Cara Menjadi Data Engineer di Indonesia: Skill, Roadmap, dan Gaji (2026)

Setiap dashboard dan setiap model bergantung pada data yang harus dikumpulkan, dibersihkan, dan dikirim oleh seseorang. Orang itu adalah data engineer. Kalau laporan penjualan hari Senin salah, atau model dilatih dengan data kemarin yang baru masuk setengah, biasanya itu masalah data engineering.

Peran ini berada di antara software engineering dan analisis data. Anda menulis kode seperti developer, tetapi yang dibangun adalah “pipa” untuk data: pipeline, tabel, dan job yang membuat semuanya tetap mutakhir.

1. Apa yang sebenarnya dikerjakan data engineer

Dalam seminggu, pekerjaannya bisa meliputi:

• Membangun pipeline yang menyalin data pesanan dari database aplikasi ke data warehouse setiap jam
• Merancang tabel yang di-query para analyst, agar “pendapatan” berarti hal yang sama di setiap dashboard
• Menjadwalkan dan memantau job, lalu memperbaiki job yang gagal pukul 3 pagi
• Menambahkan pengecekan yang menahan data buruk, seperti pesanan ganda atau tanggal kosong, sebelum dilihat siapa pun
• Menekan biaya cloud dengan mengubah cara data disimpan dan di-query

Bedanya dengan peran yang mirip

Kalau Anda lebih menikmati analisisnya daripada “pipanya”, baca cara menjadi data analyst atau cara menjadi data scientist.

2. Skill yang Anda butuhkan

SQL, secara mendalam

Data engineer menulis SQL lebih banyak daripada siapa pun. Lewati tahap dasar: window function, CTE, query plan, index, dan cara menulis query yang tidak memindai seluruh tabel tanpa sengaja. Di cloud data warehouse, query yang ceroboh memakan biaya sungguhan.

Python dan command line

Python adalah perekat pipeline: memanggil API, membaca file, mentransformasi data, dan menulis tes. Tambahkan Git, perintah dasar Linux, dan Docker. Anda tidak harus jadi software engineer hebat di hari pertama, tetapi kode Anda harus rapi dan teruji.

Data modeling

Data modeling adalah menentukan bentuk tabel dan cara tabel saling terhubung. Pahami beda tabel aplikasi yang ternormalisasi dengan model untuk analitik, lalu pelajari dimensional modeling: fact table (satu baris per kejadian, misalnya satu pesanan) dan dimension table (pelanggan, produk, tanggal). Modeling yang baik membuat analyst bekerja cepat dan angkanya konsisten.

Pipeline: ETL dan ELT

ETL berarti extract, transform, load: data dibersihkan sebelum masuk ke warehouse. ELT memuat data mentah lebih dulu, lalu mentransformasinya di dalam warehouse dengan SQL, sering memakai tool seperti dbt. Cloud warehouse membuat ELT jadi pilihan yang umum, tetapi Anda akan bertemu keduanya. Pelajari incremental load, job yang idempoten (aman dijalankan dua kali), dan tes kualitas data.

Orkestrasi

Orkestrator menjalankan job Anda dengan urutan yang benar, sesuai jadwal, lalu mencoba ulang atau mengirim peringatan kalau ada yang gagal. Apache Airflow yang paling dikenal; Dagster dan Prefect adalah pilihan yang lebih baru. Kuasai satu dengan baik.

Satu cloud data warehouse

Pilih satu: Google BigQuery, Snowflake, atau Amazon Redshift. Pelajari cara ia menyimpan data, cara ia menagih biaya, dan bagaimana partitioning serta clustering membuat query lebih cepat dan murah. Streaming (Kafka) dan Spark menyusul nanti, saat pekerjaan membutuhkannya.

3. Roadmap belajar, secara berurutan

Pelajari skill sesuai urutan ini. Perkiraan waktunya untuk 8 sampai 10 jam per minggu. Sebagai perbandingan, sertifikat Data Engineering dari IBM membahas SQL, Python, ETL, Airflow, Kafka, data warehousing, dan Spark dalam 16 kursus, sekitar 6 bulan dengan 10 jam per minggu (Coursera). Roadmap data engineer di roadmap.sh bisa dipakai sebagai daftar cek.

