Data Scientist vs Data Engineer: Peta Karir Data yang Jelas

Data Engineer bikin datanya bisa dipakai. Data Scientist bikin prediksi dari data itu.

Kalau data di perusahaan kamu masih berantakan, Data Scientist gak bisa kerja. Itu urutannya, dan itu juga alasan kenapa lowongan Data Engineer di Indonesia lebih banyak dari Data Scientist — padahal yang lebih terkenal justru yang kedua.

Di bawah ini aku pecah bedanya: kerjaan harian, skill, tools, gaji, dan jalur masuk yang realistis.

Apa itu Data Engineer?

Data Engineer bangun dan ngerawat sistem yang mindahin data dari sumbernya ke tempat yang bisa dianalisis. Output-nya: pipeline yang jalan tiap hari tanpa gagal, dan tabel yang isinya bersih.

Kerjaan hariannya:

• Bikin pipeline yang narik data dari aplikasi, API, atau file, lalu masukin ke data warehouse.
• Ngerapiin data mentah — format tanggal beda-beda, nama kota salah ketik, kolom null di mana-mana.
• Bikin jadwal biar pipeline jalan otomatis jam 2 pagi.
• Benerin pipeline yang mati jam 3 pagi.
• Ngatur biar query analis gak makan waktu 8 detik — kayak yang aku bahas di EXPLAIN ANALYZE SQL.

Pertanyaan yang dia jawab: "Gimana caranya 12 juta baris transaksi harian masuk ke warehouse tiap pagi tanpa ada yang bolong?"

Apa itu Data Scientist?

Data Scientist pakai statistik dan machine learning buat bikin prediksi atau nemuin pola yang gak keliatan dari laporan biasa. Output-nya: model, eksperimen, dan rekomendasi.

Kerjaan hariannya:

• Rumusin masalah bisnis jadi pertanyaan yang bisa dijawab data.
• Eksplorasi data buat lihat sebarannya, outlier-nya, dan apa yang aneh.
• Bikin fitur — ngubah kolom mentah jadi input yang berguna buat model.
• Latih model, ukur akurasinya, bandingin sama baseline.
• Desain A/B test dan baca hasilnya.
• Jelasin ke tim bisnis kenapa model bilang gitu.

Pertanyaan yang dia jawab: "Pelanggan mana yang kemungkinan besar berhenti belanja bulan depan, dan kenapa?"

Apa bedanya Data Scientist dan Data Engineer?

Aspek	Data Engineer	Data Scientist
Fokus	Sistem dan keandalan data	Model dan prediksi
Output	Pipeline, tabel bersih, warehouse	Model, eksperimen, rekomendasi
Bahasa utama	Python, SQL	Python, SQL, kadang R
Tool khas	Airflow, dbt, Spark, Kafka	scikit-learn, pandas, notebook
Ukuran sukses	Pipeline gak mati, data akurat	Model akurat, dampak bisnis kelihatan
Statistik	Dasar	Dalam
Software engineering	Dalam	Sedang
Jumlah lowongan (Indonesia)	Lebih banyak	Lebih sedikit

Dua baris terakhir itu yang jarang dibahas orang, tapi paling ngaruh ke keputusan kamu.

Skill yang harus kamu punya

Data Engineer

1. SQL yang dalam — bukan cuma SELECT. Window function, CTE, dan tau kapan query kamu bakal lambat. Mulai dari glosarium SQL.
2. Python — buat nulis pipeline dan transformasi data.
3. Orkestrasi — Airflow, Dagster, atau Prefect. Ini yang ngejadwalin pipeline kamu.
4. Data warehouse — BigQuery, Snowflake, atau Redshift. Plus konsep dimensional modeling.
5. Cloud — minimal satu: GCP, AWS, atau Azure.
6. Git dan testing — pipeline itu software. Diperlakukan kayak software.

Data Scientist

1. Statistik — distribusi, hipotesis, interval kepercayaan. Ini yang paling sering dilewatin orang dan paling sering bikin salah kesimpulan.
2. Python + pandas — buat ngolah dan eksplorasi data.
3. Machine learning — regresi, klasifikasi, clustering. Paham kapan pakai yang mana, dan kapan gak usah pakai model sama sekali.
4. SQL — iya, tetap. Data gak dateng dalam bentuk CSV yang rapi.
5. Desain eksperimen — A/B test yang bener, bukan yang hasilnya kamu tafsirin seenaknya.
6. Komunikasi — model dengan akurasi 94% gak berguna kalau tim bisnis gak percaya sama kamu.

Gaji Data Scientist vs Data Engineer di Indonesia

Dari lowongan yang aku pantau sepanjang 2025–2026:

Level	Data Engineer	Data Scientist
Entry (0–2 tahun)	Rp 8–13 juta	Rp 8–14 juta
Mid (2–5 tahun)	Rp 15–28 juta	Rp 15–26 juta
Senior (5+ tahun)	Rp 30–55 juta	Rp 28–50 juta

Angka buat Jakarta. Di luar Jabodetabek, turun 20–30%.

Data Engineer sedikit unggul di level senior karena skill infrastrukturnya lebih langka. Tapi selisihnya kecil, dan yang lebih ngaruh tetap: ukuran perusahaan dan industrinya.

Satu hal yang jarang disebut di artikel gaji: Data Engineer sering kena on-call. Pipeline mati jam 3 pagi, kamu yang bangun. Itu bagian dari kerjaan, dan itu harus masuk pertimbangan kamu.

