TL;DR
Recruiter biasanya cuma butuh sekitar 30 detik buat mutusin lanjut baca portofolio atau nggak, dan yang dicari di detik-detik itu adalah kesimpulan, bukan kode. Lima kesalahan yang paling sering bikin portofolio data analyst ditutup: notebook tanpa temuan tertulis, dataset yang dipakai ribuan orang lain, README kosong atau tautan mati, grafik tanpa judul dan label, dan hasil analisis yang ga dikaitkan ke angka bisnis.
Recruiter buka portofolio kamu rata-rata cuma sebentar sebelum mutusin lanjut atau nutup tab. Yang dia cari di detik-detik itu bukan kode, tapi kesimpulan.
Ini yang bikin banyak portofolio teknis bagus tapi ga pernah nembus. Notebooknya rapi, kodenya bersih, tapi orang yang baca harus scroll 200 baris dulu sebelum nemu jawabannya apa.
Lima kesalahan di bawah ini yang paling sering muncul, plus cara benerinnya dalam satu sesi kerja.
Tiga hal, urut. Pertama, bukti kamu bisa ngubah data mentah jadi keputusan, bukan cuma jadi grafik. Kedua, bukti kamu bisa nulis dan menjelaskan hasil ke orang non-teknis. Ketiga, baru kemampuan teknisnya: SQL, Python, dan pengolahan data. Urutan ini kebalik dari yang dikira kebanyakan pelamar.
Alasannya sederhana. Kemampuan teknis bisa diuji di tahap tes. Kemampuan mikir dan nulis lebih susah diuji, jadi portofolio jadi bukti awal yang paling kepakai.
Jadi pertanyaan yang harus dijawab di layar pertama portofolio kamu: masalah apa, datanya apa, temuannya apa, jadi apa keputusannya.
Ini yang paling sering. Sel pertama import pandas as pd, sel terakhir grafik, dan ga ada satu paragraf pun yang bilang "jadi hasilnya apa".
Orang yang baca harus nafsirin sendiri. Kebanyakan ga bakal repot.
Perbaikannya: tulis tiga sampai lima kalimat temuan di sel paling atas, sebelum baris kode apa pun. Isinya angka, bukan kata sifat. "Tiga dari enam kota nyumbang 71 persen omzet" jauh lebih kuat dari "penjualan bervariasi antar kota".
Titanic, Iris, dan Boston Housing. Tiga nama ini langsung ngasih sinyal bahwa kamu ngikutin tutorial, bukan nyari masalah sendiri.
Masalahnya bukan datasetnya jelek. Masalahnya ga ada keputusan yang kamu ambil di situ. Semua langkahnya udah ditentuin sama tutorial yang kamu ikutin.
Perbaikannya: ambil data yang punya konteks Indonesia dan bisa kamu ceritain. Data harga pangan dari PIHPS, statistik BPS per kabupaten, ulasan aplikasi di Google Play, atau catatan penjualan warung tetangga. Data yang kamu kumpulin sendiri nilainya lebih tinggi lagi, karena nunjukin kamu bisa kerja dari nol.
Repositori GitHub tanpa README itu kayak dokumen tanpa halaman depan. Orang yang buka langsung ketemu daftar file .ipynb dan ga tau harus mulai dari mana.
Lebih parah lagi kalau tautan di CV ngarah ke halaman 404, atau notebook di GitHub yang gagal dirender. Ini kejadian lebih sering dari yang kamu kira, terutama buat notebook di atas 5 MB.
Perbaikannya: tiap repositori wajib punya README berisi masalahnya apa, datanya dari mana, cara jalanin ulangnya gimana, dan temuannya apa. Panduan formatnya ada di dokumentasi README GitHub. Setelah itu, buka tautannya dari mode penyamaran peramban buat mastiin orang lain beneran bisa akses.
Grafik matplotlib yang keluar apa adanya biasanya punya sumbu tanpa nama, angka tanpa satuan, dan ga ada judul. Pembaca harus nebak itu grafik apa.
Buat pekerjaan analis, ini masalah nyata. Grafik yang butuh penjelasan lisan berarti gagal di laporan tertulis.
Perbaikannya: tiap grafik wajib punya judul yang isinya temuan, bukan deskripsi. Ganti "Penjualan per Bulan" jadi "Omzet turun 18 persen sejak Juli". Tambahin nama sumbu, satuan rupiah, dan satu anotasi di titik yang penting. Prinsip ini sama dengan yang dipakai waktu nyusun dashboard buat manajemen.
Model akurasi 92 persen itu bagus. Tapi pertanyaan berikutnya dari pewawancara selalu sama: jadi berapa yang dihemat?
Portofolio yang berhenti di metrik teknis nunjukin kamu ngerti algoritma, tapi belum ngerti kenapa perusahaan bayar analis.
Perbaikannya: terjemahin hasilnya ke rupiah atau ke waktu. "Model prediksi pelanggan berhenti berlangganan ini nandain 180 pelanggan berisiko per bulan. Kalau setengahnya bisa dipertahankan lewat promo Rp 25 ribu, potensi omzet yang terselamatkan Rp 34 juta per bulan." Angka boleh perkiraan, asal asumsinya kamu tulis. Cara ngukurnya bisa kamu susun pakai kerangka KPI.
