Data Analyst vs Data Scientist: Beda Kerjaan, Skill, dan Gaji

Data analyst nerjemahin data yang udah ada jadi jawaban buat keputusan bisnis. Data scientist bikin model buat memprediksi hal yang belum kejadian. Itu beda intinya.

Dua gelar jabatan ini sering dipakai bergantian di lowongan Indonesia, dan itu bikin banyak orang salah pilih jalur belajar. Ada yang ngabisin 6 bulan belajar deep learning padahal yang dia mau kerjain sehari-hari cuma bikin dashboard penjualan.

Di bawah ini aku pisahin tugas harian, skill, rentang gaji, dan cara milih jalurnya.

Apa bedanya data analyst dan data scientist?

Data analyst ngejawab pertanyaan tentang masa lalu dan sekarang: penjualan bulan ini turun berapa persen, kota mana yang paling gede kontribusinya, produk mana yang stoknya nyangkut. Outputnya laporan, dashboard, dan rekomendasi.

Data scientist ngejawab pertanyaan tentang masa depan atau pola yang gak keliatan langsung: pelanggan mana yang kemungkinan besar berhenti langganan bulan depan, harga berapa yang paling mungkin ningkatin konversi. Outputnya model yang jalan otomatis.

Bedanya bukan soal siapa lebih pinter. Bedanya di pertanyaan yang ditugasin ke mereka.

Apa aja tugas harian masing-masing?

Sehari-hari data analyst:

• Narik data dari database pakai SQL, biasanya query dengan JOIN dan GROUP BY.
• Bersihin data yang bolong atau duplikat.
• Update dashboard mingguan buat tim marketing atau finance.
• Ikut meeting, jelasin kenapa angkanya turun, kasih rekomendasi.
• Jawab pertanyaan ad-hoc dari manajer: "Bisa liat breakdown-nya per channel gak?"

Sehari-hari data scientist:

• Bikin fitur dari data mentah buat dipakai model.
• Latih dan uji model, bandingin akurasinya.
• Rancang eksperimen A/B testing dan hitung signifikansinya.
• Kerja bareng engineer buat naikin model ke production.
• Ngecek performa model yang udah jalan, karena model bisa melenceng seiring waktu.

Perhatiin, tugas pertama dua-duanya sama: narik data. Itu kenapa SQL jadi skill yang gak bisa dilewatin siapa pun.

Skill apa yang dibutuhin masing-masing?

Aspek	Data Analyst	Data Scientist
Pertanyaan utama	Apa yang terjadi & kenapa	Apa yang bakal terjadi
Bahasa wajib	SQL	SQL + Python/R
Tool harian	Excel/Sheets, Looker Studio, Tableau	Jupyter, scikit-learn, pandas
Matematika	Statistik deskriptif	Statistik inferensial, aljabar linear, probabilitas
Output	Dashboard, laporan, rekomendasi	Model prediksi, hasil eksperimen
Waktu belajar dari nol	4–8 bulan	12–24 bulan
Jumlah lowongan	Jauh lebih banyak	Lebih sedikit, sering butuh pengalaman

Kalau kamu baru mulai, kolom kiri itu daftar belanjaan kamu. Empat sampai delapan bulan bukan angka motivasi — itu perkiraan realistis kalau kamu latihan konsisten 5–7 jam seminggu.

Gaji data analyst vs data scientist di Indonesia gimana?

Rentang gaji di Indonesia beda jauh antara Jakarta dan luar Jakarta, antara startup dan korporat, antara junior dan senior. Jadi angka rata-rata sering nyesatin.

Pola yang lebih berguna buat kamu pahami:

• Di level entry, data scientist biasanya di atas data analyst, tapi selisihnya gak sebesar yang orang bayangin.
• Di level senior, selisihnya melebar, terutama kalau data scientist-nya megang model yang langsung nempel ke revenue.
• Analyst yang naik ke jalur Analytics Engineer atau Data Lead sering nyusul, bahkan ngelewatin, data scientist mid-level.

Yang naikin gaji kamu paling cepat: bisa nunjukin angka dampak. "Query yang aku bikin motong waktu closing laporan dari 2 hari jadi 3 jam" itu jauh lebih kuat dari daftar tool di CV.

Buat data gaji terkini, cek survei tahunan dari sumber yang metodenya transparan, kayak Stack Overflow Developer Survey, sambil sadar sampelnya global dan perlu disesuaikan ke konteks Indonesia.

Contoh kasus: satu masalah, dua pendekatan di toko_berkah

Dataset toko_berkah punya ngulikdata isinya 24 bulan transaksi dari toko kelontong grosir. Bulan Maret, penjualan turun 12% dari Februari. Pemiliknya nanya: kenapa?

