latar belakangnya. Alasannya? Ketika data science memasuki disiplin baru, memahami aspek penting dari suatu area atau ranah kajian menjadi sangat penting. Selain keterampilan teknis dan pengkodean, data scientist juga harus memiliki tingkat keahlian domain bisnis tertentu agar dapat memahami apa yang mereka lakukan. Ini mencakup mengevaluasi data masukan, menilai nilai dan validitas wawasan, serta memilah mana yang masuk akal dan mana yang tidak.
Apa itu bahasa pemrograman?
Belajar menulis kode adalah langkah yang diperlukan untuk menjadi data scientist. Tidak ada alternatif lain, terlepas dari lonjakan platform data science dan AI “tanpa kode” belakangan ini. Meskipun solusi ini memungkinkan pengguna bisnis nonteknis membangun aplikasi dan perangkat lunak (sebagai upaya mengatasi kekurangan pengembang perangkat lunak), kompetensi, sumber daya, dan pola pikir yang dibawa oleh data scientist sulit tergantikan, setidaknya untuk saat ini.
Pemrograman adalah bagian sentral dari keseharian seorang data scientist. Namun apa itu pemrograman? Dan apa itu bahasa pemrograman?
Pemrograman adalah teknik yang memungkinkan pelaksanaan tugas otomatis pada sistem komputer. Untuk berkomunikasi dengan komputer kita menggunakan bahasa pemrograman. Bahasa pemrograman adalah seperangkat aturan semantik dan sintaksis yang digunakan programmer untuk menulis instruksi—juga dikenal sebagai algoritme—agar komputer menyelesaikan suatu tugas tertentu.
Ada ratusan bahasa pemrograman. Dalam data science, dua bahasa pemrograman paling populer adalah Python dan R. Keduanya sangat baik untuk tugas data science apa pun yang Anda bayangkan. Kerap digambarkan sebagai pesaing, tetapi pendekatan yang lebih cerdas adalah melihatnya sebagai bahasa yang saling melengkapi; sekutu yang bisa dikombinasikan untuk memaksimalkan potensi dan keunggulan masing-masing. Untungnya, DataCamp memiliki katalog kursus yang besar untuk mempelajari Python dan R.
Di awal akan terasa berat. Tetapi bersabarlah.
Jujur saja: belajar menulis kode itu sulit. Pernyataan ini berlaku untuk semua orang, apa pun latar belakang Anda. Sudahi anggapan bahwa seseorang yang mempelajari ilmu komputer atau matematika lebih cocok menjadi data scientist daripada lulusan ilmu humaniora. Satu-satunya perbedaan adalah yang pertama kemungkinan mulai memrogram saat di kampus, sedangkan yang kedua tidak. Namun percayalah, yang pertama pun pernah kesulitan dengan pengkodean, terutama di awal.
Koding itu seperti pergi ke gym. Hari-hari pertama terasa sakit. Otot terasa pegal dan kaku. Anda belum terbiasa dengan rasa sakit itu dan, saat berbaring di sofa, Anda mungkin tergoda untuk menyerah. Namun jika tidak menyerah, jika terus berlatih, semuanya akan berangsur membaik. Setelah beberapa minggu, Anda akan mencapai tonggak kebugaran yang dulu terasa mustahil. Pada akhirnya, pergi ke gym menjadi bagian dari rutinitas, dan suatu hari Anda sadar bahwa Anda menikmati berolahraga.
Bagi sebagian besar bayi, butuh waktu antara sembilan hingga 14 bulan untuk mulai berbicara. Untungnya, bahasa pemrograman jauh lebih sederhana dan lebih mendasar dibanding bahasa manusia. Jika Anda tekun, Anda seharusnya bisa menulis skrip dasar dalam beberapa bulan. Sama seperti ke gym, Anda harus sabar saat belajar bahasa pemrograman.
Anda tidak sendirian: sumber daya data science
Petualangan data science Anda akan penuh rintangan. Anda mungkin buntu saat menulis kode, kadang tidak paham mengapa skrip tidak berjalan semestinya, dan ada kalanya Anda sama sekali tidak tahu bagaimana memulai suatu tugas data science.
Tidak perlu stres: Anda tidak sendirian. Salah satu hal paling menyenangkan di dunia data science—dan lebih luasnya, ekosistem pemrograman—adalah internet dipenuhi sumber daya dan informasi yang dapat membantu Anda mengatasi tantangan yang muncul. Anda hanya perlu mengajukan pertanyaan yang tepat untuk mendapatkan jawaban yang tepat.
