Roadmap Data Scientist 2026: Urutan Belajar yang Masuk Akal

Roadmap data scientist yang masuk akal punya enam tahap: spreadsheet, SQL, statistik dasar, Python, machine learning dasar, portfolio. Urutannya bukan selera — tiap tahap dipakai di tahap berikutnya.

Masalah roadmap yang beredar di internet: isinya 40 topik, 12 tool, dan 3 framework yang kamu nggak bakal sentuh dalam dua tahun pertama kerja. Orang lihat itu, ngerasa kecil, terus nyerah di minggu ketiga.

Yang di bawah ini versi yang bisa dijalanin sambil kerja 6-8 jam seminggu.

Tahap 1: Spreadsheet (3-4 minggu)

Iya, Excel atau Google Sheets. Jangan diskip.

Alasannya sederhana: 80 persen data di UMKM dan perusahaan menengah Indonesia masih hidup di spreadsheet. Kalau kamu nggak bisa mainin data di sana, kamu bakal keliatan aneh di minggu pertama kerja.

Yang perlu kamu bisa:

• Pivot table — ini konsep GROUP BY dalam bentuk klik-klik. Nguasain pivot table bikin SQL nanti jauh lebih gampang dicerna.
• VLOOKUP atau XLOOKUP — versi spreadsheet dari JOIN.
• Bersihin data kotor: hapus duplikat, TRIM spasi, konversi teks jadi angka.
• Chart dasar dan kapan pakai yang mana.

Kalau kamu udah bisa keempatnya, lanjut. Nggak usah nunggu jago Power Query.

Tahap 2: SQL (4-6 minggu)

Tahap yang paling cepat kasih hasil nyata. Setelah tahap ini, kamu udah bisa kerja — beneran, banyak posisi data analyst entry level yang minta SQL doang.

Urutan belajar SQL yang aku pakai:

1. SELECT, WHERE, ORDER BY — seminggu.
2. GROUP BY dan agregasi (SUM, COUNT, AVG) — seminggu. Ini yang paling sering kepakai.
3. JOIN — dua minggu. Jangan buru-buru. Setengah bug analisa di dunia kerja asalnya dari JOIN yang salah.
4. Subquery dan CTE (WITH) — seminggu.
5. Window function — seminggu, dan ini yang misahin kamu dari kandidat lain.

Query kayak gini udah cukup buat ngerjain 60 persen permintaan di kantor:

SELECT kategori,
       COUNT(*) AS jumlah_transaksi,
       SUM(total_harga) AS omzet,
       ROUND(AVG(total_harga)) AS rata_rata
FROM transaksi
WHERE tanggal >= '2026-01-01'
GROUP BY kategori
HAVING COUNT(*) > 50
ORDER BY omzet DESC;

Latihan langsungnya bisa mulai dari halaman fungsi GROUP BY.

Tahap 3: Statistik dasar (4 minggu)

Ini tahap yang paling sering dilewat, dan paling sering bikin analis salah simpulan.

Yang beneran kepakai sehari-hari cuma segelintir:

• Distribusi, dan kenapa rata-rata bisa bohong kalau datanya miring.
• Median versus mean — kapan pakai yang mana.
• Korelasi, dan kenapa korelasi bukan sebab-akibat.
• Sampling dan bias — kenapa survei 50 orang di satu cabang nggak mewakili 6 cabang.
• Dasar uji hipotesis dan p-value. Cukup paham konsepnya, nggak usah hafal rumus.

Kalkulus dan aljabar linear? Baru kepakai kalau kamu masuk riset model atau deep learning. Itu bukan mayoritas pekerjaan data di Indonesia.

Tahap 4: Python buat data (6-8 minggu)

Sekarang baru Python, dan cuma bagian yang kepakai buat data.

• pandas — 90 persen waktu kamu di Python bakal di sini. Baca file, bersihin, gabung, agregasi.
• matplotlib atau seaborn — secukupnya buat visualisasi eksplorasi.
• Jupyter atau marimo — tempat kamu kerja.

Yang bisa kamu skip dulu: OOP, decorator, async, dan semua materi Python yang ada di kursus programmer umum. Kamu nggak lagi belajar jadi software engineer.

Kalau kamu udah kuat SQL, pandas terasa familiar. groupby di pandas itu GROUP BY. merge itu JOIN.

Tahap 5: Machine learning dasar (8-10 minggu)

Baru di sini. Bukan di bulan pertama, walaupun ini yang paling seru dijanjiin iklan bootcamp.

Cakupan yang wajar buat pemula:

• Regresi linear dan logistik — dua model yang paling sering dipakai di industri.
• Decision tree dan random forest.
• Train-test split, cross-validation, overfitting.
• Metrik evaluasi: akurasi, precision, recall. Dan kenapa akurasi menyesatkan di data yang nggak seimbang.
• scikit-learn.

Deep learning, LLM fine-tuning, MLOps — nanti. Kalau kamu belum bisa jelasin kenapa modelmu salah prediksi, nambah layer nggak nolong.