1. SQL mendalam (1 sampai 2 bulan): join, window function, CTE, dan membaca query plan.
2. Python dan tool (sekitar 2 bulan): Python, Git, command line Linux, dan Docker.
3. Data modeling (sekitar 1 bulan): fact dan dimension table, key, dan data yang berubah dari waktu ke waktu.
4. Pipeline: ETL dan ELT (1 sampai 2 bulan): incremental load, dbt, dan tes kualitas data.
5. Orkestrasi (sekitar 1 bulan): Airflow atau tool serupa, dengan penjadwalan, retry, dan peringatan.
6. Cloud warehouse dan proyek (1 sampai 2 bulan): satu warehouse dan satu pipeline yang dibangun dari awal sampai akhir.

Satu proyek yang mencakup semuanya

Bangun satu pipeline dari awal sampai akhir: tarik data dari API publik setiap hari (kurs, cuaca, atau kualitas udara Jakarta bisa dipakai), muat apa adanya ke BigQuery atau Postgres, transformasikan dengan dbt menjadi fact table yang bersih, jadwalkan dengan Airflow, tambahkan tes yang gagal kalau datanya buruk, lalu pasang dashboard sederhana di atasnya. Tulis README lengkap dengan diagram. Satu proyek ini memperlihatkan hampir semua skill di daftar.

Paket Mastery di Datamew punya latihan pipeline builder, tempat Anda merangkai sendiri langkah-langkah sebuah pipeline sebelum membangunnya sungguhan.

4. Berapa gaji data engineer di Indonesia

Di Indeed Indonesia, rata-rata gaji data engineer adalah Rp8.457.017 per bulan, dari 41 laporan gaji (diperbarui 20 Oktober 2026). Kisaran umumnya sangat lebar, sekitar Rp2,3 juta sampai Rp31,6 juta. Rata-rata di Jakarta sekitar Rp10 juta.

Jobstreet, yang memakai kisaran gaji dari lowongan, menunjukkan rata-rata Rp11 juta di Jakarta Selatan dan Rp14 juta di Tangerang (Jobstreet, November 2026).

Lebarnya kisaran itu justru intinya. Engineer junior yang merawat beberapa script terjadwal dan engineer senior yang mengelola seluruh platform data perusahaan memakai jabatan yang sama. Pengalaman dengan cloud warehouse, orkestrator, dan data berskala besar-lah yang menaikkan posisi Anda di kisaran itu.

Permintaannya juga tumbuh. Future of Jobs Report 2025 dari World Economic Forum menempatkan big data specialist di puncak daftar pekerjaan dengan pertumbuhan tercepat hingga 2030 (WEF), dan Kementerian Komunikasi dan Digital memperkirakan Indonesia butuh 12 juta talenta digital pada 2030 (Investortrust).

5. Jalur masuk

Data engineering lebih sulit dijadikan pekerjaan pertama dibanding data analysis, karena perusahaan memercayakan sistem yang diandalkan semua orang. Banyak data engineer memulai sebagai developer atau analyst. Kalau Anda analyst, langkah termudah adalah mengambil alih pipeline di balik laporan Anda sendiri. Kalau Anda developer, ajukan diri untuk job yang menyinkronkan data aplikasi ke warehouse.

Kesalahan yang umum

• Langsung mulai dari Spark dan Kafka. Data kebanyakan perusahaan masih muat dengan nyaman di cloud warehouse. Kuasai SQL, modeling, dan satu orkestrator dulu.
• Pipeline tanpa tes. Pipeline yang diam-diam memuat data buruk lebih berbahaya daripada pipeline yang gagal dengan jelas.
• Mengabaikan biaya. Ketahui berapa biaya query dan penyimpanan Anda, dan tunjukkan di proyek Anda.
• Mengoleksi tool. Pahami konsepnya (orkestrasi, incremental load, modeling), lalu tool apa pun yang mengerjakannya.

Jalur Data Engineer di Datamew membahas skill-skill ini lewat pelajaran tiga menit, dan unit pertamanya gratis. Kalau nanti Anda ingin membangun produk AI di atas pipeline Anda, baca jenjang karier AI engineer.