Berikut daftar sumber daya yang akan menolong Anda sepanjang perjalanan data science:
-
Stack Overflow: Sang “Orakel Delphi” bagi programmer. Dengan lebih dari 16 juta pengguna, Stack Overflow adalah platform tanya jawab publik untuk programmer. Jika Anda memiliki masalah dengan skrip Python atau R, kemungkinan besar Anda akan mencari solusi di Stack Overflow.
-
Tutorial: Bermasalah dengan analisis regresi? Tidak tahu harus mulai dari mana untuk web scraping? Membaca tutorial tentang topik tersebut bisa jadi titik awal yang bagus. Anda dapat menemukan tutorial komprehensif tentang beragam topik di platform mapan seperti DataCamp, bahkan di YouTube.
-
Kursus online: Jika Anda ingin menjadi ahli suatu topik, mengasah keterampilan koding, atau sekadar memperluas cakrawala data science, kursus mungkin yang Anda cari. Ada banyak pilihan di pasar, termasuk DataCamp. Jangan lewatkan kesempatan menjelajahi daftar kursus kami yang luas.
-
Buku data science: Buku selalu menjadi sumber informasi yang hebat. Jumlah buku data science meningkat dalam beberapa tahun terakhir, dan banyak yang bisa ditemukan gratis secara online. Rekomendasi: buku-buku O’Reilly.
-
Dokumentasi: Terakhir namun tak kalah penting, kita perlu menyebut dokumentasi paket. Dokumentasi adalah salah satu aspek terpenting dari paket atau library yang baik. Dokumentasi merupakan sumber utama bagi pengguna untuk memahami tujuan sebuah paket dan cara kerjanya. Meskipun mungkin bukan bacaan paling seru, dalam banyak kasus solusi masalah Anda adalah fungsi atau parameter paket yang baru Anda ketahui setelah membaca dokumentasi.
Seni menulis kode
Setelah beberapa bulan “latihan” koding, Anda akan merasa lebih percaya diri dengan keterampilan Anda. Dalam periode ini Anda akan menginternalisasi banyak proses, sintaks, dan perintah. Tanpa disadari, otomatisme koding akan muncul, membuat penulisan skrip Anda lebih lancar.
Pada akhirnya, Anda akan mulai melihat gambaran besarnya: Anda akan menyadari bahwa koding adalah sebuah seni. Misalnya, Anda akan memahami bahwa ada banyak cara untuk menyelesaikan masalah pemrograman, tetapi beberapa lebih efisien daripada yang lain. Memang, pencarian efisiensi akan membimbing pekerjaan Anda, baik saat menulis maupun menjalankan kode. Ini akan mendorong Anda mempelajari strategi pemrograman baru.
Aspek penting lain yang akan mulai Anda perhatikan adalah keterbacaan. Ingat, keterbacaan bukan hanya penting bagi programmer lain yang mungkin harus berurusan dengan skrip Anda, tetapi juga bagi “diri Anda di masa depan.” Dengan sedikit perubahan pada beberapa elemen, seperti struktur sintaks, penamaan variabel dan fungsi, serta spasi dan indentasi, kode Anda bisa terlihat lebih baik dan lebih mudah dipahami. Selain itu, menambahkan komentar pada kode dan mendokumentasikan fungsi Anda akan membuat hidup Anda dan pembaca lain jauh lebih mudah.
Mulai belajar dari mana?
Sebelumnya kita mendefinisikan data science sebagai bidang interdisipliner yang memadukan metode ilmiah, pemrograman, algoritme, dan statistika untuk mengekstrak pengetahuan dari data. Ya, itu banyak untuk awal. Data science adalah bidang yang menuntut dan pendatang baru mudah kewalahan. Sebagai penghibur, ketahuilah bahwa setiap orang yang memasuki data science, apa pun latar belakangnya, harus melalui proses belajar tertentu: mustahil mengetahui semuanya seketika.
Lalu, mulai dari mana? Tidak ada satu jawaban pasti, tetapi Anda tidak akan melangkah jauh dalam karier tanpa dasar pemrograman, statistika, dan matematika. Terkait pemrograman, selain Python atau R, menguasai SQL jelas wajib. Soal matematika dan statistika, jangan takut. Mungkin butuh waktu lebih lama, tetapi Anda akan mempelajari apa itu p-value atau jaringan saraf tiruan sesuai tempo Anda.
Sambil berjalan, Anda bisa melakukan hal lain untuk meningkatkan visibilitas dan peluang direkrut. Ide bagus adalah membuat portofolio. Dalam hal ini, kami sangat merekomendasikan mencoba DataCamp Workspace yang baru diluncurkan, sebuah lingkungan daring untuk menulis kode, menerapkan keterampilan dengan menganalisis dataset menarik, dan membangun portofolio data science Anda. Selain itu, Anda bisa menulis artikel tentang bidang ini, ikut kompetisi data science, atau mengambil sertifikasi data science.
