Cara Mempresentasikan Proyek Portofolio Saat Wawancara

Presentasi proyek portofolio yang bagus dimulai dari masalah yang mau dijawab, bukan dari tool yang kamu pakai.

Ini pola yang paling sering aku lihat gagal. Kandidat buka dengan "jadi di proyek ini aku pakai Python, pandas, sama Streamlit", lalu lanjut lima menit soal langkah teknis. Pewawancara ngangguk sopan, tapi nggak ada satu pun yang nyantol.

Padahal proyeknya beneran bagus. Yang salah cuma urutan ceritanya.

Di bawah ini struktur cerita yang bisa kamu pakai, plus daftar pertanyaan lanjutan yang hampir pasti muncul.

Apa yang sebenarnya dinilai pewawancara dari proyek portofoliomu?

Pewawancara menilai tiga hal: apakah kamu bisa merumuskan masalah jadi pertanyaan yang bisa dijawab data, apakah keputusan metodemu punya alasan, dan apakah kamu sadar batas dari analisismu. Hasil akhirnya penting, tapi nilainya lebih kecil dari ketiga hal itu.

Kenapa? Karena di kerjaan asli, data yang kamu terima bakal beda, tool-nya bakal beda, dan masalahnya jelas beda. Yang kebawa cuma cara kamu mikir.

Makanya kalimat "aku pakai random forest karena akurasinya paling tinggi" itu jawaban lemah. Yang kuat: "aku pakai random forest karena hubungan antar variabelnya nggak linier dan aku butuh model yang bisa dijelasin lewat feature importance ke tim marketing".

Gimana struktur cerita proyek portofolio yang efektif?

Pakai lima blok berurutan: masalah, data, keputusan, hasil, keterbatasan. Total lima menit, dengan porsi terbesar di blok masalah dan hasil. Blok teknis di tengah cukup disebut garis besarnya, karena pewawancara pasti nanya detail kalau mereka tertarik.

Blok	Isi	Durasi
1. Masalah	Siapa yang pusing, kenapa itu masalah, apa taruhannya	60 detik
2. Data	Sumber, ukuran, kondisi awal, apa yang kamu bersihkan	45 detik
3. Keputusan	Metode yang kamu pilih dan alasannya, alternatif yang ditolak	90 detik
4. Hasil	Angka konkret, apa artinya buat pengambil keputusan	90 detik
5. Keterbatasan	Apa yang belum terjawab, apa yang bakal kamu lakukan berikutnya	45 detik

Contoh naskah pembuka yang kepakai

Bandingkan dua pembuka berikut. Isi proyeknya sama persis.

Versi lemah:

"Proyek ini judulnya analisis penjualan retail. Aku pakai Python, pandas buat cleaning, matplotlib buat visualisasi, terus aku bikin dashboard pakai Streamlit. Datanya ada 45 ribu baris."

Versi kuat:

"Toko kelontong tempat aku bantuin punya masalah stok. Barang cepat laku sering habis di akhir pekan, sementara barang lambat numpuk sampai kedaluwarsa. Kerugian dari barang kedaluwarsa sekitar Rp 3,2 juta per bulan. Aku mau tau produk mana yang polanya bisa diprediksi dari data transaksi 18 bulan terakhir."

Versi kedua bikin pewawancara langsung punya gambaran. Tool-nya nanti kamu sebut di blok tiga, dalam satu kalimat.

Gimana cara nyampaikan hasil biar nempel?

Terjemahkan angka teknis jadi konsekuensi. Akurasi 84 persen itu angka buat kamu. Buat pewawancara, yang nempel adalah "dari 100 barang yang model tandai bakal kedaluwarsa, 84 beneran kedaluwarsa, jadi pemilik toko bisa diskon duluan".

Tiga aturan yang aku pakai buat blok hasil:

1. Sebut satu angka utama, bukan lima. Angka yang banyak bikin nggak ada yang diingat. Pilih satu yang paling nyambung ke masalah di blok pertama.
2. Sandingkan dengan pembanding. Akurasi 84 persen itu bagus atau jelek? Tergantung baseline. Kalau nebak asal dapat 70 persen, sebut itu.
3. Jelasin metrik yang kamu pilih dan kenapa. Buat kasus stok, recall lebih penting dari precision, soalnya kelewat satu barang busuk lebih mahal dari kasih diskon barang yang sebenernya masih laku. Definisi tiap metrik ada di dokumentasi evaluasi model scikit-learn.

Kalau proyekmu bukan model prediksi, angka utamanya bisa berupa KPI yang berubah atau waktu kerja yang kepangkas.

Contoh kasus: proyek yang nilainya naik gara-gara satu kalimat

Aku pernah bantu ngerapikan cerita proyek seorang fresh graduate yang lamar posisi data analyst di perusahaan distribusi. Proyeknya analisis churn pelanggan dari data langganan 14 bulan.

