TL;DR
Sebagian besar materi yang bikin orang berhenti belajar data analyst nggak muncul di kerjaan hariannya. Deep learning, Hadoop, NoSQL, bahasa R kalau kamu udah pilih Python, dan sertifikasi cloud bisa kamu tunda tanpa ngurangin peluang diterima. Dari 120 lowongan analis data berbahasa Indonesia yang aku kumpulin Agustus sampai Oktober 2025, 111 nyebut Excel atau Google Sheets, 103 nyebut SQL, dan cuma 9 yang nyebut machine learning. Empat hal yang beneran dites di proses rekrutmen: SQL, spreadsheet, satu tool visualisasi, dan kemampuan jelasin angka ke orang non teknis.
Daftar belajar analis data yang beredar di internet biasanya sepanjang kurikulum kuliah. Statistik inferensial, machine learning, big data, cloud, semua ditumpuk jadi satu roadmap.
Hasilnya banyak orang berhenti di bulan ketiga, sebelum sempat nulis query pertama yang beneran kepakai.
Aku kumpulin 120 lowongan analis data berbahasa Indonesia dari Agustus sampai Oktober 2025, lalu ngitung istilah apa yang muncul dan di bagian mana. Daftar di bawah ini isinya materi yang paling sering direkomendasikan tapi paling jarang muncul di kerjaan hariannya.
Angka dari tumpukan lowongan tadi:
| Istilah | Muncul di daftar skill | Muncul di tanggung jawab |
|---|---|---|
| Excel atau Google Sheets | 111 | 96 |
| SQL | 103 | 81 |
| Tool visualisasi | 71 | 58 |
| Python | 38 | 14 |
| Machine learning | 9 | 2 |
| R | 6 | 1 |
| Spark atau Hadoop | 4 | 0 |
Kolom kedua itu daftar keinginan. Kolom ketiga yang nunjukin kerjaan sebenarnya. Cara baca selisihnya udah aku tulis lengkap di cara membaca lowongan analis data.
Materi ini muncul di hampir semua roadmap gratis di YouTube, dan nol kali di daftar tanggung jawab 120 lowongan tadi.
Analis data kerjanya ngejelasin apa yang udah terjadi dan kenapa. Deep learning dipakai buat pengenalan gambar, pemrosesan bahasa, dan sistem rekomendasi berskala besar. Itu wilayah kerja yang beda, dengan judul jabatan yang beda.
Kapan baru perlu: waktu kamu pindah jalur ke machine learning engineer, atau kerja di tim yang produknya emang model.
R bagus, terutama buat statistik akademik. Tapi belajar dua bahasa sekaligus di tahap awal cuma bikin dua-duanya setengah jalan.
Dari 120 lowongan tadi, R disebut 6 kali, dan cuma sekali di bagian tanggung jawab. Kalau kamu di Indonesia dan nggak ngincar posisi riset, pilih satu bahasa terus dalami.
Kapan baru perlu: kalau tim yang kamu masuki emang pakai R, atau kamu kerja di bidang riset kesehatan dan akademik.
Tool ini dibuat buat data yang nggak muat di satu komputer. Mayoritas perusahaan di Indonesia belum sampai situ.
Dataset penjualan setahun buat toko dengan 400 SKU itu sekitar 80 ribu baris. Postgres di laptop kamu ngolahnya dalam hitungan detik.
Kapan baru perlu: waktu query kamu udah mulai berjalan lebih dari 10 menit dan optimasi biasa nggak nolong lagi.
Kamu perlu paham apa arti rata-rata, median, standar deviasi, korelasi, dan kapan sebuah selisih layak dianggap nyata. Kamu nggak perlu bisa nurunin rumusnya dari awal.
Yang kepakai di kerjaan: baca hasil uji, tahu kapan sampel terlalu kecil, dan sadar bahwa korelasi bukan sebab akibat. Itu bisa dipelajari dalam beberapa minggu, bukan beberapa semester.
Konsep yang beneran sering kepakai cuma dua: A/B testing buat ngukur efek perubahan, dan regresi sederhana buat lihat hubungan antar variabel.
Kapan baru perlu: kalau kamu masuk tim eksperimen produk yang tiap minggu jalanin puluhan uji.
Power BI, Tableau, Looker Studio, Metabase, Qlik. Banyak orang nyoba semuanya biar CV-nya penuh.
Konsepnya sama semua: sambungin sumber data, bikin ukuran, susun visual, atur filter. Begitu kamu lancar di satu, pindah ke yang lain butuh seminggu.
Kapan baru perlu: waktu perusahaan yang nerima kamu pakai tool yang beda. Pelajari saat itu juga, digaji pula.
VBA masih hidup di banyak perusahaan lama, tapi ini bukan materi awal. Buat otomatisasi di spreadsheet, Power Query dan Apps Script lebih gampang dipelajari dan lebih jarang bikin file rusak.
Waktu belajar kamu lebih untung dipakai buat menguasai fungsi yang tiap hari kepakai kayak SUMIFS dan XLOOKUP.
Kapan baru perlu: kalau kamu masuk perusahaan yang seluruh pelaporannya udah jalan di atas macro warisan.
