TL;DR
Perawat punya modal yang susah ditiru analis lain: paham cara data pasien dibikin, ngerti istilah medis, dan tau kapan angka di sistem nggak nyambung sama kenyataan di ruangan. Winda butuh 16 bulan pindah dari perawat rawat inap jadi analis data kesehatan, dengan urutan Excel, SQL, lalu dashboard mutu. Yang bikin dia diterima bukan sertifikat, tapi analisis waktu tunggu pasien pulang yang dia bikin dari data unitnya sendiri, dan usulannya beneran dipakai buat geser jam visit dokter.
Winda kerja tujuh tahun sebagai perawat ruang rawat inap di sebuah rumah sakit swasta di Semarang. Sekarang dia analis data di rumah sakit yang sama, di bawah unit mutu.
Butuh 16 bulan, dan sepanjang itu dia tetap ambil shift.
Namanya aku samarkan atas permintaannya, dan angka yang menyangkut rumah sakit dibulatkan. Sisanya aku tulis apa adanya, termasuk bagian yang dia sebut "paling nggak enak".
Perawat ada di titik data kesehatan dibikin. Bukan di titik data dilaporkan.
Winda tau kolom "jam pemberian obat" di sistem sering diisi setengah jam setelah kejadian, karena tangan lagi penuh. Dia tau diagnosis di lembar masuk kadang beda dari diagnosis akhir, dan yang kepakai buat klaim adalah yang mana. Dia tau kenapa data tanda vital di jam 03.00 sering kosong.
Analis tanpa latar klinis lihat kolom jam dan nganggap itu waktu kejadian. Lalu bikin grafik distribusi pemberian obat per jam, dan kesimpulannya meleset.
Waktu Winda ditanya di interview soal cara dia mastiin data bisa dipercaya, jawabannya bukan teori. Dia cerita soal kolom jam yang telat diisi, dan gimana dia bandingin sama catatan manual di buku serah terima shift.
Pewawancaranya bilang itu jawaban pertama yang nyebut sumber galat dari sisi orang yang nginput, bukan dari sisi sistem.
Modal ini nggak muncul di CV kalau kamu nulis "memberikan asuhan keperawatan sesuai standar". Muncul kalau kamu ubah jadi pertanyaan yang bisa dijawab pakai data.
Winda mulai dari yang salah juga, sama kayak kebanyakan orang. Dua bulan pertama dia ikut kelas machine learning karena kelihatan keren, lalu berhenti.
Setelah itu urutannya jadi begini.
| Tahap | Durasi | Yang dipelajari | Output nyata |
|---|---|---|---|
| 1. Excel menengah | 3 bulan | Pivot, VLOOKUP, tanggal dan waktu, grafik | Rekap indikator mutu unit yang tadinya manual |
| 2. SQL | 5 bulan | SELECT, JOIN, GROUP BY, fungsi tanggal | Query waktu tunggu pasien pulang |
| 3. Dashboard | 3 bulan | Looker Studio, prinsip indikator mutu | Dashboard mingguan buat kepala ruangan |
| 4. Statistik terapan | 2 bulan | Rata-rata vs median, sebaran, uji beda dasar | Perbandingan antar unit yang layak dipresentasikan |
| 5. Lamaran internal dan eksternal | 3 bulan | Latihan studi kasus, nulis temuan | 2 proyek, 23 lamaran, 5 interview |
Tahap pertama jalan karena langsung kepakai. Rekap indikator mutu unitnya yang biasanya makan sekitar 3 jam tiap akhir bulan, turun jadi sekitar 25 menit setelah dia bikin pakai pivot dan SUMIFS.
Kepala ruangannya nanya. Dari situ Winda diajak bantu rekap tiga ruangan lain, dan dapat izin akses ke ekstrak data sistem rumah sakit dengan pengawasan unit rekam medis.
Tahap keempat yang sering dilewatin orang lain, dan menurut Winda paling nentuin di bidang kesehatan. Data lama rawat inap itu sebarannya miring, jadi rata-rata sering nyesatkan. Beda antara pakai MEDIAN dan rata-rata bisa nentuin unit mana yang kelihatan bermasalah.
Dua proyek, dan satu yang dibahas di semua interview.
Proyek 1: Waktu tunggu pasien pulang. Pertanyaannya: berapa lama jarak antara dokter memutuskan pasien boleh pulang sampai pasien benar-benar keluar dari kamar?
Ini pertanyaan yang muncul dari pengalaman kerjanya sendiri. Kamar yang belum kosong bikin pasien baru nunggu di IGD.
Dia ambil data 11 bulan dari satu gedung rawat inap, sekitar 6.400 episode rawat. Temuannya:
Usulannya sederhana: geser visit dokter untuk pasien kandidat pulang ke sesi pagi, dan mulai proses berkas penjaminan begitu keputusan pulang dicatat, bukan setelah dokter tanda tangan resume.
