TL;DR
Proyek data analyst pemula yang menonjol punya tiga ciri: datanya nyata (bukan Titanic atau Iris), ada pertanyaan bisnis yang dijawab, dan ada rekomendasi konkret di akhir. Sepuluh ide di artikel ini pakai data Indonesia yang bisa kamu akses gratis, dari BPS sampai catatan penjualan UMKM. Satu proyek yang dikerjain sampai tuntas lebih berharga dari lima proyek setengah jadi.
Proyek data analyst pemula yang bikin recruiter berhenti scroll punya tiga ciri: datanya nyata, ada pertanyaan bisnis yang dijawab, dan ada rekomendasi konkret di akhir.
Bukan tiga notebook berisi df.head() dan heatmap korelasi.
Aku pernah ngobrol sama hiring manager yang bilang dia nerima 60-an lamaran data analyst dalam sebulan. Empat puluh di antaranya pakai dataset Titanic.
Sepuluh ide di bawah ini pakai data Indonesia yang bisa kamu akses gratis. Semuanya bisa dikerjain pakai SQL dan spreadsheet, tanpa machine learning.
Yang dilihat pertama bukan kerapian kodenya. Yang dilihat: kamu bisa mikir kayak orang bisnis atau nggak.
Tiga hal yang paling nentuin:
Yang gak penting: jumlah baris kode, jumlah library yang kamu import, dan seberapa canggih modelnya.
Datang ke warung tetangga, minta izin lihat catatan penjualan tiga bulan. Banyak yang punya, entah di buku tulis atau aplikasi kasir.
Pertanyaan yang bisa dijawab: produk apa yang paling nyumbang omzet, jam berapa paling ramai, hari apa paling sepi.
Kenapa menonjol: datanya gak ada di internet, jadi analisamu pasti orisinal. Dan kamu punya cerita nyata waktu wawancara.
Badan Pusat Statistik punya data harga komoditas pangan yang di-update rutin. Cabai, beras, minyak goreng, telur.
Pertanyaan: komoditas mana yang paling gak stabil harganya, dan bulan apa lonjakannya paling sering terjadi?
Bonus: kaitkan sama Ramadan atau musim panen. Konteks lokal bikin analisamu beda dari template.
Kalau kamu punya data transaksi dengan ID pelanggan dan tanggal, kamu bisa bikin analisis cohort. Kelompokkan pelanggan berdasarkan bulan pertama mereka beli, terus lihat berapa persen yang balik lagi.
Ini skill yang langsung kepake di perusahaan e-commerce atau SaaS. Dan jarang muncul di portfolio pemula.
Punya akun Instagram atau TikTok? Export insight-nya. Kalau nggak, pinjam dari teman yang punya usaha kecil.
Pertanyaan: format konten apa yang engagement-nya paling tinggi per view, dan jam posting mana yang paling efektif?
Bikin dashboardnya di Looker Studio. Gratis, dan hasilnya bisa langsung di-share lewat link.
Ambil 50 produk yang sama di dua marketplace. Catat harganya selama dua minggu.
Pertanyaan: mana yang lebih murah setelah ongkir, dan seberapa sering harganya berubah?
Catatan: cek dulu aturan penggunaan situsnya sebelum scraping. Kalau ragu, catat manual aja, 50 produk x 14 hari masih doable.
Data kualitas udara Jakarta dan beberapa kota lain tersedia terbuka. Gabungkan sama data cuaca.
Pertanyaan: hari apa polusi paling tinggi, dan apakah ada polanya sama hari kerja versus akhir pekan?
Visualisasinya gampang bikin bagus, dan topiknya relevan buat banyak orang.
Export mutasi rekening atau e-wallet kamu setahun terakhir. Kategorikan, terus analisa.
Pertanyaan: berapa persen pengeluaran buat makan di luar, dan bulan apa pengeluaran paling boncos?
Kelihatan sepele, tapi ini nunjukin skill kategorisasi data teks yang berantakan, yang persis dikerjain analis di dunia nyata. Ingat sensor angka aslinya sebelum di-publish.
Kumpulkan 200-an lowongan data analyst dari portal kerja. Catat: skill yang diminta, range gaji kalau ada, lokasi, dan pengalaman minimum.
Pertanyaan: skill apa yang paling sering muncul, dan berapa persen lowongan yang nerima fresh graduate?
Recruiter suka ini soalnya kamu lagi neliti dunia mereka sendiri. Dan hasilnya berguna buat kamu juga.
Bikin skenario: dua versi halaman checkout, satu konversi 3,2 persen dari 4.000 pengunjung, satu 3,6 persen dari 4.100 pengunjung.