MongoDB, Cassandra, dan sejenisnya dipakai tim yang bangun aplikasi. Analis data hampir selalu kerja di atas data yang udah dirapikan ke bentuk tabel.
Kalaupun sumbernya NoSQL, biasanya ada tim engineer yang udah ngubah ke tabel sebelum sampai ke kamu.
Kapan baru perlu: di tim kecil tanpa data engineer, dan kamu yang harus ngambil sendiri dari sumbernya.
Sertifikasi AWS atau Google Cloud tingkat associate isinya sebagian besar materi infrastruktur: jaringan, keamanan, penyimpanan, penghitungan biaya. Porsi yang nyentuh analisis data kecil.
Kalau kamu punya 40 jam luang, 40 jam itu lebih berbuah kalau dipakai bikin dua proyek portofolio yang bisa kamu ceritain alurnya.
Kapan baru perlu: kalau lowongan yang kamu incar emang minta sertifikasi itu secara eksplisit di bagian kualifikasi wajib.
Binary tree, dynamic programming, kompleksitas waktu. Ini materi wawancara programmer, bukan analis data.
Tes praktik analis data biasanya bentuknya: ini dataset penjualan, cari tiga temuan yang berguna buat manajemen, presentasikan dalam 20 menit.
Kapan baru perlu: kalau kamu ngelamar posisi data engineer di perusahaan teknologi besar yang proses wawancaranya emang model begitu.
Empat hal, urut dari yang paling sering dites.
| Materi | Sampai level apa | Perkiraan waktu |
|---|---|---|
| SQL | JOIN, GROUP BY, subquery, window function dasar | 6 sampai 10 minggu |
| Spreadsheet | Fungsi lookup, agregasi bersyarat, pivot table | 4 sampai 6 minggu |
| Satu tool dashboard | Sambung data, bikin 6 kartu, filter tanggal | 3 sampai 4 minggu |
| Menjelaskan angka | Bisa ringkas temuan jadi 3 kalimat | Terus dilatih |
Yang keempat paling sering dilewatin dan paling sering jadi penentu. Aku pernah lihat kandidat dengan SQL biasa saja menang lawan kandidat yang jago Python, gara-gara dia bisa jelasin temuannya tanpa satu pun istilah teknis.
Kalau kamu udah kuat di empat itu dan mau nambah satu lagi, ambil Python secukupnya buat baca CSV dan bikin grafik. Buat peramalan sederhana, satu pustaka kayak Prophet bisa dipakai tanpa paham matematika di baliknya. Dokumentasi resmi tiap pustaka biasanya udah cukup jadi bahan belajar, misalnya halaman getting started scikit-learn kalau nanti kamu emang butuh masuk ke modeling.
Buat posisi analis data entry level sampai menengah, nggak perlu di awal. Kerjaan hariannya narik data, bikin laporan, dan cari pola dengan statistik dasar. Machine learning baru relevan kalau kamu mau pindah ke jalur data scientist, atau kalau lowongan yang kamu incar nyebut modeling di bagian tanggung jawab, bukan cuma di daftar skill.
Buat banyak posisi di Indonesia, iya. SQL plus spreadsheet plus satu tool dashboard udah nutup mayoritas kebutuhan. Python jadi pembeda kalau kamu ngelamar ke perusahaan teknologi atau posisi yang butuh otomatisasi. Urutan yang aku sarankan: kuasai SQL sampai lancar dulu, baru sentuh Python kalau kerjaannya emang butuh.
Sertifikasi berguna buat kasih struktur belajar dan bahan obrolan di interview, tapi jarang jadi penentu diterima. Yang lebih sering nentuin: kamu punya dua atau tiga contoh kerjaan nyata yang bisa dijelasin alurnya dari data mentah sampai kesimpulan. Kalau harus milih antara ikut sertifikasi ketiga atau bikin proyek pertama, pilih proyeknya.
Kalau kamu belajar konsisten 5 sampai 8 jam seminggu dan fokus ke SQL, spreadsheet, dan satu tool dashboard, tiga sampai enam bulan cukup buat siap ngelamar posisi junior. Yang bikin lama biasanya bukan materinya susah, tapi loncat-loncat antar topik. Selesaiin satu, baru pindah.
Cek dulu posisinya di dokumen. Skill yang muncul di bagian tanggung jawab itu wajib, skill yang cuma nempel di daftar kualifikasi panjang biasanya daftar keinginan. Kalau Python cuma disebut sekali di baris kualifikasi tanpa pasangan di tanggung jawab, kamu tetap layak apply meskipun Python kamu masih dasar.
Dua hal yang paling ngirit waktu belajar kamu: hitung sendiri istilah yang muncul di 20 lowongan lokal yang kamu incar, dan selesaikan satu materi sampai bisa dipakai sebelum pindah ke materi berikutnya.
Kalau kamu mulai minggu ini, ambil SQL. Itu yang paling sering dites dan paling cepat kelihatan hasilnya.
Latihannya bisa langsung di NgulikSQL, ketik query di browser tanpa install database. Gratis buat mulai.
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.