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

Data analyst menjelaskan apa yang sudah terjadi. Data scientist melangkah lebih jauh: apa yang kemungkinan terjadi berikutnya, dan apa yang perlu dicoba untuk mengubahnya? Pelanggan mana yang hampir berhenti belanja? Apakah halaman checkout baru menaikkan penjualan, atau penjualan naik karena hal lain? Berapa driver yang dibutuhkan di Medan Jumat malam nanti?

Untuk menjawab pertanyaan seperti itu, data scientist membangun model dan merancang eksperimen. Butuh statistik dan pemrograman lebih banyak daripada analyst, tetapi tidak sesulit yang dibayangkan banyak orang. Kebanyakan data scientist di industri memakai metode yang sudah dikenal dengan baik, bukan menciptakan metode baru.

1. Apa yang sebenarnya dikerjakan data scientist

Dalam sebulan, seorang data scientist bisa:

• Membangun model yang memprediksi pelanggan mana yang kemungkinan berhenti (churn), agar tim bisa menghubungi mereka lebih dulu
• Merancang A/B test untuk fitur baru, menentukan berapa lama tes harus berjalan, dan membaca hasilnya dengan jujur
• Memperkirakan kebutuhan stok atau tenaga kerja beberapa minggu ke depan
• Menjelaskan kepada product manager kenapa hasil yang tampak bagus kemungkinan hanya kebetulan
• Menyerahkan model yang berjalan kepada engineer, lengkap dengan catatan data apa yang dibutuhkan dan kapan model itu akan gagal

Perhatikan berapa banyak yang berupa penilaian dan komunikasi. Model yang tidak dipercaya tidak akan pernah dipakai. Yang membedakan data scientist yang bagus adalah kemampuan memilih pertanyaan mana yang memang layak dibuatkan model.

Bedanya dengan peran yang mirip

Kalau Anda lebih tertarik membangun produk dengan large language model daripada statistik, baca jenjang karier AI engineer. Kedua peran sama-sama memakai Python, tetapi pekerjaan sehari-harinya cukup berbeda.

2. Skill yang Anda butuhkan

Python (dan tetap SQL)

Python adalah bahasa utama data science. Pelajari dasarnya, lalu pandas untuk tabel, Matplotlib atau seaborn untuk grafik, dan Jupyter notebook. Jaga juga kemampuan SQL Anda: sebagian besar data tetap tersimpan di database.

Statistik dan probabilitas

Bagian inilah yang membuat Anda menjadi scientist, bukan sekadar programmer. Pelajari distribusi, sampling, confidence interval, uji hipotesis, serta regresi linear dan logistik. Pahami asumsi tiap metode dan kapan metode itu tidak berlaku, bukan hanya cara memanggilnya di Python.

Eksperimen

Perusahaan dengan banyak pengguna, seperti e-commerce, fintech, dan aplikasi transportasi online, terus-menerus menjalankan A/B test. Pelajari cara memilih metrik, menghitung ukuran sampel, tidak mengintip hasil terlalu dini, dan menjelaskan hasil yang tidak signifikan.

Machine learning

Mulai dari scikit-learn: regresi, klasifikasi, decision tree, dan gradient boosting, ditambah pembagian data train dan test, cross-validation, dan metrik yang tepat untuk masalahnya. Deep learning bisa menunggu sampai pekerjaan Anda membutuhkannya. Untuk data bisnis berbentuk tabel, model yang sederhana sering sudah cukup dan jauh lebih mudah dijelaskan.

Komunikasi

Anda akan sering menjelaskan ketidakpastian kepada orang yang ingin jawaban ya atau tidak. Latih cara mengubah hasil model menjadi satu kalimat sederhana dan satu rekomendasi.

3. Roadmap belajar, secara berurutan

Roadmap ini mengasumsikan Anda sudah menguasai spreadsheet, SQL, dan statistik dasar, yaitu fondasi data analyst. Kalau belum, mulai dari sana. Perkiraan waktunya untuk sekitar 8 sampai 10 jam per minggu. Roadmap AI and data scientist di roadmap.sh memuat daftar topik yang lebih rinci.

1. Python untuk data (2 sampai 3 bulan): dasar Python, pandas, grafik, Jupyter, dan Git.
2. Statistik dan probabilitas (1 sampai 2 bulan): distribusi, confidence interval, uji hipotesis, regresi linear dan logistik.
3. Eksperimen (3 sampai 4 minggu): desain A/B test, ukuran sampel, dan membaca hasil dengan jujur.
4. Machine learning (2 sampai 3 bulan): scikit-learn, validasi, memilih metrik yang tepat, gradient boosting.
5. Proyek portofolio (1 sampai 2 bulan): dua proyek yang berakhir dengan rekomendasi, bukan sekadar skor model.

