TL;DR
Dengan 1 jam belajar per hari, kamu bisa baca file CSV dan bikin rekap sederhana pakai pandas dalam sekitar 4 minggu. Buat level siap dipakai kerja, artinya bisa nyelesaiin analisis dari data mentah sampai grafik tanpa nyontek terus, siapkan sekitar 3 bulan atau 90 jam belajar. Yang paling nentuin kecepatan bukan bakat, tapi apakah kamu punya data asli buat dikerjain sejak minggu pertama.
Dengan satu jam belajar per hari, kamu bisa baca file CSV dan bikin rekap sederhana pakai pandas dalam sekitar 4 minggu.
Buat level yang beneran kepakai di kerjaan, artinya bisa ngerjain analisis dari data mentah sampai grafik tanpa nyontek terus, siapkan sekitar 3 bulan atau 90 jam.
Angka itu bukan janji. Yang paling nentuin cepat lambatnya bukan bakat atau kursus yang kamu beli, tapi satu hal: apakah kamu punya data asli buat dikerjain sejak minggu pertama.
Tergantung level yang kamu tuju. Ini rinciannya dengan asumsi 1 jam per hari, 5 hari seminggu.
| Level | Bisa apa | Jam | Perkiraan waktu |
|---|---|---|---|
| Dasar | Baca CSV, filter baris, hitung rata-rata dan jumlah | 20 | 4 minggu |
| Kepakai | Bersihin data, gabung tabel, rekap kelompok, bikin grafik | 90 | 3 bulan |
| Mandiri | Nyelesaiin analisis utuh sendiri, nulis fungsi sendiri, baca error tanpa panik | 200 | 7-8 bulan |
| Otomatisasi | Bikin skrip terjadwal, tarik data dari API, bikin laporan otomatis | 350 | 12-14 bulan |
Titik yang paling penting itu baris kedua. Level "kepakai" itu yang bikin kamu berhenti balik ke Excel tiap kali datanya susah.
Dan kabar bagusnya, level itu jauh lebih dekat dari yang kebanyakan orang kira. Tiga bulan.
Materinya lebih sedikit dari yang kamu bayangin. Yang perlu kamu kuasai:
for dan if.read_csv dan read_excel.head, info, describe.Yang boleh kamu lewati dulu: kelas, dekorator, dan hampir semua yang ada di kursus "Python lengkap". Analis data jarang pakai itu di tahun pertama.
Pakai Google Colab di tahap ini. Nggak usah pusing instalasi.
Ini bagian yang paling banyak nyita waktu, dan wajar. Konsepnya banyak:
groupby buat rekap per kelompok.merge buat gabungin dua tabel.pivot_table buat tabel silang.groupby itu yang paling sering bikin bingung awalnya. Kalau kamu udah bisa SQL, bayangin aja itu GROUP BY dengan sintaks beda.
Dokumentasi resminya di panduan memulai pandas cukup lengkap dan gratis.
Grafik dasar pakai matplotlib atau seaborn. Nggak usah kejar cantik dulu, cukup bisa bikin bar, line, dan scatter.
Sisa waktunya buat satu proyek utuh dengan data asli. Ini bagian yang paling nentuin apakah kamu beneran bisa atau cuma ngerasa bisa.
Tiga hal yang paling sering bikin molor.
Nonton tutorial tanpa nulis kode. Nonton 10 jam video itu bukan 10 jam belajar. Aturan yang aman: setiap 15 menit nonton, 45 menit nulis kode sendiri.
Belajar Python umum, bukan Python untuk data. Banyak kursus pemula ngajarin bikin game tebak angka dan program kalkulator. Nggak salah, tapi itu jalan memutar. Kamu butuh pandas, bukan pemrograman berorientasi objek.
Nunggu ngerasa siap sebelum pegang data asli. Ini yang paling mahal. Data latihan yang udah bersih nggak ngajarin kamu apa-apa soal data quality. Data asli dari kantor kamu, dengan format tanggal berantakan dan nama produk nggak konsisten, itu guru yang jauh lebih keras dan lebih cepat.
Aku pernah lihat orang belajar 5 bulan dan masih ngerasa nggak bisa apa-apa. Waktu ditanya, ternyata dia belum pernah sekali pun buka file dari kerjaannya sendiri.