Tahap 6: Portfolio (jalanin bareng tahap 2-5)

Portfolio bukan tahap terakhir. Portfolio itu yang kamu bikin sambil belajar.

Tiga proyek yang beres dan bisa kamu jelasin alasannya lebih kuat dari sepuluh sertifikat. Yang dicari recruiter:

1. Masalahnya jelas dan nyambung ke bisnis — bukan "analisa dataset Titanic".
2. Datanya nyata dan berantakan. Data yang udah bersih nggak nunjukin skill apa-apa.
3. Kesimpulannya bisa dipakai. "Cabang Cibubur nyumbang 72 persen rating 1 bintang, dan 80 persen komplainnya soal antrean kasir."

Sumber data Indonesia yang gratis dan nyata: Satu Data Indonesia dan portal BPS. Data yang orang lokal peduli.

Contoh kasus: timeline nyata seorang murid

Salah satu murid NgulikSQL, background akuntansi, kerja full-time di distributor FMCG. Belajar 6 jam per minggu, kebanyakan Sabtu pagi.

Bulan	Tahap	Hasil nyata
1	Spreadsheet	Otomatisin rekap stok mingguan, hemat 3 jam/minggu
2-3	SQL	Bisa narik data sendiri, nggak nunggu tim IT 3 hari
4	Statistik	Nemu rata-rata omzet nutupin 2 cabang yang anjlok
5-6	Python	Bikin laporan bulanan otomatis
7	Portfolio	3 proyek, semua pakai data kantornya (yang diizinin)

Bulan ke-8 dia pindah ke posisi data analyst. Gajinya naik 45 persen. Dia nggak nyentuh machine learning sama sekali sampai bulan ke-11.

Yang bikin dia dapet kerja: bisa nunjukin analisa yang nyelametin duit perusahaan, bukan sertifikat.

Kesalahan umum yang bikin roadmap gagal

1. Mulai dari machine learning. Paling seru, paling nggak berguna kalau kamu belum bisa ngambil dan bersihin datanya.
2. Tutorial paralysis. Nonton 40 jam video, nulis 0 query. Rasio praktek minimal 3:1 dibanding nonton.
3. Ngumpulin tool. Tableau, Power BI, Looker, Superset — kuasain satu aja. Sisanya nyusul dalam seminggu.
4. Nunggu "siap". Nggak ada momen siap. Lamar pas kamu udah bisa SQL dan punya 2 proyek.
5. Skip statistik. Ini yang bikin orang bisa nulis query tapi salah simpulan.

FAQ

Berapa lama belajar data science dari nol?

Kalau belajar 6-8 jam per minggu sambil kerja, tahap 1 sampai 4 realistis selesai dalam 5-7 bulan. Itu udah cukup buat ngelamar posisi data analyst. Buat posisi data scientist penuh dengan machine learning, tambah 4-6 bulan lagi. Asumsinya kamu beneran praktek, bukan cuma nonton video.

Harus belajar Python atau SQL dulu?

SQL dulu. Hampir semua data di perusahaan tersimpan di database, dan SQL yang dipakai buat ngambilnya. Kamu bisa ngasih nilai ke tim cuma dengan SQL, bahkan sebelum nyentuh Python. SQL juga lebih cepat dikuasai, sekitar 4-6 minggu buat level yang kepakai kerja.

Perlu kuliah statistik atau matematika buat jadi data scientist?

Nggak perlu gelar, tapi perlu paham konsepnya. Yang kepakai sehari-hari: distribusi, rata-rata versus median, korelasi bukan kausalitas, dan dasar uji hipotesis. Kalkulus dan aljabar linear baru kepakai kalau kamu masuk riset model atau deep learning.

Sertifikat atau portfolio yang lebih dilirik recruiter?

Portfolio. Sertifikat cuma nunjukin kamu nyelesaiin kursus, portfolio nunjukin kamu bisa nyelesaiin masalah. Tiga proyek yang beres dan bisa kamu jelasin alasannya jauh lebih kuat dari sepuluh sertifikat.

Bisa jadi data scientist kalau background-nya bukan IT?

Bisa, dan itu jalur yang umum. Background non-IT sering jadi keunggulan karena kamu udah ngerti konteks bisnisnya. Orang akuntansi yang bisa SQL lebih cepat kasih nilai dibanding programmer yang nggak ngerti laporan keuangan.

Penutup

Tiga hal yang perlu kamu pegang:

• SQL dulu, machine learning belakangan. Urutan ini yang bikin kamu bisa kerja duluan.
• Bikin portfolio sambil belajar, bukan setelah.
• Rasio praktek 3:1 dibanding nonton tutorial.

Mau mulai tahap 2 hari ini? Buka halaman fungsi SELECT dan tulis query pertamamu. Kalau istilah JOIN masih asing, mampir dulu ke glossary.

Habis SQL dasar, lanjut ke teknik yang bikin CV kamu beda: sessionization SQL.