Apa Itu Karier Data Science di Era AI?
Karier data science adalah perjalanan profesional yang berfokus pada pengumpulan, pembersihan, analisis, dan pemodelan data untuk mendukung keputusan berbasis bukti, sering kali menggunakan teknologi kecerdasan buatan dan belajar machine learning agar organisasi mampu menjawab masalah nyata sekaligus beradaptasi dengan perubahan industri yang cepat.
Jika kamu menunggu gelar sempurna sebelum bergerak, kamu akan kalah cepat dari mereka yang membangun keterampilan dan portofolio sejak hari ini. Kisah Arfan Hafidt Nashrullah (22), Lulusan Program Asah 2025, menunjukkan bahwa karier data science bisa dimulai dari nol, bahkan ketika jalan kuliah tidak mulus. Setelah gagal SNBT dan jalur mandiri, ia memilih gap year, bekerja sebagai pegawai toko di Bali, lalu menemukan konten tentang data analyst yang mengubah arah hidupnya.
Data science di era AI bukan monopoli anak matematika atau lulusan kampus ternama. Ia terbuka bagi siapa pun yang mau belajar machine learning, statistik dasar, pemrograman, dan alih keterampilan digital secara konsisten. Pertanyaannya bukan lagi “punya gelar apa?”, melainkan “bisa menyelesaikan masalah apa dengan data?”.
Belajar Terstruktur: Bootcamp, Platform Online, dan Program Intensif
Langkah paling rasional untuk pindah jalur ke karier data science adalah mengikuti pembelajaran terstruktur, bukan sekadar menonton video acak. Arfan menjadi contoh jelas bagaimana program intensif seperti Asah 2025 led by Dicoding berperan besar dalam memperkuat keterampilan data science-nya. Program semacam ini pada dasarnya berfungsi seperti bootcamp data analyst: kurikulum tersusun, ada mentor, proyek nyata, dan target waktu yang jelas.
Di program Asah, Arfan belajar materi berstandar industri, dari SQL, pemrograman, hingga kelas “Belajar Machine Learning untuk Pemula”, “Belajar Fundamental Deep Learning”, dan “Membangun Sistem Machine Learning” yang ia sebut sangat berpengaruh. Pembelajaran terstruktur membantu menutup gap pengetahuan, terutama untuk topik teknis yang sulit dipahami bila hanya mengandalkan belajar acak. Namun ada harga yang harus dibayar: ia harus membagi waktu antara program Asah, perkuliahan, dan kegiatan lain, sambil mengejar materi teknis yang masih baru baginya.
Program intensif bukan jalan mudah, tetapi ia mempercepat perjalanan dari pemula ke level siap kerja. Di dunia yang dipenuhi otomatisasi, “gelar akademik formal bukan lagi satu-satunya tolok ukur kesuksesan karier di tengah maraknya program pelatihan mikro berbasis keterampilan praktis”. Kalau kamu serius pindah jalur, jadikan bootcamp dan platform online sebagai tulang punggung belajar, bukan pelengkap.
Portofolio Data Project: Gap Year, Magang, dan Proyek Nyata
Di era AI, portofolio data project jauh lebih meyakinkan daripada paragraf panjang di CV. Arfan membuktikan hal ini: gap year yang awalnya dianggap kegagalan justru memperjelas minatnya di bidang data dan membawanya pada jurusan Sains Data di Universitas Negeri Surabaya. Saat gap year, ia belajar Tableau, SQL, dan basic query secara autodidak, lalu memperdalamnya melalui submission project di program Asah agar teori langsung berubah jadi praktik.
Proyek dan latihan dalam program Asah membuat proses belajar terasa nyata: ia melihat bagaimana skills digunakan untuk memecahkan masalah, bukan hanya menyelesaikan tugas kelas. Portofolio inilah yang membuka pintu magang sebagai data analyst and visualization di Telkom Indonesia, di mana ia mengolah dan membersihkan data inventory, membangun pipeline SQL, melakukan ekstraksi lokasi dengan NLP, mengembangkan sistem RAG, hingga membuat dashboard analitik.
Berbekal pengalaman tersebut, ia naik level menjadi data science intern di Asuransi Astra Buana, dengan tugas utama mengekstraksi unstructured data menjadi database SQL untuk pengambilan keputusan. Ini bukti bahwa jalur gap year, magang, dan proyek nyata bisa lebih kuat daripada sekadar mengandalkan gelar. Kalau portofoliomu kosong, gelar setinggi apa pun akan kalah dari kandidat yang punya bukti kerja nyata.
Alih Keterampilan Digital dan Peluang Industri
Keterampilan alih fungsi bukan lagi pilihan, melainkan keharusan. Perubahan peta industri global yang bergerak sangat cepat menuntut kita terus memperbarui kompetensi agar tidak tergilas otomatisasi. Banyak profesional muda menghabiskan waktu luang untuk mempelajari navigasi data dan teknologi ramah lingkungan demi mengamankan pekerjaan masa depan yang dinamis. Inilah inti alih keterampilan digital: memindahkan diri dari pekerjaan yang mulai usang ke bidang yang tumbuh, seperti karier data science.
Peluang karier data science tidak hanya di satu sektor. Arfan sendiri sudah mencicipi sektor telekomunikasi saat magang di Telkom Indonesia, lalu sektor asuransi di Asuransi Astra Buana. Dari pola kebutuhan industri, posisi data scientist, data analyst, dan machine learning engineer juga berkembang di fintech, perusahaan telekomunikasi lain, serta startup analytics yang fokus pada produk berbasis data. Ditambah maraknya kerja jarak jauh, para pencari kerja di daerah kini punya kesempatan sejajar dengan pekerja di kota besar.
Langkah berani pindah jalur mungkin terasa menakutkan, tetapi pasarnya mendukung. Seseorang bahkan rela meninggalkan posisi aman di perbankan demi sertifikasi energi terbarukan yang lebih dibutuhkan. Pertanyaannya: apakah kamu siap melakukan reskilling, belajar machine learning, dan membangun portofolio hingga pantas masuk ekosistem baru ini?
Rencana Aksi: Dari Nol hingga Siap Karier Data Science
Tanpa rencana aksi, niat pindah ke karier data science akan berhenti sebagai wacana. Arfan tidak sekadar tertarik; ia membuat jadwal belajar, memprioritaskan tugas, memanfaatkan dokumentasi, dan menambah latihan melalui submission project agar materi tidak berhenti pada teori. Dari situ ia membangun fondasi, mengikuti program intensif, lalu memanfaatkan setiap kesempatan magang yang relevan.
- Bangun dasar: kuasai matematika sederhana, statistik, logika pemrograman, dan SQL.
- Ikut bootcamp data analyst atau program intensif online dengan kurikulum jelas dan proyek nyata.
- Buat portofolio data project: mulai dari analisis data publik, dashboard, hingga mini sistem machine learning.
- Cari pengalaman kerja: magang, freelance, atau proyek sukarela yang bisa didokumentasikan.
- Terus lakukan alih keterampilan digital: pelajari topik baru seperti NLP, RAG, atau deep learning sesuai kebutuhan industri.
Ke depan, Arfan ingin terus mengembangkan karier di bidang data science dan AI, khususnya pada penerapan AI untuk menyelesaikan permasalahan nyata. Itu sikap yang seharusnya ditiru: melihat belajar sebagai proses jangka panjang, bukan tiket sekali pakai. Jika kamu berani bersikap serupa, perjalanan dari nol ke karier data science bukan mimpi, melainkan proyek hidup yang terukur.
