Bagaimana Cara Agar Berhasil Switching Career ke Bidang Data

Jika Anda tidak memiliki banyak waktu untuk membaca artikel ini seluruhnya, berikut poin-poin inti dari hasil wawancara kami dengan beberapa pekerja yang berhasil melakukan career switching ke bidang data:

• Melakukan career switching ke bidang data butuh persiapan matang; itu mencakup persiapan skills yang sesuai dengan requirement, membuat portofolio, perbaikan CV hingga mengikuti hackathon.
• Semua narasumber sepakat bahwa membuat portofolio dan melakukan publikasi di berbagai platform seperti LinkedIn dan Medium meningkatkan keberhasilan mereka untuk melakukan career switching.
• Pada tahap wawancara dengan users, sebagian besar narasumber mendapati pertanyaan mengenai pengetahuan fundamental mengenai machine learning dan data analysis.
• Pada tahap wawancara, narasumber juga menjabarkan tentang portofolio yang telah mereka buat dan proses pembuatannya, serta bagaimana menguji keterampilan yang akan diterapkan di dalam pekerjaan di bidang data menggunakan dataset yang tersedia.
• Persiapan switching career memerlukan usaha lebih semisal menyisihkan waktu untuk belajar di weekdays dan mengulang rekaman kelas di akhir pekan agar dapat menguasai skills yang diperlukan.

Bidang data telah menjadi pekerjaan impian banyak orang sejak Harvard Business Review menahbiskan itu sebagai “Pekerjaan Terseksi di Abad ke-21”. Permintaan akan profesional data juga naik karena peningkatan kebutuhan akan analisis data dan pemodelan prediktif di perusahaan. Namun, menjadi data scientist atau data analyst tidak hanya memerlukan keterampilan tinggi dan pengetahuan multidisiplin di bidang matematika, statistik, ilmu komputer, dan pemahaman bisnis.

Sayangnya, pasar tenaga kerja tidak menyerap peningkatan kebutuhan perusahaan itu karena kurangnya talenta dengan kualitas tinggi dan kesiapan bekerja di bidang data. Ketidaksesuaian antara permintaan dan penawaran ini menjadi celah menarik bagi mereka yang ingin melakukan career switching. Namun, jelas itu memerlukan banyak persiapan yang mencakup keterampilan teknis, problem–solving hingga personal branding untuk menarik di mata perusahaan.

Berdasarkan pengamatan kami terhadap para career switcher, ada beberapa variabel yang akan memperbesar keberhasilan melakukan career switching ke bidang data. Itu mencakup persiapan skills yang sesuai dengan requirement, membuat portofolio, perbaikan CV hingga mengikuti hackathon. Untuk mendapatkan gambaran cerita secara utuh, simak wawancara kami dengan 4 orang siswa Pacmann yang berhasil melakujkan career switching ke bidang data.

Apa background pengalaman kerja dan pendidikan Anda sebelum melakukan switching career?

Firdan Rahman Wicaksono:

Firdan Rahman W., Data Scientist di PT. Freeport Indonesia,
Pekerjaan sebelumnya: R&D Engineer
https://www.linkedin.com/in/firdan-rahman/

Sebelum beralih ke bidang data, saya memiliki latar belakang pendidikan Teknik Kimia dari ITB. Selepas lulus, saya mengerjakan proyek feasibility study turunan batu bara, yang masih align dengan jurusan S-1 saya. Setelah itu saya berkarier sebagai Research & Development Engineer di PT Perintis Proteksi Sejahtera; saya telah meneliti dan mengembangkan produk antikorosi yang menyasar perusahaan minyak, gas, dan konstruksi. Di perusahaan inilah pola pikir business acumen driven saya mulai terasah, yang kemudian berguna di bidang data.

Alvin Noza: 

Alvin Noza, Jr. Data Scientist di PT. NTX Solusi Teknologi
Pekerjaan sebelumnya: Fit Out Coordinator
https://www.linkedin.com/in/alvin-n-802a65226/

Karier terakhir saya sebelum switching career ke bidang data adalah Fit Out Coordinator di Agung Sedayu Group. Dulu posisi ini cocok dengan latar pendidikan saya, yaitu teknik gambar bangunan di STM 1 Jakarta.

Tanggung jawab saya sebagai seorang fit out secara umum adalah memastikan setiap kegiatan renovasi dan building improvement di gedung bertingkat berjalan sesuai dengan peraturan yang berlaku; itu termasuk peraturan internal di sisi manajemen gedung dan peraturan eksternal yang pemerintah tetapkan. Proses ini melibatkan fase pemeriksaan gambar kerja dan dokumen-dokumen, monitoring selama pekerjaan berlangsung hingga fase serah-terima.

