TL;DR
Roadmap analis data di era AI tetap dimulai dari dasar yang sama: spreadsheet, SQL, dan visualisasi. Yang berubah adalah bobotnya. Skill yang naik nilainya adalah merumuskan pertanyaan bisnis, memvalidasi output model, dan menjelaskan hasil ke orang non-teknis. Skill yang turun nilainya adalah menghafal sintaks dan bikin chart manual.
Roadmap analis data di 2026 masih dimulai dari titik yang sama kayak lima tahun lalu: spreadsheet, SQL, visualisasi. Yang berubah bobotnya, bukan urutannya.
AI bisa nulis query dalam 5 detik. Yang dia nggak bisa lakuin: tahu query itu jawab pertanyaan yang benar atau enggak.
Jadi skill yang harganya naik itu ngerumusin pertanyaan, ngecek hasil, dan mempertanggungjawabkan angka. Bukan ngapalin sintaks.
Yang berubah adalah waktu yang habis buat ngetik. Pekerjaan analis dulu terbagi kasar jadi tiga: nyiapin data, ngolah, dan ngomunikasiin hasil. AI motong waktu di bagian ngolah, jadi porsi nyiapin data dan ngomunikasiin hasil makin dominan.
Dari yang aku lihat waktu ngerjain proyek konsultasi, bagian nulis query yang dulu makan 40 menit sekarang jadi 8 menit. Tapi bagian mastiin definisi "pelanggan aktif" itu sama antara tim finance dan tim marketing, itu tetap makan dua hari.
Dan bagian itu nggak bisa didelegasikan ke model. Karena jawabannya nggak ada di data, adanya di kepala orang.
Jangan lompat ke tool canggih sebelum kamu nyaman baca tabel.
Yang dipelajari:
Kenapa median masuk daftar? Karena data penjualan Indonesia miring ke kanan. Satu transaksi grosir Rp 40 juta bisa narik rata-rata sampai jauh dari kenyataan.
Latihan penutup tahap ini: ambil satu file penjualan 12 bulan, bikin rekap per kategori per bulan pakai pivot table, terus jelasin dalam 5 kalimat apa yang berubah.
SQL masih syarat utama di hampir semua lowongan data analyst di Indonesia. Dan sekarang standarnya bukan bisa nulis, tapi bisa mengaudit.
Urutan belajarnya:
Nomor 3 itu yang paling sering bikin angka laporan salah. Satu INNER JOIN ke tabel yang punya baris ganda bisa bikin omzet kelihatan naik 2 kali lipat tanpa ada yang sadar.
Cara latihan yang cocok di era AI: minta AI nulis query, terus kamu yang cari salahnya. Ini latihan audit, dan skill itu yang dibayar mahal.
Bikin chart itu gampang sekarang. Milih chart yang benar dan nyusun ceritanya, itu yang susah.
Yang dipelajari:
Tool-nya pilih satu aja dulu. Looker Studio gratis dan datanya gampang disambung ke Sheets, jadi itu titik masuk paling murah buat konteks Indonesia.
Pilih Python atau R, jangan dua-duanya sekaligus. Bahasan lengkapnya ada di R vs Python untuk analis data Indonesia.
Cakupan minimum yang cukup buat kerja:
Soal model, kamu nggak perlu jadi ahli. Paham beda AI, machine learning, dan deep learning plus kapan tiap-tiap itu cocok udah nutup 90 persen percakapan di kantor.
| Skill | Kenapa naik | Cara latihannya |
|---|---|---|
| Merumuskan pertanyaan | Model jawab apa yang ditanya, bukan apa yang dibutuhkan | Tulis ulang tiap permintaan atasan jadi pertanyaan yang bisa diukur |
| Validasi hasil | Output model bisa terlihat rapi tapi salah | Bandingin tiap angka baru ke sumber lain sebelum dikirim |
| Paham konteks bisnis | Definisi metrik tiap perusahaan beda | Wawancara 3 orang dari divisi berbeda soal satu metrik yang sama |
| Kualitas data | Input jelek bikin output jelek, secepat apa pun modelnya | Bikin daftar cek data quality rutin |
| Komunikasi tertulis | Keputusan diambil dari ringkasan, bukan dari dashboard | Latih nulis temuan dalam 200 kata |
| Etika dan privasi data | Data pribadi diatur UU PDP | Baca kewajiban pengendali data di UU 27/2022 |
Soal privasi, Indonesia punya UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Buat analis, bagian yang paling sering kena adalah kewajiban punya dasar pemrosesan yang sah sebelum memakai data pelanggan.
Menghafal sintaks. Nggak ada lagi yang ngetes kamu inget urutan argumen VLOOKUP di wawancara serius.
Bikin chart manual dari nol. Sepuluh menit kerjaan format sekarang jadi satu perintah.
Nulis dokumentasi dari nol. Draft pertamanya bisa dibikin model, kamu tinggal betulin bagian yang salah.
