TL;DR
Tools AI unggul buat eksplorasi cepat, draft kode, dan pertanyaan sekali pakai; Python unggul buat kerjaan yang harus diulang, diaudit, dan dipercaya angkanya. Analis di 2026 tetap perlu Python: bukan buat ngetik kode dari nol, tapi buat baca, koreksi, dan bertanggung jawab atas output AI. Yang gak bisa baca kode gak bisa tau kapan AI-nya salah.
Iya, analis data masih perlu belajar Python di 2026. Tapi alasannya udah geser: sekarang Python dipelajari bukan buat ngetik kode dari nol, melainkan buat ngecek kode yang ditulis AI.
Pertanyaan ini masuk ke DM aku tiga kali minggu lalu. Semuanya dari orang yang baru lihat AI bikin chart dari CSV dalam 20 detik, lalu mikir: ngapain aku susah-susah belajar pandas?
Aku pakai dua-duanya tiap hari. Ini perbandingan jujurnya, plus aturan sederhana buat milih.
Python adalah bahasa pemrograman yang kamu tulis sendiri, hasilnya bisa diulang persis sama kapan pun. Tools AI adalah asisten yang menerjemahkan pertanyaan bahasa Indonesia jadi analisis, cepat, tapi hasilnya bisa beda tiap kali kamu tanya.
Perbedaan intinya bukan soal siapa lebih pintar. Soal siapa yang bertanggung jawab kalau angkanya salah.
Kalau kamu nulis kode sendiri, kesalahan bisa ditelusuri baris per baris. Kalau AI yang ngerjain dan kamu gak baca kodenya, kamu cuma bisa berharap.
Tools AI menang telak di empat situasi.
Eksplorasi awal dataset asing. Dikasih CSV 40 kolom yang gak ada dokumentasinya? Lempar ke AI, minta ringkasan tiap kolom. Ini kerjaan 45 menit yang jadi 2 menit.
Draft kode. "Bikin fungsi pandas yang gabungin 12 file Excel di folder ini, tambahin kolom nama file." AI nulis 15 baris, aku koreksi 2 baris. Lebih cepat dari nulis sendiri.
Kerjaan berbau teks. Ringkas 2.000 review pelanggan jadi 5 tema? Python butuh library NLP dan tuning. AI selesai dalam satu prompt. Aku udah tunjukin contohnya di Analisa Sentimen dengan AI.
Pertanyaan sekali pakai. Bos nanya "berapa sih repeat rate kita kuartal lalu?" dan gak akan nanya lagi. Gak usah bikin script. Tanya AI, cek angkanya, jawab.
Begitu kerjaannya berulang, Python langsung unggul.
Laporan mingguan. Script Python jalan tiap Senin jam 7, hasilnya identik tiap minggu. Prompt AI yang sama bisa ngasih format berbeda tiap dijalanin. Itu bikin laporan kamu gak bisa dibandingin antar minggu.
Data gede. Chat AI punya batas konteks. Dataset 2 juta baris gak bisa kamu tempel ke chat. Python baca file 2 GB sambil ngopi.
Kerjaan yang diaudit. Laporan keuangan, data kepatuhan, angka yang masuk ke investor. Auditor minta lihat prosesnya. "AI yang ngitung" bukan jawaban yang bisa diterima.
Pembersihan data yang rumit. Nomor telepon 6 format berbeda, nama kota salah ketik 30 varian, tanggal campur DD/MM dan MM/DD. Ini butuh aturan eksplisit yang kamu kontrol penuh. Konsep dasarnya aku bahas di glosarium data cleaning.
| Kriteria | Tools AI | Python |
|---|---|---|
| Waktu sampai jawaban pertama | Detik | Menit sampai jam |
| Hasil sama tiap dijalanin | Gak dijamin | Persis sama |
| Bisa diaudit | Susah | Baris per baris |
| Batas ukuran data | Terbatas konteks | Sebesar RAM kamu |
| Otomatisasi terjadwal | Ribet | Native |
| Kurva belajar | Hampir nol | 4-8 minggu |
| Risiko angka ngarang | Nyata | Nol |
Baris terakhir itu yang paling sering diremehin orang.
Aku uji ini pakai dataset toko_berkah, 8.412 baris transaksi, 6 cabang, periode Januari-Juni 2026.
Aku tanya ke tiga tools AI populer: "berapa rata-rata nilai transaksi di Cabang Depok?" Jawaban yang bener, dari perhitungan pandas: Rp 214.300.
Dua dari tiga jawaban salah, dan dua-duanya kelihatan wajar. Kalau kamu tempel angka itu ke slide, gak ada yang bakal curiga.
