Perjalanan 90 Hari Menjadi Data Analyst

Dari Nol Hingga Profesional

Jujur saja, ketika saya memulai karier sebagai data analyst, tidak ada peta jalan yang jelas. Kita harus menguasai Excel, memahami database dengan cara yang sulit, dan belajar melalui trial and error. Sekarang, di tahun 2025, perjalanan menjadi data analyst jauh lebih terstruktur, tetapi tetap menantang.

Mari berbagi rahasia yang telah saya kumpulkan selama 5 dekade berkarier. Dalam 90 hari ke depan, saya akan membimbing Anda melakukan transformasi dari pemula menjadi data analyst yang siap bersaing di pasar kerja.

Fase 1: Memahami Bahasa Data (Hari 1-30)

Seperti mempelajari bahasa asing, data analytics memiliki kosakata dan tata bahasa sendiri. Pada fase ini, fokus utama adalah membangun fondasi yang kuat.

Langkah-langkah yang perlu dilakukan:

Daftar kursus dasar analisis data. Google Data Analytics Certificate di Coursera menjadi pilihan yang sangat baik untuk pemula
Kuasai Excel dan statistik dasar. Mulai dari fungsi dasar seperti VLOOKUP, COUNTIF, hingga PivotTable7. Pahami konsep mean, median, korelasi, dan distribusi probabilitas
Latih SQL setiap hari. SQL adalah bahasa pemrograman wajib untuk data analyst. Mulailah dengan platform seperti SQLZoo dan LeetCode untuk soal-soal mudah.
Tonton tutorial di YouTube. Channel seperti Alex The Analyst memberikan penjelasan praktis tentang tools dan konsep analisis data.

Insight Penting: Jangan hanya belajar kode, tetapi pahami cara berpikir dengan data.

Contoh Konkret:

Alih-alih hanya mengatakan "penjualan menurun", seorang data analyst bertanya:

"Kategori produk mana yang mengalami penurunan terbesar?"
"Di wilayah mana penurunan terjadi?"
"Bagaimana pola penurunan ini jika dibandingkan dengan periode yang sama tahun lalu?"

Saya masih ingat ketika pertama kali berhasil menulis query SQL untuk menemukan tren pembelian pelanggan. Rasanya seperti menemukan harta karun - data yang tadinya tersembunyi kini menceritakan kisah yang jelas tentang perilaku konsumen.

Fase 2: Membangun Portofolio Proyek (Hari 31-60)

Pengetahuan teoritis saja tidak cukup. Pada fase ini, Anda perlu membuktikan kemampuan melalui proyek nyata

Proyek yang bisa dikerjakan:

Dashboard Penjualan dengan Excel dan Power BI
- Visualisasikan data penjualan untuk beberapa region
- Tambahkan slicer untuk memfilter data
- Hitung pertumbuhan year-over-year (YoY)
Studi Kasus SQL dengan Dataset Food Delivery
- Gunakan JOIN, CTE, dan fungsi window untuk menjawab pertanyaan bisnis
- Analisis waktu pengiriman dan efisiensi biaya
Skrip Pembersihan Data dengan Python dan Pandas
- Ambil data CSV yang berantakan
- Transformasi menjadi data yang siap untuk analisis

Cara menampilkan portofolio:

Buat repositori GitHub untuk menyimpan proyek-proyek Anda
Publikasikan dashboard Power BI
Tulis artikel di LinkedIn atau Medium tentang proses dan hasil proyek

Tip Penting: Jangan hanya mengatakan "Saya menguasai SQL" tetapi tunjukkan "Saya menggunakan SQL untuk mengidentifikasi inefisiensi biaya dalam waktu pengiriman".

Fase 3: Melamar Kerja dan Networking (Hari 61-90)

Ini adalah fase paling menantang, bukan karena penolakan, tetapi karena membutuhkan kesabaran dan ketekunan

Strategi efektif:

Lamar posisi entry-level dan magang. Jangan takut memulai dari bawah untuk mendapatkan pengalaman nyata10.
Bangun jaringan di LinkedIn. Hubungi 5-10 profesional data setiap hari dan minta saran atau bimbingan (lakukan dengan sopan)10.
Sesuaikan resume dengan kata kunci dari deskripsi pekerjaan. HR dan ATS (Applicant Tracking System) mencari kesesuaian antara kualifikasi Anda dan persyaratan pekerjaan10.
Persiapkan diri untuk wawancara. Gunakan situs seperti Glassdoor, Interview Query, dan StrataScratch untuk latihan soal wawancara.