Aku ambil satu notebook analisis penjualan yang masuk ke sesi review Ngulik Data. Panjangnya 47 sel, ga ada satu pun teks penjelasan, dan grafiknya empat buah tanpa judul.
Perbaikannya makan 95 menit, dan ga ada satu baris analisis baru yang ditambahin. Yang berubah cuma cara nyajiinnya:
Hasilnya: waktu yang dibutuhkan pembaca buat nemu temuan utama turun dari harus scroll 47 sel jadi cukup baca sel pertama. Dan dari 4 grafik yang ada, cuma 2 yang beneran dipertahankan. Dua sisanya dibuang karena ga nambah apa-apa.
Pelajaran yang paling kepakai: portofolio yang bagus biasanya lebih pendek dari draf pertamanya, bukan lebih panjang.
| Bagian | Yang dicek |
|---|---|
| Tautan | Semua tautan di CV kebuka dari mode penyamaran peramban |
| README | Ada masalah, sumber data, cara jalanin, dan temuan |
| Ringkasan | 3 sampai 5 kalimat temuan berangka di paling atas notebook |
| Grafik | Judul berisi temuan, sumbu bernama, satuan jelas |
| Data | Sumbernya disebut, dan ga ada data pribadi orang lain |
| Dampak | Ada terjemahan ke rupiah atau jam kerja |
| Jumlah proyek | 2 sampai 3 yang dalam, bukan 8 yang dangkal |
| Kode | Bisa dijalankan ulang orang lain tanpa nanya ke kamu |
Uji terakhir yang paling jujur: kirim tautannya ke teman yang ga ngerti data, lalu tanya "menurut kamu isinya apa?". Kalau dia ga bisa jawab dalam satu menit, ringkasan kamu belum jelas.
Dua sampai tiga proyek yang dikerjain serius, bukan delapan yang setengah jadi. Isinya sebaiknya beda jenis: satu analisis eksploratif, satu pembersihan data yang berantakan, dan satu yang nyentuh SQL atau dashboard. Jumlah banyak justru bikin pembaca bingung mau mulai dari mana. Kalau kamu punya lima, tandai dua yang paling kamu banggakan dan taruh paling atas.
GitHub paling umum dan gratis, tapi bukan satu-satunya. Notebook yang diterbitkan lewat nbviewer, laporan di Google Sites, atau dashboard di Looker Studio juga sah. Yang penting tautannya bisa dibuka tanpa login dan tampilannya rapi di ponsel. Sebagian recruiter buka CV dari HP, dan notebook yang berantakan di layar kecil sering langsung dilewat.
Boleh, asal kamu tambahin sesuatu di atasnya. Proyek kursus yang disalin apa adanya gampang dikenali, karena ribuan orang punya notebook yang sama persis. Ubah datasetnya jadi data Indonesia, tambahin pertanyaan bisnis yang beda, atau bandingin dua pendekatan. Sebut juga di README bahwa proyek ini pengembangan dari materi kursus. Kejujuran itu nilai plus, bukan minus.
Dari sekitarmu. Catatan penjualan warung keluarga, data organisasi kampus, harga pangan dari PIHPS, atau statistik BPS per kabupaten. Kamu juga bisa ngumpulin sendiri lewat scraping ulasan aplikasi atau nyebar survei kecil. Data yang kamu kumpulin sendiri sering lebih berkesan daripada dataset publik, karena nunjukin kamu bisa mulai dari kondisi tanpa data sama sekali.
Minimal satu dashboard bakal ngangkat portofolio kamu, terutama buat posisi yang banyak ngurusin laporan rutin. Notebook nunjukin kamu bisa mikir. Dashboard nunjukin kamu bisa bikin hasil yang dipakai orang lain tanpa perlu kamu jelasin. Looker Studio gratis dan cukup buat ini. Satu dashboard sederhana yang jelas lebih baik dari lima halaman penuh grafik.
Ambil satu proyek yang udah ada di portofolio kamu sekarang, lalu kerjain dua hal ini malam ini: tulis 4 kalimat temuan berangka di paling atas, dan kasih judul yang berisi temuan di tiap grafik.
Dua langkah itu yang paling cepat ngubah kesan pertama, dan makan waktu kurang dari sejam.
Kalau proyeknya masih kurang, mulai dari materi di roadmap belajar Python untuk data analyst. Buat yang lagi nyusun proyek akhir kuliah sekalian jadi portofolio, ide topiknya ada di 20 ide skripsi data mining plus datasetnya.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kerja data analyst di luar negeri bukan soal ijazah luar negeri. Yang nentuin: sponsorship visa, portfolio, dan negara yang kamu incar.
Financial analyst kerja di angka uang, data analyst kerja di angka apa pun. Tapi di 2026 tools-nya makin sama. Ini beda dan irisannya.
Apa itu marketing analyst, metrik apa yang tiap hari dipegang, tools yang wajib bisa, dan jalur masuk yang paling realistis buat orang non-teknis di Indonesia.