Versi pertama ceritanya 7 menit, 5 menit di antaranya soal proses cleaning dan tuning hyperparameter. Dia ditolak di dua tempat.

Versi keduanya kami potong jadi 4 menit 20 detik, dengan tambahan satu kalimat di akhir: "model ini kelemahannya nggak bisa bedain pelanggan yang berhenti karena pindah kota sama yang berhenti karena kecewa layanan, padahal dua kelompok itu butuh penanganan beda".

Kalimat itu yang dikejar pewawancara di dua wawancara berikutnya. Dua-duanya lanjut ke tahap akhir, satu berujung tawaran kerja.

Nyebut kelemahan sendiri bukan kelemahan. Itu bukti kamu ngerti datamu sampai ke pinggirnya.

Pertanyaan lanjutan yang hampir pasti ditanya

• "Kenapa pakai metode itu, kenapa nggak yang lain?" Siapkan satu alternatif yang kamu tolak beserta alasannya.
• "Data kotornya seperti apa?" Sebut satu contoh konkret, misalnya 1.240 baris dengan tanggal transaksi di masa depan. Pembahasan soal data quality selalu jadi pembeda kandidat.
• "Kalau data ini dari perusahaan kami, apa yang kamu lakukan beda?" Jawaban yang bagus menyebut data tambahan yang kamu butuhin.
• "Berapa lama ngerjainnya?" Jujur saja. Kalau tiga minggu, bilang tiga minggu, lalu sebut bagian mana yang paling makan waktu.
• "Hasilnya dipakai orang nggak?" Kalau dipakai, ceritakan reaksinya. Kalau nggak, bilang kenapa.
• "Metric apa yang kamu pantau?" Pastikan kamu bisa jelaskan definisi tiap metric yang kamu sebut.

Kesalahan umum waktu presentasi portofolio

1. Buka dengan daftar tool. Tool itu jawaban dari pertanyaan yang belum ditanya.
2. Nunjukin semua grafik yang pernah dibikin. Pilih dua. Sisanya simpan buat jawab pertanyaan.
3. Nggak hafal ukuran datanya. Jumlah baris, rentang tanggal, dan jumlah kolom itu pertanyaan pemanasan. Ragu di situ bikin sisa cerita diragukan.
4. Ngaku proyek tutorial sebagai ide sendiri. Pewawancara sering kenal tutorial populer. Sebut sumbernya, lalu tekankan apa yang kamu tambahin.
5. Pakai istilah teknis tanpa dijelaskan. Pewawancara pertama sering dari HR. Siapkan versi tanpa jargon.
6. Nutup tanpa pertanyaan balik. Tanya satu hal soal data yang mereka pakai. Itu ngubah presentasi jadi obrolan.

FAQ

Berapa lama waktu ideal presentasi satu proyek?

Lima menit buat cerita utama, sisanya biarkan pewawancara yang nanya. Latih juga versi satu menit buat jaga-jaga kalau waktunya mepet.

Perlu bawa laptop dan buka kodenya?

Siapkan, tapi jangan dibuka duluan. Yang lebih penting satu halaman ringkasan berisi masalah, metode, dan hasil. Buka kode cuma kalau diminta.

Gimana kalau hasil proyekku jelek?

Ceritakan apa adanya lalu jelaskan penyebabnya. Model akurasi 68 persen yang kamu paham betul lebih meyakinkan dari model 95 persen yang kamu nggak bisa jelaskan.

Proyek dari dataset publik masih dianggap?

Masih, asal pertanyaannya kamu yang bikin. Yang dinilai keputusanmu, bukan asal datanya. Dataset umum dengan pertanyaan spesifik tetap bernilai.

Berapa proyek yang sebaiknya disiapkan?

Tiga, dengan kedalaman berbeda. Satu proyek utama yang kamu kuasai detailnya, satu yang nunjukin skill lain, satu kecil yang bisa diceritakan dalam semenit.

Langkah berikutnya

Dua hal yang paling ngefek: pindahin blok masalah ke depan, dan siapkan satu kalimat keterbatasan yang jujur.

Kalau proyek yang mau kamu ceritakan melibatkan grafik, pastikan grafiknya kebaca. Panduan milih jenis grafiknya ada di tutorial Matplotlib bahasa Indonesia.

Latihan ngolah data sampai bisa nyebut angka yang meyakinkan bisa kamu mulai dari fungsi dasar kayak SUMIFS dan COUNTIFS di NgulikSheet.

Rekam dirimu sendiri cerita satu proyek selama lima menit malam ini, lalu dengerin ulang. Bagian yang kamu sendiri bosan dengar, itu yang perlu dipotong.