Pertanyaan: apakah bedanya signifikan atau cuma kebetulan?
Ini nunjukin kamu paham statistik dasar dan gak asal ngeklaim menang. Kemampuan bilang "belum cukup bukti" itu langka dan dihargai.
RFM singkatan dari recency, frequency, monetary. Kelompokkan pelanggan berdasarkan kapan terakhir belanja, seberapa sering, dan berapa besar.
Semuanya bisa dikerjain pakai SQL murni. Gak butuh model apa pun.
Hasilnya langsung bisa dipakai tim marketing. Itu yang bikin proyek ini menonjol.
Buat ngasih gambaran konkret, ini hasil proyek nomor 1 pakai dataset toko_berkah, 4.812 transaksi selama enam bulan dari sebuah warung sembako.
Pertanyaannya: kapan waktu paling sepi, dan produk apa yang bikin pelanggan balik lagi?
| Temuan | Angka |
|---|---|
| Jam paling ramai | 16.00-18.00 (34% dari transaksi harian) |
| Hari paling sepi | Selasa (rata-rata 61 transaksi vs 92 di Minggu) |
| Produk pemicu belanja ulang | Beras 5 kg: 68% pembelinya balik dalam 30 hari |
| Rata-rata nilai transaksi | Rp 38.400 |
| Transaksi yang cuma beli 1 item | 41,2% |
Rekomendasinya: taruh produk margin tinggi kayak minyak goreng dan gula deket kasir buat nyasar 41 persen transaksi single-item.
Sederhana. Tapi ini yang bikin analisa terasa berguna, bukan cuma latihan.
Berhenti di visualisasi. Grafik cantik tanpa kesimpulan itu dekorasi. Tiap grafik harus jawab satu pertanyaan.
Pakai dataset yang udah dipakai ribuan orang. Titanic, Iris, House Prices. Recruiter langsung skip.
Bikin lima proyek setengah jadi. Satu proyek tuntas dengan rekomendasi jelas ngalahin lima notebook yang berhenti di EDA.
Ngasih model prediksi ke masalah yang gak butuh. Kalau pertanyaannya "produk mana yang paling laku", jawabannya GROUP BY, bukan random forest.
Gak nulis dokumentasi. Kode tanpa penjelasan itu gak kebaca. Tulis README yang mulai dari pertanyaan dan temuan, bukan dari daftar library.
Tiga proyek yang dikerjain tuntas udah cukup buat ngelamar kerja pertama. Pastikan ketiganya beda skill: satu berat di SQL, satu berat di visualisasi, satu ada pembersihan data rumit. Kualitas ngalahin jumlah, terutama kalau tiap proyek ada rekomendasi konkret di akhirnya.
Boleh, tapi hindari yang terlalu populer kayak Titanic atau Iris. Recruiter udah lihat ribuan kali. Kalau tetap mau pakai Kaggle, pilih dataset yang jarang dipakai dan tanya pertanyaan yang belum ada di notebook orang. Data lokal Indonesia biasanya lebih menonjol soalnya konteksnya relevan.
Nggak. Buat posisi data analyst, yang dicari kemampuan jawab pertanyaan bisnis pakai SQL, spreadsheet, dan visualisasi. Model prediksi yang dipaksain ke proyek yang gak butuh malah bikin kamu kelihatan gak paham masalahnya.
Beberapa sumber gratis: bps.go.id buat statistik nasional, data.go.id buat data pemerintah terbuka, dan portal data terbuka pemerintah daerah. Buat data bisnis, kamu bisa minta izin ke UMKM sekitar buat pakai catatan penjualan mereka.
Buka dengan pertanyaan yang kamu jawab, bukan dengan tools yang kamu pakai. Terus tulis temuan dalam bentuk angka. Terakhir, rekomendasinya. Kode taruh di bawah. Recruiter rata-rata cuma baca 40 detik pertama, jadi taruh temuan paling kuat di paling atas.
Pilih satu ide yang datanya paling gampang kamu akses minggu ini. Jangan pilih yang paling keren. Pilih yang bisa kamu selesaikan.
Sebelum analisa, pastikan datanya bersih dulu. Langkahnya ada di Checklist Data Cleaning.
Buat proyek yang butuh pengelompokan data, mulai dari GROUP BY dan cohort analysis. Dua fungsi itu yang paling sering kepake di hampir semua proyek di daftar ini.
Kalau butuh data terbuka Indonesia, mulai dari portal resmi BPS.
Pilih satu. Kerjain sampai selesai. Baru pindah ke yang berikutnya.
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.