Selain itu, saya juga mempunyai kewajiban untuk melaporkan perkembangan setiap kegiatan renovasi dan building improvement kepada manajemen gedung. Saya menggeluti karier ini dari tahun 2015 hingga 2020.

Shofi Fajriah Ilmi:

Shofi Fajriah Ilmi, Data Analyst, Pusat Pasar Kerja, Kementrian Tenaga Kerja

Pekerjaan Sebelumnya: Ibu Rumah Tangga 

https://www.linkedin.com/in/shofi-fajriah-ilmi/

Background pendidikan saya adalah Kimia (murni) dan pekerjaan sebelum beralih karier adalah Ibu Rumah Tangga sekaligus berjualan online. Saya bertanggung jawab atas segala aktivitas domestik seperti mencuci, memasak, mengurus anak dan suami. Selain itu, saya melayani customer dan melakukan packing untuk pengiriman barang yang customer pesan. Saya cukup mahir dalam membagi waktu untuk mengerjakan hal tersebut.

Galih Mahardika:

Galih Mahardika, Data Analyst, ASYX
Pekerjaan Sebelumnya: MDP PT. Pan Brothers Tbk
https://www.linkedin.com/in/galihmahardika/

Background pendidikan saya Ilmu Sejarah. Sebelum switching career, saya bekerja di salah satu perusahaan garmen dengan tanggung jawab sebagai user SAP yang melakukan pemesanan impor material garmen.

Apa saja persiapan sebelum switching career untuk memperkecil kesenjangan dari skill dan persyaratan kerja di bidang data?

Firdan:

Saya sadar betul bahwa pemahaman yang mendalam penting untuk mengemban role sebagai Data Scientist. Latar belakang saya dari Teknik Kimia sangat sedikit bersentuhan dengan data dan pemrograman. Karena itu, saya memutuskan untuk mengikuti program non-degree data science di Pacmann. Materinya terstruktur dan runtun; mulai dari ilmu dasar (seperti kalkulus dan dasar Python) hingga level advanced.

Karena saya menjalani program ini sambil bekerja, penentuan kurikulum ini sangat penting untuk keep in check what to learn. Bagi saya, belajar otodidak akan sulit karena ketiadaan arahan jelas. Saya juga mengikuti hackathon sebagai praktik untuk memperkuat pemahaman saya tentang bidang data ini. Kasus yang saya ambil juga riil, tidak memakai dummy data, yang penting untuk fondasi kemampuan mengambil insight dari scattered information.

Alvin:

Karena background saya sangat tidak beririsan dengan dunia data, saya sempat mengambil kuliah S1 Statistika di Universitas Terbuka pada 2018. Namun, manajemen waktu menjadi kendala sebab saya saat itu kuliah sambil bekerja, sehingga pada akhirnya saya tidak bisa lanjut.

Berselang dua tahun, ketertarikan saya untuk terjun ke bidang data muncul lagi. Dari situ, saya memutuskan mengambil beberapa kursus terkait data science di edX. Dari situ kemudian pada pertengahan 2021 saya mengikuti bootcamp data science; lalu sejak 2022 hingga saat ini saya menjadi siswa sekolah data di Pacmann karena saya merasa masih perlu menguatkan fondasi keilmuan data science saya. Selain itu, saya mulai membiasakan diri membaca artikel-artikel tentang data science dan mengikuti beberapa kursus pendek. Itulah yang kemudian membantu saya mendapatkan pekerjaan saya saat ini sebagai junior data scientist.

Shofi:

Untuk mempersiapkan karier baru, saya mengikuti kursus dengan skill dengan permintaan tinggi dan memiliki peluang untuk masuk ke berbagai industri. Jadi, posisi kerjanya tidak hanya ada di industri tertentu. Selain itu, saya berlatih public speaking dan simulasi bekerja dalam tim sebab saya sempat menemui hambatan akibat lama tidak bekerja kantoran–kurang lebih selama 5 tahun.

Galih:

Untuk saya pribadi, karena background saya dari Ilmu sejarah, pasti ada kesenjangan. Pertama, terkait programming; awalnya saya buta soal Python sampai akhirnya bisa membuat function sendiri. Kesenjangan itu saya atasi dengan belajar hal terkait programming yang menurut saya bisa saya kerjakan.

Kedua, terkait matematika; dunia data ini berkaitan erat dengan matematika dan statistika, sehingga saya berusaha mengatasi kesenjangan itu dengan berupaya memahami intuisi dari setiap notasi-notasi di dalam materi machine learning.