Contoh kasus: satu proyek, dua peran

Anggap toko_berkah mau bikin sistem prediksi stok — barang mana yang bakal habis minggu depan.

Data Engineer ngerjain bagian ini dulu:

• Narik data transaksi dari 5 cabang yang masing-masing pakai POS beda.
• Nyamain format: cabang Medan nulis tanggal 28/03/2026, cabang Jakarta nulis 2026-03-28.
• Bikin tabel fact_penjualan_harian yang isinya konsisten.
• Jadwalin pipeline jalan tiap jam 1 pagi.
• Bikin alert kalau ada cabang yang datanya gak masuk.

Ini makan waktu 3 minggu. Dan tanpa ini, langkah berikutnya gak bisa jalan.

Data Scientist baru mulai setelah tabelnya ada:

• Eksplorasi: produk mana yang penjualannya musiman, mana yang stabil.
• Bikin fitur: penjualan 7 hari terakhir, hari dalam seminggu, ada promo atau gak.
• Latih model prediksi permintaan per SKU per cabang.
• Ukur: model salahnya rata-rata berapa unit?

Hasilnya di kasus ini: model prediksi bikin stockout turun dari 8,3% jadi 3,1% dalam 2 bulan. Tapi 60% dari waktu proyek habis di kerjaan Data Engineer, bukan di modelnya.

Ini pola yang sering aku lihat. Modelnya seksi, pipeline-nya yang bikin proyeknya jalan.

Kamu harusnya mulai dari mana?

Kalau kamu pemula dan mau masuk ke dunia data, ini urutan yang paling realistis:

1. SQL. Kepakai di semua role data tanpa kecuali. 3–4 minggu latihan rutin udah bikin kamu produktif.
2. Spreadsheet. Pivot table, FILTER, dan ngerapiin data berantakan.
3. Python. Mulai dari pandas buat olah data, bukan dari machine learning.
4. Pilih cabangnya. Setelah 3 langkah di atas, kamu bakal tau sendiri mana yang bikin kamu betah — bikin sistem, atau nyari pola.

Kebanyakan orang mulai dari langkah 4 dan bingung. Mulai dari langkah 1.

Kalau kamu belum yakin sama role data mana pun, baca dulu Data Analyst vs Business Analyst — dua role itu pintu masuk yang paling ramah.

Kesalahan umum waktu milih jalur

1. Kejar Data Scientist karena hype

Judulnya keren, gajinya kedengeran besar. Tapi lowongan entry level-nya sedikit dan saingannya ratusan pelamar. Data Engineer punya lowongan lebih banyak dan pelamar lebih sedikit — matematika yang lebih ramah buat pemula.

2. Belajar machine learning sebelum bisa SQL

Kamu bisa nyebutin sepuluh algoritma tapi gak bisa narik data yang kamu butuh. Di kerjaan nyata, kamu bakal stuck di langkah pertama.

3. Ngira Data Engineer gak butuh mikir bisnis

Pipeline yang jalan sempurna tapi ngasih tabel yang gak dipakai siapa-siapa itu kerjaan sia-sia. Data Engineer yang bagus nanya dulu: tabel ini mau dipakai buat apa?

4. Nunggu portfolio sempurna baru ngelamar

Dua proyek yang selesai dan bisa kamu jelasin lebih berharga dari lima proyek setengah jadi. Selesaiin, tulis prosesnya, lalu lamar.

Cocoknya kamu yang mana?

Pilih Data Engineer kalau kamu senang bikin sistem yang jalan sendiri, betah debugging, dan puas waktu pipeline yang tadinya mati tiap minggu jadi stabil 3 bulan berturut-turut.

Pilih Data Scientist kalau kamu senang eksperimen, nyaman sama ketidakpastian, dan puas waktu nemuin pola yang bikin tim bisnis ngubah keputusan mereka.

Buat gambaran skill yang lebih terstruktur, dokumentasi scikit-learn user guide lumayan jadi patokan sisi Data Scientist, dan dokumentasi Apache Airflow buat sisi Data Engineer.

FAQ

Mana yang lebih gampang dimasuki pemula?

Data Engineer. Lowongannya lebih banyak dan skill-nya lebih gampang dibuktikan lewat portfolio.

Data Scientist perlu bisa SQL gak?

Perlu, dan sering kepakai lebih banyak dari yang orang kira. Sebelum bikin model, kamu harus ambil datanya dulu.

Mana yang gajinya lebih besar?

Data Engineer sedikit unggul di level senior. Di entry level, mirip. Tapi Data Engineer harus siap kena on-call.

Perlu S2 buat jadi Data Scientist?

Gak wajib, tapi ngebantu di seleksi awal. Portfolio yang bisa kamu jelasin lebih menentukan.

Bisa pindah dari Data Analyst ke dua role ini?

Bisa, dan ini jalur paling umum. Realistis dalam 6–12 bulan kalau kamu udah kerja tiap hari sama data.

Penutup

Ringkasnya:

• Data Engineer bikin datanya bisa dipakai. Data Scientist bikin prediksi dari data itu.
• Data Engineer lowongannya lebih banyak dan lebih ramah buat pemula di Indonesia.
• SQL kepakai di dua-duanya. Mulai dari situ, arahnya kelihatan sendiri.

Kalau kamu bingung mau mulai dari mana minggu ini, jawabannya SQL. Coba query pertama kamu di NgulikSQL — gratis, langsung di browser, gak perlu install database apa pun.