Yang bikin aku sadar salah bukan intuisi. Tapi karena aku jalanin ulang pakai 4 baris pandas dan angkanya beda.
import pandas as pd
df = pd.read_csv("toko_berkah.csv", parse_dates=["tanggal"])
depok = df[df["cabang"] == "Depok"]
print(round(depok["total"].mean()))
# 214300Empat baris. Itu levelnya Python yang beneran kamu butuhin.
Jauh lebih dangkal dari yang orang kira. Ini daftarnya, dan cuma segini:
pd.read_csv() dan pd.read_excel(): masukin data.groupby() plus sum() / mean() / count().merge(): gabungin dua tabel. Ini yang paling sering AI-nya salah, biasanya keliru pilih tipe join..plot().Lima hal. Referensi resminya ada di dokumentasi pandas, dan bisa kamu lahap dalam sebulan sambil kerja.
Yang gak kepakai di kerjaan analis harian: class, inheritance, decorator, async, threading. Lewati aja dulu.
Kalau kamu belum pegang SQL, dahuluin SQL. Sintaksnya lebih sedikit dan kepakai di lebih banyak lowongan. Fungsi QUERY di Sheets bahkan pakai logika yang mirip.
Nyalin angka langsung dari jawaban chat. Minta kodenya, jalanin sendiri, cocokin totalnya sama sumber. Selalu.
Gak ngecek jenis join. AI suka pakai inner join padahal kamu butuh left join. Bedanya? Baris hilang diam-diam. Total kamu jadi lebih kecil tanpa ada error apa pun.
Ngasih prompt tanpa konteks bisnis. "Analisis data ini" ngasih hasil generik. Kerangka prompt yang lebih rapi aku tulis di Prompt Engineering buat Analis Data.
Percaya AI soal data terbaru. Model punya batas pengetahuan. Angka industri yang dia sebut bisa 2 tahun basi. Cek ke sumber aslinya.
Masih. Tools AI bisa nulis kode Python buat kamu, tapi seseorang harus tau kode itu bener atau nggak. Analis yang gak bisa baca Python akan nerima output AI apa adanya, termasuk waktu AI salah nge-join tabel atau salah ngitung rata-rata. Kamu gak perlu jago ngoding dari nol. Kamu perlu bisa baca 30 baris kode dan bilang "ini logikanya salah".
Tools AI menang di kecepatan awal dan tugas yang berbau bahasa. Ringkas 2.000 review pelanggan jadi tema, tebak kolom mana yang relevan, jelasin dataset asing dalam 30 detik. Python bisa semua itu juga, tapi butuh setup dan waktu nulis. Buat pertanyaan sekali pakai yang gak akan diulang, AI hampir selalu lebih cepat.
Bisa, dan ini bahayanya. Kalau AI-nya beneran menjalankan kode, angkanya bener. Tapi kalau dia cuma membaca tabel dan menjawab dari pola bahasa, dia bisa ngarang angka yang kelihatan masuk akal. Di tes dataset toko_berkah, dua dari tiga tool meleset sampai 13%. Aturan aman: minta kodenya, jalanin sendiri, cocokin totalnya sama sumber.
Buat level "bisa baca dan koreksi kode AI", sekitar 4-6 minggu belajar 30 menit sehari udah cukup. Yang perlu kamu kuasai cuma pandas dasar: baca file, filter baris, groupby, merge, dan bikin chart. Sisanya (class, decorator, async) gak kepakai di kerjaan analis harian.
SQL dulu. SQL kepakai di hampir semua lowongan analis, sintaksnya lebih sedikit, dan hasilnya langsung kelihatan. Python kepakai waktu kamu butuh yang gak bisa dilakukan SQL: bersihin teks berantakan, gabungin banyak file, atau otomatisasi laporan. Urutan yang aku saranin: SQL, lalu Python, lalu tools AI buat mempercepat keduanya.
Dua hal yang perlu nempel:
Analis yang paling produktif tahun ini bukan yang nolak AI, dan bukan juga yang nyerahin semua ke AI. Mereka yang bisa baca output AI dan langsung tau mana yang perlu dicurigai.
Mulai dari SQL kalau kamu masih nol. Buka referensi fungsi di NgulikSQL dan tulis query pertamamu hari ini, gratis, langsung praktek di browser.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Aku tes forecasting AI di data penjualan 4 cabang toko grosir. Hasilnya lebih akurat dari tebakan manual, tapi meleset parah di satu titik yang mahal.
Cara ngolah ribuan review pelanggan jadi insight pakai AI, dari nyusun prompt yang konsisten, ngasih label, sampai ngubah hasilnya jadi rekomendasi yang bisa dieksekusi.
Panduan langkah demi langkah buat pakai AI tanpa bocorin data perusahaan: klasifikasi data, masking, cek kebijakan penyedia, dan aturan tim yang muat satu halaman.