Diuji coba di dua ruangan selama dua bulan. Median waktu tunggu di dua ruangan itu turun dari 4 jam 20 menit jadi 3 jam 05 menit.
Winda menekankan satu hal soal ini: turunnya bukan gara-gara analisisnya, tapi gara-gara kepala ruangan dan dokter mau nyoba. Analisisnya cuma nunjukin di mana macetnya.
Proyek 2: Pola kejadian pasien jatuh per shift. Lebih kecil, tapi nunjukin dia bisa hati-hati sama data yang jumlahnya sedikit. Cuma 38 kejadian dalam setahun, dan dia nulis terang-terangan bahwa angka segitu terlalu sedikit buat nyimpulin beda antar shift.
Kejujuran soal keterbatasan data ini justru yang dipuji satu pewawancara.
Kalau kamu perlu contoh cara nyusun proyek pertama, ada di portofolio data tanpa pengalaman.
Bagian yang paling sering ditanya orang ke Winda, dan aturannya ketat.
Tiga hal yang dia lakuin.
Minta izin tertulis dulu. Dia ajukan permohonan ke komite etik dan unit rekam medis, dengan menjelaskan pertanyaan penelitiannya dan data apa yang dia butuhkan.
Kerjakan di dalam. Analisis dilakukan di komputer rumah sakit. Nggak ada file yang dibawa pulang.
Yang keluar cuma hasil agregat. Di portofolionya, nggak ada nama pasien, nomor rekam medis, atau nama rumah sakit. Yang ada cuma pertanyaan, metode, angka ringkasan, dan keputusan yang dihasilkan.
Dia bilang beberapa pewawancara justru ngetes ini. Salah satunya nanya apakah dia punya salinan datanya. Jawaban "nggak, dan nggak boleh" itu jawaban yang benar.
Bukan SQL. Yang berat itu shift malam.
Perawat rawat inap kerja tiga giliran. Belajar setelah shift malam nggak mungkin, dan belajar sebelum shift malam bikin ngantuk di kerjaan.
Cara Winda nyiasatin: dia nggak belajar sama sekali di hari shift malam. Sebagai gantinya, hari libur setelah shift malam dia pakai penuh, sekitar 4 jam. Total per minggu sekitar 8 sampai 10 jam, nggak lebih.
Berat kedua: rasa bersalah. Dia sempat mikir belajar data itu ninggalin profesi yang dia pilih sejak kuliah.
Yang mengubah pikirannya: kepala ruangannya bilang laporan mutu yang dia bikin bikin ruangan itu akhirnya punya dasar buat minta tambahan tenaga. Kerjanya masih ngurusin pasien, cuma lewat jalan lain.
Berat ketiga: pindah internal ternyata nggak otomatis. Dia sempat ditolak sekali di lowongan internal karena posisinya minta pengalaman analis minimal dua tahun. Enam bulan kemudian ada posisi kedua, dan dia diterima dengan portofolio yang sama plus satu proyek tambahan.
Kalau kamu lagi nimbang jalur serupa, ada pembahasan tentang masuk tanpa latar belakang IT di artikel ini, dan gambaran bidangnya di data analyst healthcare.
Winda bilang beda paling besar antara analis kesehatan dan analis umum ada di kosakata indikator.
Yang bikin repot: satu indikator bisa punya beberapa definisi tergantung siapa yang minta. Sebelum ngitung, tanya definisinya dulu ke unit yang bakal pakai angkanya. Konsep ini sama dengan yang aku bahas di glosarium metric.
Empat hal.
Pertanyaan pertamamu harus datang dari lantai kerja. Winda nggak nyari dataset di internet. Dia ambil pertanyaan yang bikin dia kesal tiap shift, yaitu kamar yang lama kosongnya.
Statistik dasar lebih penting dari machine learning. Di kesehatan, salah pilih antara rata-rata dan median bisa bikin unit yang baik-baik saja kelihatan bermasalah.
Aturan kerahasiaan itu bagian dari keahlian, bukan penghalang. Pelamar yang bisa jelasin cara dia jaga data pasien justru unggul di bidang ini.
Pindah internal sering lebih realistis dari pindah perusahaan. Rumah sakit tempatmu kerja udah kenal kamu, dan mereka butuh orang yang paham alur klinis. Cek lowongan unit mutu dan rekam medis di kantormu sendiri sebelum ngelamar ke luar.
Kalau kamu perawat yang lagi mikirin ini, mulai dari satu hal minggu ini: tulis satu pertanyaan tentang unitmu yang jawabannya kamu penasaran, lalu cari tau data apa yang bisa jawab itu. Belum perlu tools apa pun.
Lanjut baca panduan career switch ke data analyst buat gambaran jalur lengkapnya, atau interview behavioral data analyst buat nyiapin cerita pengalamanmu jadi jawaban yang kuat.
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.