• Mengembangkan dan menerapkan serangkaian teknik atau aplikasi analitik untuk mengubah data mentah menjadi informasi yang bermakna menggunakan bahasa pemrograman berorientasi data dan perangkat lunak visualisasi. Menerapkan penambangan data, pemodelan data, pemrosesan bahasa alami, dan pembelajaran mesin untuk mengekstrak dan menganalisis informasi dari kumpulan data terstruktur dan tidak terstruktur yang besar. Memvisualisasikan, menafsirkan, dan melaporkan temuan data. Dapat membuat laporan data dinamis.
• Menganalisis, memanipulasi, atau memproses kumpulan data besar menggunakan perangkat lunak statistik.
• Terapkan algoritma pemilihan fitur ke model yang memprediksi hasil yang diinginkan, seperti penjualan, pengurangan karyawan, dan penggunaan layanan kesehatan.
• Terapkan teknik pengambilan sampel untuk menentukan kelompok yang akan disurvei atau gunakan metode pencacahan lengkap.
• Bersihkan dan manipulasi data mentah menggunakan perangkat lunak statistik.
• Bandingkan model menggunakan metrik kinerja statistik, seperti fungsi kerugian atau proporsi varians yang dijelaskan.

• Menerapkan prinsip matematika atau pendekatan statistik untuk memecahkan masalah di bidang ilmiah atau terapan.
• Memberikan nasihat kepada orang lain tentang teknik analisis.
• Menganalisis data bisnis atau keuangan.
• Menganalisis data untuk mengidentifikasi atau menyelesaikan masalah operasional.
• Menganalisis data untuk mengidentifikasi tren atau hubungan antar variabel.

• Statistik & analisis data
• Pemrograman (Python/R/SQL)
• Machine learning
• Pembersihan & pengolahan data
• Visualisasi data
• Manipulasi big data
• Komunikasi & storytelling
• Pemahaman bisnis
• Pemecahan masalah
• Kolaborasi tim

• Perangkat lunak analitis atau ilmiah — IBM SPSS Statistics; SAS; TensorFlow; The MathWorks MATLAB
• Antarmuka pengguna basis data dan perangkat lunak kueri — Amazon Elastic Compute Cloud EC2; Amazon Redshift; perangkat lunak Amazon Web Services AWS; PyTorch
• Perangkat lunak lingkungan pengembangan — Apache Kafka; Go; perangkat lunak Microsoft Azure; Ruby
• Perangkat lunak pengembangan berorientasi objek atau komponen — C#; Perl; R; Scala
• Perangkat lunak presentasi — Microsoft PowerPoint

• Analisis statistik
• Pemrograman (Python/R/SQL)
• Machine learning
• Data wrangling & cleaning
• Visualisasi data
• Big data processing
• Cloud & pipeline data
• Pemahaman bisnis/domain
• Storytelling & komunikasi
• Critical thinking
• Kolaborasi tim
• Manajemen waktu

1. Pengetahuan Statistik & Matematika

• Probabilitas dan distribusi data
• Inferensi statistik (uji hipotesis, confidence interval)
• Regresi dan korelasi
• Aljabar linear (matriks, vektor, transformasi)
• Kalkulus dasar (turunan untuk optimisasi model)
• Teori pengambilan keputusan berbasis data

2. Pemrograman & Komputasi

• Bahasa pemrograman: Python, R, dan SQL
• Pemrograman struktural dan OOP
• Data manipulation dengan Pandas, NumPy, dplyr
• Penulisan kode efisien dan debugging

3. Machine Learning

• Supervised learning: regresi, klasifikasi, ensemble methods
• Unsupervised learning: clustering, PCA, anomaly detection
• Evaluasi model: accuracy, precision, recall, ROC, RMSE
• Feature engineering & pemilihan fitur
• Regularisasi (L1, L2)
• Hyperparameter tuning (Grid Search, Random Search, Bayesian)

4. Big Data & Cloud Computing

• Konsep distributed computing
• Hadoop, Spark (PySpark)
• Cloud platforms: AWS, Google Cloud, Azure
• Data pipeline & workflow automation (Airflow, dbt)

