Setiap kali kata “data science” disebut, bayangan yang muncul biasanya sama: seseorang yang jago coding sejak kuliah, hafal berbagai bahasa pemrograman. Dan menghabiskan waktu di depan layar penuh baris kode rumit.
Bayangan inilah yang membuat banyak orang — mahasiswa jurusan non-IT, pegawai administrasi. Bahkan lulusan ilmu sosial — langsung mundur duluan sebelum mencoba.
Anggapan Data Scientist yang Bikin Orang Mundur Duluan
Ada beberapa mitos yang selama ini membuat data science terasa eksklusif:
- “Harus jago matematika tingkat tinggi”
Padahal sebagian besar pekerjaan data science sehari-hari justru berkutat di seputar mengumpulkan, membersihkan, dan menelaah data, bukan menghitung rumus statistik rumit dari nol. - “Harus lulusan Ilmu Komputer”
Kenyataannya, banyak praktisi data science justru datang dari latar belakang ekonomi, statistik terapan, bahkan ilmu sosial, karena kemampuan berpikir analitis lebih penting dari titel jurusan. - “Harus menguasai banyak bahasa pemrograman sekaligus”
Untuk level associate, penguasaan dasar satu bahasa pemrograman saja (Python) sudah cukup sebagai fondasi awal.
Mitos-mitos inilah yang justru membuat banyak talenta potensial tidak pernah mencoba. Padahal kebutuhan tenaga data science di Indonesia terus meningkat seiring makin banyak perusahaan yang mengambil keputusan berbasis data.
Kenapa “Associate” Adalah Titik Masuk yang Realistis?
Berbeda dari posisi data scientist senior yang menuntut pengalaman membangun model machine learning kompleks.
Pada level associate berfokus pada fondasi kerja data science yang paling dasar namun krusial. Sesuatu yang bisa dipelajari secara terstruktur tanpa harus punya latar belakang IT sebelumnya:
- Mengumpulkan data — menentukan sumber dan cara pengambilan data yang relevan
- Menelaah dan memvalidasi data — memastikan data yang dikumpulkan akurat dan layak dipakai
- Membersihkan data (data cleaning) — menghilangkan data yang rusak, duplikat, atau tidak konsisten
- Mengonstruksi dan menentukan objek data — menyiapkan data dalam struktur yang siap dianalisis
- Membangun model dasar — menyusun model sederhana berdasarkan data yang telah diproses
- Mengevaluasi hasil pemodelan — menilai seberapa baik model bekerja dan area yang perlu diperbaiki
Perhatikan urutannya: sebagian besar tahapan di atas adalah soal ketelitian, logika, dan kemampuan bekerja sistematis. Justru di sinilah banyak orang non-IT punya keunggulan tersembunyi, terutama mereka yang terbiasa bekerja dengan data administratif, riset, atau analisis dalam bidang apa pun.
Membuktikan Kompetensi Lewat Sertifikasi Associate Data Scientist
Belajar dasar data science secara otodidak memang bisa, tapi tanpa validasi formal, kompetensi tersebut sulit dibuktikan ke calon pemberi kerja. Di sinilah Sertifikasi Associate Data Scientist BNSP dari Iblu Academy hadir sebagai jalur terstruktur untuk membuktikan kompetensi tersebut secara resmi.
Selama pelatihan, peserta didampingi tim trainer secara detail dalam menyelesaikan assignment dan studi kasus, sehingga tidak perlu khawatir meskipun belum pernah menyentuh dunia data science sebelumnya.