Tidak lupa, saya sering revisit materi fundamental untuk menjaga pemahaman. Jadi, ketika saya membaca materi lebih advanced,  saya lebih mudah memahaminya. Jika sudah berulang kali saya baca tetapi masih tidak kunjung paham, saya memaksakan diri saya untuk “hafal” terlebih dahulu sambil terus memahami materi itu dengan mencari contoh aplikatif.

Bagaimana cara Anda membangun personal branding untuk switching career di bidang data?

Firdan:

Untuk membangun personal branding di bidang data, saya memanfaatkan LinkedIn dengan membagikan hasil belajar di Pacmann secara berkala, juga project saya di bidang data, baik post GitHub maupun post tentang project itu sendiri.

Selain itu, saya juga berusaha terlibat di dalam komunitas online dan offline yang Pacmann adakan, seperti hackathon untuk meetup dan diskusi langsung terkait tren terbaru dalam bidang data.

Alvin:

Soal personal branding, saya sering berkonsultasi dengan orang-orang yang lebih senior di bidang data. Dari situ, saya dapat mengetahui apa saja yang saya butuhkan untuk meniti karier menjadi data scientist. Portofolio pun tentu menjadi komponen utama untuk menarik perhatian employer.

Namun seiring waktu berjalan, kemampuan komunikasi baik juga merupakan komponen yang tak kalah penting dan tidak dapat kita abaikan. Misalnya saat menyusun portofolio project; berbekal kemampuan komunikasi mumpuni kita dapat menjelaskan end-to-end process dari project itu dan mengapa kita melakukan itu. Selain itu, komunikasi yang baik juga dapat membantu kita saat interview dengan employer. Jika kemampuan komunikasi dan presentasi kita meyakinkan, kesempatan untuk dapat lolos ke tahap selanjutnya akan semakin besar.

Shofi:

Saya mulai mempublikasikan portofolio dan tulisan-tulisan terkait tugas dan project saya di Linkedin/Medium. Menurut saya, jangan cuma publikasi link ke portofolionya saja, tetapi juga harus ada artikel penjelasnya. Selain itu saya membuat career tracking yang di dalamnya ada target berapa users (yang sesuai dengan bidang kita/interest) yang perlu kita connect di Linkedin.

Lebih baik lagi, jika ada satu halaman web atau blog khusus untuk menampung semua portofolio terkait. Twitter juga bisa kita jadikan tempat untuk berjejaring dengan orang-orang luar karena saya lihat banyak praktisi data aktif di platform itu.

Ada satu tip juga; untuk menambah impression ke portofolio, sebaiknya tema yang sedang hits saat itu karena itu berpotensi meningkatkan minat orang-orang atas portofolio itu.

Galih:

Kalau pengalaman pribadi, saya sering konsultasi dengan student consultant di tempat belajar terkait CV, sehingga CV saya sesuai dengan standar CV yang data-related. Kemudian soal portofolio, itu juga penting. Misalnya, kita bisa menggunakan GitHub untuk showcase proyek seperti di portofolio itu juga yang kita kerjakan di dunia nyata. Jadi, harus membiasakan diri membuat proyek dan membagikannya di ruang publik untuk menarik minat recruiters. Namun, saya pribadi kebetulan belum sempat membuat portofolio secara publik karena sudah mendapat panggilan technical test terlebih dahulu di dua perusahaan, ketika saya masih mempelajari materi Intro Machine Learning. Ya, ada faktor keberuntungan juga di sana dan tentu berkat bantuan konsultasi dan perbaikan CV dari Pacmann.

Bagaimana cara Anda membuat portofolio dan CV agar dapat memenuhi requirements di bidang data?

Data Analysis Results Summary Graph Chart Word Graphic

Firdan:

Jika belum memiliki pengalaman di bidang data, menurut saya, hal yang sebaiknya kita lakukan adalah menginput skills yang berkaitan erat dengan bidang data, bukan kemampuan di bidang lain yang terlalu spesifik.

Selanjutnya, penting untuk mengerjakan proyek Data Science sebagai portofolio untuk showcase di CV agar employer paham akan kemampuan kita. Proyek ini pun harus jelas; bagaimana prosesnya dari awal hingga akhir, bagaimana model di dalamnyna bekerja, dan yang paling penting adalah tujuan dari membuat proyek itu sendiri.

Alvin:

Sama seperti sebelumnya, saya juga akan berkonsultasi dengan orang-orang yang lebih senior. Namun selain itu, saat ini saya sedang menerapkan strategi scanning beberapa lowongan posisi terkait data dan melihat skill apa saja dari tiap posisi itu. Kemudian, saya menarik kesimpulan dari kebutuhan-kebutuhan tersebut dan membuat mini project terkait.