Kasus yang paling sering jadi titik balik itu kerjaan rutin yang selama ini manual.
Ambil contoh rekap penjualan toko_berkah dari dataset latihan ngulikdata. Tiga file CSV dari tiga cabang, masing-masing sekitar 2.600 baris transaksi. Tiap bulan digabung manual di Excel: buka tiga file, salin tempel, bikin pivot, rapikan.
Waktu yang habis: sekitar 45 menit per bulan, belum termasuk waktu benerin waktu ada yang salah salin.
Versi Python-nya sekitar 12 baris. Baca tiga file, tumpuk jadi satu, kelompokkan per kategori, simpan hasilnya.
Menulis 12 baris itu buat pemula makan waktu sekitar 3 jam di percobaan pertama. Percobaan kedua 40 menit. Bulan ketiga, kamu tinggal jalanin ulang dalam 5 detik.
Titik impasnya kejadian di bulan keempat. Setelah itu, semua waktu yang kehemat jadi keuntungan bersih.
Hitungan kasar ini yang aku pakai buat mutusin kerjaan mana yang layak dipindahin ke Python: kalau kerjaannya berulang minimal sebulan sekali dan makan lebih dari 30 menit, pindahin.
Referensi dasar bahasanya bisa kamu ambil dari tutorial resmi Python. Nggak perlu dibaca urut dari awal sampai akhir. Ambil bab yang kamu butuh.
Bukan soal berapa jam yang udah kamu habiskan. Cek empat hal ini:
Kalau empat-empatnya kena, kamu udah bisa. Nggak peduli baru dua bulan atau udah setahun.
Bisa. Python dipilih justru karena sintaksnya paling dekat sama bahasa Inggris sehari-hari. Yang bikin orang non teknis kesulitan biasanya bukan bahasanya, tapi urusan sekitarnya: instalasi, error yang panjang, dan istilah baru yang numpuk. Pakai Google Colab di awal biar kamu nggak perlu instal apa pun, dan tunda belajar terminal sampai kamu udah nyaman nulis kode.
SQL dulu kalau tujuan kamu jadi data analyst. Alasannya sederhana: hampir semua lowongan analis nyantumin SQL sebagai syarat, sementara Python sering ditulis sebagai nilai tambah. SQL juga lebih cepat kelihatan hasilnya, sekitar 3 sampai 4 minggu udah bisa dipakai kerja. Setelah itu Python bakal terasa lebih gampang, soalnya banyak konsep di pandas mirip logika SQL.
Satu jam sehari yang rutin ngalahin lima jam sekali seminggu. Kode itu keterampilan otot, dan jeda panjang bikin kamu ngulang dari awal terus. Kalau jadwal kamu padat, 30 menit tiap hari kerja plus satu sesi 2 jam di akhir pekan udah cukup buat maju stabil. Yang penting jangan ada jeda lebih dari tiga hari.
Materi gratis udah lebih dari cukup buat sampai level bisa kerja. Dokumentasi resmi Python dan pandas, plus latihan di Colab, itu bekal yang lengkap. Kursus berbayar berguna kalau kamu butuh urutan yang udah disusun dan tempat nanya waktu mentok. Yang nggak bisa dibeli itu jam latihan. Kursus paling mahal pun nggak bikin kamu bisa kalau nggak nulis kodenya sendiri.
Waktu kamu bisa nyelesaiin satu analisis utuh dari file mentah sampai kesimpulan tanpa nyalin kode orang baris per baris. Baca data, bersihin, gabungin dua tabel, rekap, bikin grafik, tulis temuan. Kalau kamu udah pernah ngelakuin itu tiga kali dengan data yang beda, kamu layak nulisnya. Tulis juga tingkatannya biar jujur, misalnya Python untuk analisis data dengan pandas.
Tiga angka yang perlu diinget:
Yang mempercepat semuanya cuma satu: kerjain data asli dari kerjaan kamu sendiri sejak minggu pertama.
Kalau kamu masih nimbang urutan belajarnya, mulai dari SQL. Latihan querynya bisa langsung kamu kerjain di NgulikSQL tanpa install apa-apa.
Lanjut baca: Excel vs Python untuk analis buat mutusin kapan pindah tool, dan berapa lama belajar data analyst buat gambaran waktu secara keseluruhan.
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.