Contoh Pertanyaan Wawancara yang Mengubah Segalanya:

"Bisakah Anda menjelaskan suatu proyek di mana analisis Anda berdampak pada pengambilan keputusan?"

Ini adalah pertanyaan yang sering muncul, dan jawaban terbaik adalah menunjukkan proyek konkret dengan dampak nyata. Misalnya, dashboard Power BI yang membantu visualisasi performa produk dan berkontribusi pada strategi pemasaran.

Tools Penting untuk Data Analyst

Berdasarkan pengalaman saya, berikut adalah tools yang wajib dikuasai:

Excel: Untuk analisis, pivot table, dan dashboard sederhana
SQL: Untuk query database dan ekstraksi data
Power BI/Tableau: Untuk visualisasi data dan dashboard interaktif
Python/R: Untuk pengolahan data, analisis statistik, dan automasi
Google Data Studio: Untuk reporting dan visualisasi online

Roadmap 90 Hari untuk Pemula

Hari 1-30: Fondasi

✅ Rumus Excel, PivotTable
✅ SQL Dasar (SELECT, JOIN, GROUP BY)
✅ Pengenalan Power BI
✅ 1 mini proyek

Hari 31-60: Pendalaman

✅ SQL Menengah (Window functions, subquery)
✅ Power BI dengan DAX
✅ Python untuk pembersihan data
✅ 2 proyek portofolio

Hari 61-90: Pencarian Kerja

✅ Optimasi Resume & LinkedIn
✅ Latihan wawancara
✅ Lamar 5 pekerjaan/hari
✅ Terus belajar dan menyempurnakan proyek

Glosarium: Bahasa Data Analyst yang Perlu Diketahui

Algoritma: Serangkaian proses atau aturan yang harus diikuti untuk tugas tertentu. Digunakan untuk menyelesaikan masalah dengan bantuan komputer

Analisis Data: Proses mengumpulkan dan mengolah data, mengambil kesimpulan, membuat prediksi, dan membantu dalam pengambilan keputusan berdasarkan informasi yang didapat.

Big Data: Dataset yang besar dan kompleks, biasanya mencakup periode waktu yang panjang, memungkinkan data analyst mengatasi masalah bisnis dengan jangkauan yang luas

Cloud: Tempat penyimpanan data secara online, memudahkan akses data di mana pun dan kapan pun selama ada jaringan internet

Dashboard: Perangkat untuk memonitor data yang masuk secara langsung atau data aktual

Dataset: Kumpulan data yang dapat dimanipulasi atau dianalisis sebagai satu unit. Sekumpulan data yang disusun secara terstruktur

Database: Sekumpulan data yang disimpan dalam sistem komputer

Formula: Instruksi untuk perhitungan dengan data di spreadsheet. Rumus yang digunakan dalam pengolah data seperti Microsoft Excel

KPI (Key Performance Indicator): Metrik utama yang digunakan untuk mengukur efektivitas dalam mencapai tujuan bisnis

Query: Permintaan untuk mengakses data atau informasi dari database menggunakan bahasa pemrograman

SQL (Structured Query Language): Bahasa pemrograman komputer yang digunakan untuk berkomunikasi dengan database. Memudahkan dalam mengakses dan mengelola data secara digital

Spreadsheet: Lembar kerja digital yang digunakan untuk mengolah data seperti Microsoft Excel5.

Refleksi Akhir

Perjalanan dari data mentah menjadi insight bukan hanya proses yang kita lakukan dalam dashboard - ini adalah metafora perjalanan kita sendiri.

Kita mulai dengan kebingungan dan informasi yang berantakan.

Kemudian perlahan, kita membersihkan, mentransformasi, dan mengekstrak makna.

Setelah berkarier, saya bisa katakan bahwa data analyst bukan sekadar profesi, tetapi cara berpikir yang mengubah cara kita melihat dunia. Setiap masalah menjadi pertanyaan yang bisa dijawab dengan data, setiap keputusan didukung oleh fakta, bukan perasaan.

Jika Anda berpikir untuk menjadi data analyst:

📌 Mulailah dari yang sederhana, mulailah dari yang kecil - tapi mulailah hari ini.

Perjalanan 90 hari ini hanyalah awal dari petualangan panjang. Industri data terus berkembang, dan di tahun 2025 ini, permintaan akan data analyst terus meningkat.

Selamat memulai perjalanan Anda!

Citations:

in Data Analyst

20 Query SQL yang Wajib Dikuasai Setiap Data Analyst