Misal, tujuh lowongan yang saya scanning ternyata membutuhkan advanced SQL. Di titik ini saya akan mempelajari advanced SQL selama beberapa hari, lalu membuat mini project dari pengetahuan baru tersebut, dan selanjutnya CV saya akan melakukan update dengan link ke mini project saya.

Galih:

Saya mengikuti hackathon financial data challenge dari BRI. Pada kesempatan itu, saya membuat churn prediction dari dataset yang BRI berikan. Saran saya, perlu memperbanyak portofolio untuk berbagai industri, seperti banking, fintech, supply chain, dll. agar ada portofolio relevan dengan bidang pekerjaan yang kita lamar, sehingga meningkatkan peluang diterima.

Apa saja pertanyaan dan tes pada fase interview pekerjaan di bidang data? Bagaimana persiapan Anda untuk menghadapinya?

Firdan:

Pada saat apply, pertanyaan awal biasanya soal fundamental data science, seperti apa itu overfitting, underfitting, dan bagaimana cara mengatasinya. Selanjutnya, ketika memasuk fase user interview, kita bahas project apa saja yang pernah kita kerjakan dan mana yang paling impactful. Di fase ini, user akan menanyakan detail project itu. Lalu ada juga framework knowledge test dengan contoh permasalahan tertentu; kita harus menjelaskan akar permasalahan itu terjadi, apa dampaknya, dan bagaimana solusinya.

Alvin:

Setelah mengikuti beberapa kali interview untuk posisi data scientist, selain masalah teknikal, saya melihat ada pola tertentu. Kebanyakan employer ataupun user membutuhkan orang yang dapat memberikan sesuatu yang dapat membantu mereka menyelesaikan masalah yang saat ini mereka punya.

Biasanya untuk dapat melewati proses ini, untuk masalah teknikal saya akan belajar kembali terkait skills yang sudah mereka cantumkan di lowongan mereka. Dengan demikian, ingatan saya akan lebih fresh. Selain itu, saya juga akan mencari tahu lebih dulu sebelum interview terkait business area perusahaan, dan mencari tahu apa saja potential business problems mereka. Dari situ, saya bisa cukup percaya diri memaparkan apa yang bisa saya kontribusikan sebagai data scientist di tempat mereka.

Shofi:

Pertama: Kita menceritakan background, baik itu pendidikan ataupun pengalaman kerja, serta kegiatan saat ini.
Kedua: Menanyakan proses-proses di dalam project/portfolio.
Ketiga: Menanyakan sejauh mana penguasaan skill data saat ini, juga tentang tentang skill lainnya yang relevan.
Keempat: Technical test, pada kasus saya adalah saya harus melakukan visualisasi data dari sebuah dataset menggunakan tools yang saya kuasai, lalu mencari insight apa saja yang bisa tarik dari data tersebut.

Galih:

Berdasarkan pengalaman saya, tahap pertama itu interview dengan HR; pertanyaan di fase ini masih bersifat general. Kemudian ada technical test pertama yang mencakup pertanyaan-pertanyaan fundamental terkait machine learning dari users. Selanjutnya ada technical test kedua yang akan menguji kemampuan teknis kita terkait use case dari industri perusahaan tersebut.

Apakah Anda mengikuti pendidikan informal tertentu untuk masuk ke bidang data? Apa saja skill aplikatif yang Anda pelajari di program tersebut dan membantu pekerjaan Anda sekarang?

Learning Education Ideas Insight Intelligence Study Concept

Firdan:

Ya, saya mengikuti program non-degree data science di Pacmann untuk mempersiapkan diri memasuki bidang data. Di program ini, saya mempelajari ilmu pemrograman Python, penggunaan Tableau untuk visualisasi data, dan penerapan model-model untuk machine learning. Selain itu, saya juga belajar konsep statistik dan matematika yang memang sebagian terpakai di bidang ini. Namun, saat ini kemampuan exploratory data analysis yang baik masih menjadi bagian dari skill yang sangat penting dalam pekerjaan saya.

Alvin:

Ya, saya mengambil beberapa kursus maupun bootcamp yang memiliki kaitan dengan data science yang kemudian membantu saya mendapatkan pekerjaan saya yang sekarang. Cukup banyak skill yang saya dapat dari pendidikan-pendidikan ini yang membantu di pekerjaan saya sekarang. Namun dari semua itu, skill yang paling membantu adalah Python, data modeling, dan problem solving. Ketiga skill ini saya gunakan pada day-to-day work di tempat kerja sekarang.