Kalau ingin program yang terstruktur, sertifikat Advanced Data Analytics dari Google membahas statistik, Python, regresi, dan machine learning dalam tujuh kursus, sekitar 6 bulan dengan 10 jam per minggu. Program ini dirancang untuk lulusan sertifikat Data Analytics Google atau yang punya pengalaman setara, dan menyiapkan peserta untuk peran seperti junior data scientist (Coursera).

Ide portofolio

• Prediksi churn. Pakai dataset publik telekomunikasi atau layanan berlangganan, bangun model, lalu tutup dengan pelanggan mana yang perlu dihubungi dan berapa yang bisa dihemat.
• Simulasi A/B test. Tulis satu tes dari desain sampai keputusan: metriknya, ukuran sampelnya, hasilnya, dan apa yang akan Anda rilis.
• Forecast. Ramalkan sesuatu yang publik dan khas Indonesia, seperti harga bulanan atau jumlah wisatawan, lalu tunjukkan seberapa meleset ramalan Anda pada data yang belum pernah dilihat model.

4. Berapa gaji data scientist di Indonesia

Di Indeed Indonesia, rata-rata gaji data scientist adalah Rp14.499.013 per bulan, dengan kisaran umum sekitar Rp8,3 juta sampai Rp25,4 juta (diperbarui 6 Oktober 2026). Angka itu hanya berasal dari 8 laporan gaji, jadi anggap sebagai gambaran kasar.

Jobstreet, yang memakai kisaran gaji dari lowongan, menunjukkan rata-rata Rp12 juta per bulan untuk lowongan data scientist di Jakarta Selatan (Jobstreet, November 2026). Kedua sumber menempatkan gaji data scientist di atas data analyst.

Gaji yang lebih tinggi ini sejalan dengan kenyataan bahwa jarang ada perusahaan yang merekrut data scientist langsung dari kampus. Banyak lowongan “data scientist” meminta pengalaman, dan jabatannya dipakai dengan longgar: di satu perusahaan artinya analyst yang bisa Python, di perusahaan lain spesialis modeling. Baca deskripsi pekerjaannya sebelum membandingkan tawaran.

Dari sisi permintaan, Future of Jobs Report 2025 dari World Economic Forum menempatkan big data specialist di urutan pertama dan spesialis AI dan machine learning di urutan ketiga pekerjaan dengan pertumbuhan tercepat hingga 2030 (WEF).

5. Jalur masuk, termasuk dari data analyst

Titik awal Anda menentukan jalurnya. Yang paling umum adalah lewat pekerjaan data analyst lebih dulu.

Jalur dari data analyst ke data scientist

Inilah jalur yang kami sarankan untuk kebanyakan orang, karena Anda tetap digaji sambil belajar dan sudah memahami bisnisnya. Langkah praktisnya:

1. Pakai Python di pekerjaan analyst Anda sekarang. Ganti satu proses spreadsheet dengan notebook pandas.
2. Ajukan diri untuk eksperimen. Kalau perusahaan Anda menjalankan A/B test, minta ikut menganalisis salah satunya.
3. Bangun satu model untuk masalah perusahaan Anda. Model churn atau permintaan sederhana yang benar-benar dipakai manajer lebih berharga daripada medali Kaggle.
4. Minta perubahan jabatan, atau melamar ke luar. Tunjukkan modelnya, keputusan apa yang berubah karenanya, dan cara Anda mengeceknya.

Kesalahan yang umum

• Langsung mulai dari deep learning. Neural network memang menarik, tetapi kebanyakan masalah bisnis selesai dengan regresi dan gradient boosting.
• Melewatkan statistik. Tanpa statistik, Anda tidak bisa membedakan efek nyata dari kebetulan, padahal itu inti pekerjaannya.
• Hanya melaporkan akurasi. Jelaskan apa yang diubah model itu bagi bisnis, dan bagaimana model itu bisa gagal.
• Notebook yang tidak bisa dijalankan ulang. Pakai Git, tetapkan random seed, dan catat asal datanya.

Jalur Data Scientist di Datamew membahas jalur ini lewat pelajaran tiga menit, dan unit pertamanya gratis.