Terus belajar
Jika Anda berpikir mendapatkan pekerjaan pertama sebagai data scientist adalah akhir petualangan, Anda keliru. Data science adalah bidang yang dinamis dan cepat berubah. Apa yang populer hari ini bisa usang besok. Untuk mendapatkan gambaran lanskap data science, lihat gambar ini.
Sumber: FirstMark
Kita bisa menarik dua kesimpulan dari gambar ini. Pertama, data science adalah proses belajar seumur hidup. Anda harus terus belajar atau berisiko menjadi usang.
Kedua, mustahil mengetahui semua bahasa pemrograman dan teknologi di luar sana. Jadi pilihlah apa yang akan dipelajari sesuai kebutuhan pekerjaan Anda dan apa yang paling Anda minati.
Data science adalah sarana, bukan tujuan
Apa nilai pekerjaan Anda sebagai data scientist jika Anda tidak bisa mengomunikasikan relevansi proyek yang Anda kerjakan? Apa gunanya melakukan analisis data yang mendalam dan menyeluruh jika tidak ada yang memahami apa yang Anda lakukan?
Tujuan data science adalah mengekstrak wawasan dari data dan menerapkannya untuk menciptakan nilai. Dengan kata lain, data science bukan tujuan akhir, melainkan sarana untuk menciptakan nilai. Keterampilan seperti komunikasi yang baik, bercerita, dan berpikir kreatif adalah kunci untuk menerjemahkan wawasan menjadi nilai. Dalam hal ini, sebagaimana disebutkan di atas, industri dapat memperoleh manfaat dari keterampilan nonteknis.
Kekuatan besar datang dengan tanggung jawab besar
Ini mungkin pelajaran yang paling penting. Data science berada di balik beberapa aplikasi dan penemuan paling bernilai dalam hidup kita. Masyarakat kita berubah cepat, didorong oleh kekuatan disruptif data science dan kecerdasan buatan, di antara teknologi lainnya.
Dalam konteks ketidakpastian dan perubahan mendalam ini, penting untuk tetap kritis dan berhati-hati. Pekerjaan harian kita sebagai data scientist melibatkan menangani berton-ton data, membangun model, dan menerjemahkan wawasan menjadi nilai, tetapi kita harus selalu berusaha melampaui komputer kita dan mempertanyakan dampak sosial dari pekerjaan kita.
Bersikap kritis dan bertanggung jawab adalah langkah pertama untuk mencegah penyalahgunaan industri dan memastikan masa depan yang adil.
Kesimpulan: (Anda akan) menjadi data, kawan
Untuk menutup tulisan ini, kami ingin berbagi satu pelajaran terakhir: data science tidak hanya mengubah masyarakat, tetapi juga akan mengubah hidup Anda selamanya.
Dunia tempat kita hidup itu kompleks. Kita terus-menerus berhadapan dengan proses dan sistem yang melampaui pemahaman kita. Untuk menghadapi kompleksitas tersebut, kita bekerja dengan model, yang dapat didefinisikan sebagai deskripsi sederhana dari realitas. Dalam semangat ini, data science menyediakan banyak model yang dapat membantu kita memahami dunia. Misalnya, model relasional untuk manajemen basis data sangat berguna untuk menata informasi dan menggambarkan fenomena kompleks. Model jejaring sosial dapat membantu kita memahami bagaimana informasi mengalir dari orang ke orang atau memanfaatkan potensi jaringan yang kita ikuti. Yang lebih memikat, model matematis yang menggerakkan aplikasi pembelajaran mesin tidak hanya penting agar komputer bisa belajar, tetapi juga menawarkan perspektif baru untuk memandang kecerdasan manusia, sehingga memberi pemahaman yang lebih dalam tentang diri kita sendiri.
Akhirnya, ada alasan lain mengapa data science akan mengubah Anda. Kita hidup di era Big Data. Berton-ton data diciptakan dan dikumpulkan setiap hari. Data tidak lain adalah informasi dari berbagai jenis dan sumber. Membaca memungkinkan kita belajar dari buku dan sumber teks lainnya, dan literasi data memungkinkan kita belajar dari data. Ini luar biasa, karena data menawarkan cara yang belum pernah ada sebelumnya untuk mempelajari bidang apa pun yang bisa Anda bayangkan, dari kedokteran, psikologi, dan seni, hingga perubahan iklim, astronomi, dan sejarah.
Data science membekali Anda dengan alat untuk menganalisis data—apa yang Anda lakukan dengannya sepenuhnya bergantung pada imajinasi dan rasa ingin tahu Anda. Jadi mari lanjutkan petualangan ini: di luar sana ada seluruh dunia yang menunggu untuk (kembali) Anda temukan. Mulailah dengan membangun keterampilan data Anda secara online.