Shofi:

Ya, saya mengikuti kursus data analyst/business intelligence terlebih dahulu. Di pekerjaan saya, skill data wrangling menggunakan Python sangat membantu.

Galih:

Saya ikut Pacmann waktu itu dengan mengambil program data science selama satu tahun. Saya banyak belajar terkait fundamental dari aljabar linear, probability, Python, machine learning, deep learning hingga deployment. Skills tersebut sangat esensial di perusahaan saya sekarang ini. Bagi saya, penting untuk selalu kembali ke materi fundamental ketika ada sesuatu hal yang kita tidak mengerti. Membaca paper terkait algorithms yang umum, ataupun use case akan sangat membantu untuk mengasah keterampilan teknis kita.

Bagaimana cara Anda belajar secara efektif di program kursus data tersebut?

Firdan:

Untuk belajar secara efektif, saya menyiapkan waktu kosong pada akhir pekan untuk mengikuti kelas-kelas daring dan aktif berinteraksi dengan pengajar. Namun, apabila ini tidak mungkin, biasanya saya akan mengulang video rekaman kelas yang saya pecah menjadi dua hari. Strategi ini membantu saya untuk fokus dan memahami lebih dalam tentang materi ajar; ketika ada hal dari rekaman yang tidak saya pahami, bisa saya googling atau saya tanyakan pada rekan-rekan saya.

Alvin:

Saya rasa untuk dapat belajar secara efektif di Pacmann maupun di program lainnya yang pertama adalah menyiapkan mental kita. Kita tahu jika belajar hal baru akan membutuhkan waktu dan perhatian yang ekstra, yang mana jika kita tidak menyiapkan mental kita maka nantinya kita akan burn out dan tidak melanjutkan program tersebut.

Kedua, jika kita sudah menyiapkan mental tersebut, kita bisa mengatur strategi teknikal. Sejauh ini strategi yang saya gunakan di Pacmann adalah menonton video pre-class lebih dulu, yang saya cicil setiap harinya. Kemudian saya akan mengusahakan untuk mengikuti live class. Jika sudah, dari dua hal tersebut saya akan cari informasi tambahan dari internet sebagai suplemen.

Pada hari kerja, di luar hari live class, saya mengalokasikan minimum satu jam untuk belajar setelah saya melakukan aktivitas pekerjaan kantor. Pada akhir pekan, saya biasanya mengalokasikan 3-5 jam atau lebih per hari untuk belajar ataupun membuat mini project.

Galih:

Dari pengalaman saya pribadi,mungkin bisa berbeda dan tidak cocok dengan yang lain, saya biasa belajar 1-2 jam setelah jam pulang kerja di weekdays dan 8-9 jam di weekend. Kemudian, sejam sebelum kelas berlangsung, saya biasa membaca materinya terlebih dahulu sehingga apabila ada hal yang tidak saya pahami, bisa saya tanyakan. Bagi saya pribadi, membaca materi terlebih dahulu mencegah saya merasa blank selama proses pembelajaran yang mungkin mengakibatkan saya tidak bisa bertanya lebih jauh.

Terdapat banyak variabel yang membantu peningkatan keberhasilan untuk beralih karier ke bidang data. Dari beberapa pengalaman narasumber yang kami wawancarai, latar belakang pendidikan yang jauh dari bidang data tidak menjadi halangan untuk beralih karier. Semuanya sepakat bahwa membentuk portofolio dan mempersiapkan skills penting untuk masuk ke industri data adalah hal yang sangat penting untuk masuk ke bidang data.

Tiga dari empat narasumber yang kami wawancarai juga mengikuti hackathon untuk menguji pemahaman dan kemampuan mengatasi kasus dunia nyata juga problem-solving. Selain itu, CV mereka juga memuat hal-hal yang relevan dengan bidang data walaupun pernah memiliki pengalaman di bidang lain.

Semua narasumber adalah siswa/alumni Pacmann dari berbagai batch ini juga menyarankan untuk mengambil program kursus dengan materi yang runtut dan lengkap, bukan hanya hard skills tapi juga problem solving. Dari beberapa narasumber juga, terdapat beberapa course yang sangat aplikatif dalam pekerjaannya di bidang data seperti python programming, data wrangling, data visualization, data modeling, Exploratory Data Analysis, deployment sampai kemampuan problem solving.

Meningkatkan keberhasilan untuk switching career ke bidang data dapat kita lakukan dengan melakukan mentoring dalam bidang Data Sciences, AI/ML, Data Engineering, Data Analyst.