Ini bukan berarti kamu boleh nggak paham. Kamu tetap harus bisa baca dan mengoreksi. Yang berkurang cuma waktu ngetiknya.
Aku catat waktu pengerjaan laporan bulanan dataset toko_berkah di ngulikdata selama 6 bulan, sebelum dan sesudah pakai bantuan AI buat nulis query dan draft narasi.
| Tahap kerja | Sebelum | Sesudah | Selisih |
|---|---|---|---|
| Klarifikasi pertanyaan ke pemilik toko | 95 menit | 95 menit | 0 |
| Bersihin dan cek data | 70 menit | 55 menit | -15 |
| Nulis query | 40 menit | 8 menit | -32 |
| Validasi hasil query | 25 menit | 38 menit | +13 |
| Bikin visual | 35 menit | 15 menit | -20 |
| Nulis ringkasan | 45 menit | 25 menit | -20 |
| Total | 310 menit | 236 menit | -74 |
Hemat 74 menit, sekitar 24 persen. Jauh dari klaim 10 kali lipat yang sering beredar.
Yang menarik justru baris validasi. Waktunya naik 13 menit, karena query buatan AI perlu dicek lebih teliti. Dua kali dari enam bulan itu, query-nya kelihatan benar tapi filternya kena di tempat yang salah.
Kesimpulan praktisnya: waktu yang kehemat pindah ke pekerjaan yang lebih sulit, bukan hilang.
Kalau salah satu langkah ini gagal, jangan kirim. Angka salah yang udah masuk rapat jauh lebih mahal daripada laporan telat sehari.
Ngumpulin tool tanpa nyelesaiin satu pun. Lebih baik lancar satu tool daripada tahu sedikit tentang enam.
Belajar model dulu sebelum SQL lancar. Posisi entry level di Indonesia mayoritas nyari orang yang bisa narik dan ngerapiin data, bukan yang bisa nge-tune model.
Nonton tutorial tanpa pernah nulis query sendiri. Ini yang aku sebut tutorial paralysis. Obatnya cuma satu: buka data beneran, kerjain sampai selesai.
Portfolio pakai dataset Titanic atau Iris. Rekruter Indonesia udah lihat ribuan. Pakai data BPS, data terbuka pemda, atau data toko keluarga.
Nggak pernah nulis kesimpulan. Notebook yang berhenti di grafik itu setengah pekerjaan. Tambahin rekomendasi.
Yang kegantiin bagian mekanisnya, bukan posisinya. Nulis sintaks, bikin chart, format laporan, itu makin cepat dikerjain AI. Bagian yang tetap butuh manusia adalah nentuin pertanyaan mana yang layak dijawab, ngecek angkanya masuk akal atau enggak, dan mempertanggungjawabkan keputusan yang dibuat dari angka itu. Fokusin belajarmu ke situ.
Nggak perlu hafal, tapi wajib bisa baca. Kamu harus bisa lihat query buatan AI dan langsung tahu JOIN-nya bakal gandain baris atau enggak, filternya kena di WHERE atau HAVING, dan kenapa hasilnya beda dari laporan kemarin. Kemampuan baca itu yang bikin kamu bisa tanda tangani angkanya.
Dari nol sampai siap ngelamar, sekitar 8 sampai 12 bulan kalau kamu konsisten 1 jam per hari kerja. Tiga bulan pertama buat spreadsheet dan statistik dasar. Tiga bulan berikutnya SQL sampai window function. Sisanya visualisasi, satu bahasa pemrograman, dan bikin 3 proyek portfolio dari data publik Indonesia.
SQL dulu sampai lancar, baru Python. Mayoritas lowongan data analyst di Indonesia nyantumin SQL sebagai syarat, sementara Python sering ditulis sebagai nilai plus. Kalau waktumu terbatas, dalamin SQL sampai bisa nulis window function dan CTE. Python baru jadi wajib waktu kamu mulai ngurus otomasi atau model prediksi.
Pilih satu masalah nyata dengan data publik Indonesia, misalnya data BPS atau data terbuka pemda. Tulis pertanyaan bisnisnya, prosesnya, temuannya, dan rekomendasinya dalam satu halaman. Tiga proyek yang dalam dan selesai lebih menarik dibanding sepuluh notebook setengah jadi. Sertakan juga catatan soal keterbatasan data kamu.
Urutannya tetap: spreadsheet, SQL, visualisasi, lalu satu bahasa pemrograman. AI nggak ngubah urutan itu.
Yang berubah, waktu yang kehemat dari ngetik pindah ke validasi dan klarifikasi. Di catatan 6 bulan tadi, waktu validasi naik 13 menit sementara waktu nulis query turun 32 menit.
Jadi latih dua hal ini sejak awal: nanya yang benar ke orang, dan ngecek yang benar ke data.
Mau mulai dari langkah pertama yang paling nyata? Buka NgulikSQL, kerjain satu latihan query hari ini juga.
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.