5. Database & Manajemen Data

• SQL databases: MySQL, PostgreSQL
• NoSQL: MongoDB, Cassandra
• Data warehousing: Snowflake, BigQuery, Redshift
• Data cleaning & preprocessing
• Integrasi data (ETL/ELT)

• SMK/SMA =
  Dapat berasal dari SMK Rekayasa Perangkat Lunak (RPL), SMK Teknik Komputer dan Jaringan (TKJ), atau jurusan teknologi informasi lain yang memberikan dasar pemrograman dan pengolahan data; lulusan SMA IPA juga sangat relevan karena memiliki dasar matematika, statistika, dan logika yang kuat sebagai fondasi analisis data.
• S1 =
  Umumnya menempuh pendidikan S1 Data Science, S1 Informatika, S1 Ilmu Komputer, S1 Statistika, atau S1 Matematika Terapan, di mana mahasiswa mempelajari analisis data, machine learning, pemrograman (Python/R), basis data, statistik lanjutan, visualisasi data, serta penerapan model prediktif dan analitis pada berbagai sektor.
• S2 =
  Tidak wajib, tetapi sangat dianjurkan bagi mereka yang ingin menempati posisi spesialis atau peneliti terapan. Program yang relevan meliputi Magister Sains Data, Magister Informatika, Magister Ilmu Komputer, atau Magister Statistika, yang memperdalam kompetensi dalam kecerdasan buatan, big data analytics, optimisasi, dan riset algoritma.
• S3 =
  Tidak diperlukan untuk praktik profesional di industri, namun jenjang Doktor Ilmu Komputer, Doktor Statistika, atau Doktor Sains Data relevan bagi individu yang ingin berkarier sebagai peneliti, ilmuwan akademis, atau pengembang metodologi baru dalam analitika data dan kecerdasan buatan.

• Investigatif — Pekerjaan yang melibatkan studi dan penelitian benda mati, organisme hidup, penyakit atau bentuk gangguan lainnya, atau perilaku manusia. Pekerjaan investigasi sering dikaitkan dengan ilmu fisika, ilmu hayati, ilmu kedokteran, atau ilmu sosial, dan dapat ditemukan di bidang humaniora, matematika/statistika, teknologi informasi, atau layanan kesehatan.
• Konvensional — Pekerjaan melibatkan kepatuhan terhadap prosedur dan peraturan untuk mengelola informasi atau data, biasanya dalam lingkungan bisnis. Pekerjaan konvensional sering dikaitkan dengan pekerjaan kantor, akuntansi, matematika/statistik, teknologi informasi, keuangan, atau sumber daya manusia.

• Integritas dalam pengelolaan data — menjaga keaslian, akurasi, dan etika penggunaan data.
• Pemikiran analitis yang kuat untuk memahami masalah, mengolah informasi, dan menafsirkan pola kompleks.
• Ketelitian tinggi dalam pembersihan data, validasi data, serta pengecekan kualitas dataset.
• Pendekatan berbasis bukti (evidence-based) dalam mengambil kesimpulan dan memberikan rekomendasi.
• Penguasaan metode statistik dan machine learning untuk menghasilkan model prediktif yang reliabel.

• Berbasis Data dan Bukti - Selalu memulai dari data, fakta, dan analisis objektif sebelum membuat kesimpulan atau rekomendasi.
• Eksploratif dan Eksperimental - Sering melakukan exploratory data analysis (EDA), mencoba berbagai model, dan melakukan iterasi untuk menemukan solusi terbaik.
• Kolaboratif - Bekerja dekat dengan tim produk, bisnis, engineer, dan stakeholder untuk memahami masalah serta menyelaraskan tujuan.
• Iteratif dan Agile - Mengembangkan model atau analisis secara bertahap, memperbaiki berdasarkan feedback dan hasil evaluasi.
• Berorientasi pada Pemecahan Masalah - Fokus pada menemukan insight yang dapat memecahkan tantangan nyata, bukan sekadar analisis teknis.