Cara analyst ngerjainnya: pecah penurunan itu per dimensi. Ternyata dari 12%, sekitar 9 poin datang dari satu kategori: minyak goreng. Volume transaksi kategori itu turun dari 412 jadi 187 dalam sebulan. Sisanya nyebar tipis di kategori lain. Rekomendasinya: cek stok dan harga minyak goreng minggu ke-2 Maret.

Cara scientist ngerjainnya: bikin model yang mrediksi transaksi mingguan per kategori pakai data 24 bulan, terus liat minggu mana yang aktualnya jauh di bawah prediksi. Model bisa nandain anomali otomatis tiap minggu, gak perlu nunggu ada orang nanya.

Dua-duanya bener. Yang pertama selesai dalam 40 menit dan langsung bisa ditindaklanjuti. Yang kedua makan dua minggu tapi jalan terus tanpa dipantengin.

Ini gambaran paling jujur soal beda nilai dua peran itu di perusahaan.

Jadi kamu cocoknya yang mana?

Pilih data analyst kalau: kamu suka ngobrol sama orang bisnis, senang ngeliat hasil kerjaan kepakai minggu itu juga, dan pengen masuk industri data secepat mungkin.

Pilih data scientist kalau: kamu betah oprek angka berhari-hari, gak keberatan sama matematika, dan sabar sama proyek yang hasilnya baru keliatan berbulan-bulan.

Kalau masih ragu, mulai dari analyst. Skill analyst itu subset dari skill scientist, jadi gak ada yang kebuang. Dan kamu bakal tau lebih cepat apakah kerjaan data emang cocok buat kamu.

Perbandingan dengan peran lain bisa kamu baca di Data Analyst vs Data Engineer.

FAQ

Mana yang lebih gampang dimasuki pemula, analyst atau scientist?

Analyst, jelas. Skill masuk analyst kira-kira SQL, spreadsheet, satu tool visualisasi, dan kemampuan nyusun cerita dari angka. Semua itu bisa kamu latih dalam hitungan bulan tanpa gelar khusus. Data scientist nuntut dasar statistik dan pemrograman yang lebih dalam, dan lowongan entry-level-nya sedikit karena perusahaan lebih suka ngerekrut yang udah punya jam terbang.

Apa data scientist pasti digaji lebih gede dari data analyst?

Rata-rata iya, tapi bukan aturan mati. Analyst senior di perusahaan besar sering dibayar lebih tinggi dari data scientist junior di startup kecil. Yang naikin gaji itu dampak kerjaan kamu, ukuran perusahaan, dan lama pengalaman. Gelar jabatan cuma salah satu faktor, bukan penentunya.

Bisa gak pindah dari analyst ke data scientist?

Bisa, dan ini jalur paling umum yang aku lihat. Kamu udah punya modal paling susah dicari: paham data perusahaan, paham konteks bisnis, dan udah biasa dikejar deadline. Sisanya tinggal nambah Python, statistik inferensial, dan satu-dua proyek model yang beneran dipakai. Banyak perusahaan malah lebih milih promosi analyst internal ketimbang rekrut dari luar.

Perlu gelar S2 buat jadi data scientist?

Gak wajib, tapi bantu di perusahaan tertentu, terutama yang riset-heavy kayak fintech scoring atau e-commerce recommendation. Yang lebih menentukan itu portofolio: model yang kamu bikin, masalah yang dia selesaikan, dan angka hasilnya. Portofolio dengan 3 proyek nyata sering ngalahin ijazah tanpa bukti kerja.

Tool apa yang wajib dikuasai buat dua-duanya?

SQL. Analyst maupun scientist sama-sama harus narik data sendiri dari database, dan itu semua lewat SQL. Dari pengamatan aku di lowongan data Indonesia, SQL muncul di hampir semua job desc dua peran ini. Kalau kamu cuma punya waktu buat belajar satu hal bulan ini, belajar SQL.

Penutup

Ringkasnya:

• Analyst jawab apa yang udah terjadi. Scientist nebak apa yang bakal terjadi.
• Dua-duanya butuh SQL. Itu titik mulai yang sama.
• Jalur analyst lebih cepat dimasuki, dan gak ada skill yang kebuang kalau nanti kamu pindah.

Mau mulai dari yang paling kepakai? Latihan query di NgulikSQL, atau pelajari dulu fungsi dasarnya lewat GROUP BY — satu klausa yang bakal kamu pakai tiap hari, apa pun jabatan kamu nanti.