Apa Saja Studi Kasus yang Cocok untuk Portofolio Data Analyst?
Portofolio data analyst dinilai sebagai salah satu senjata ampuh yang digunakan untuk menggaet hati rekruter ketika ingin melakukan seleksi kandidat sebagai calon data analyst. Kondisi ini menggambarkan bahwa kandidat memiliki nilai jual yang lebih ketika melampirkan portofolio sebagai dokumen pendukung dalam melamar kerja.
Apabila kamu tertarik untuk menjadi seorang data analyst maka portofolio bisa kamu pertimbangkan sebagai salah satu dokumen tambahan yang bisa kamu lampirkan dalam dokumen lamaran kerja. Portofolio data analyst menggambarkan rekam jejak dari calon kandidat yang berkaitan dengan profesi data analyst.
Biasanya dalam portofolio ini, kandidat mencantumkan informasi tambahan misalnya skill khusus dan spesifik yang berkaitan dengan data analyst.
Dalam membuat portofolio ada beberapa hal yang perlu diperhatikan. Dimana calon kandidat tidak boleh asal untuk memasukkan bagian-bagian yang kurang penting sehingga akan menimbulkan kesan dan juga pertanyaan di benak rekruter.
Pastikan portofolio yang kamu buat sudah jelas dan menggambarkan detail isi yang ingin kamu sampaikan dalam project yang pernah kamu kerjakan dengan begitu HRD akan mengetahui effort dan juga usaha yang dikerahkan dalam membuat sebuah portofolio yang bisa mengesankan hati rekruter.
Lalu kira-kira hal-hal apa saja yang perlu diperhatikan dalam membuat sebuah portofolio data analyst? Studi kasus apa yang sekiranya bisa cocok untuk dijadikan bahan dalam membuat suatu portofolio data sebagai showcase laporan kepada rekruter untuk ditindaklanjuti? Mari kita simak artikel selengkapnya berikut ini!
1. A Walk Into Sensory Science
Pada modul 'A Walk Into Sensory Science' ini anda akan mempelajari metode analisis data untuk studi kasus riset data sensoris di industri pangan dengan menggunakan R.
Dengan menyelesaikan modul ini, kalian akan mengenal ilmu sensoris dan manfaatnya, mengetahui kategori riset sensoris di industri pangan, mengenal istilah umum dan prosedur dalam riset sensoris, melakukan analisis univariat untuk mengamati atribut sensoris sampai membuat interpretasi dan simpulan dari analisis data riset sensoris.
Module Data Science Project: A Walk Into Sensory Science. Data Science Project: A Walk Into Sensory Science adalah modul project data science yang disediakan DQLab sebagai bahan untuk pembuatan portofolio data yang bisa kalian gunakan untuk melamar pekerjaan.
Modul ini terdiri dari 4 chapters dan 43 sub chapters. Kalian bisa akses modulnya langsung dengan subscribe ke premium dari akun DQLab.
Selanjutnya, kita akan bahas masing-masing chapter yang ada pada modul Data Science Project: A Walk Into Sensory Science. Di chapter pertama, kamu akan mengenal tentang ilmu sensoris.
Chapter kedua, Setelah mempelajari sedikit teori mengenai ilmu sensoris, sekarang mari kita belajar sedikit lebih dalam mengenai analisis data riset sensoris. Anda akan diajak melakukan analisis data untuk mempelajari karakteristik sensoris produk cokelat komersial. Pada chapter ketiga kalian akan melakukan analisis data riset sensoris menggunakan SenseHub. Terakhir berisi ringkasan alias summary.
Baca juga : Kenali Perbedaan Data Scientist, Data Analyst dan Data Engineer
2. Fundamental SQL Using SELECT Statement
Materi yang paling dasar dari SQL adalah mempelajari penggunaan SELECT statement yang digunakan untuk memanggil data. SELECT akan terus di gunakan baik di query sederhana maupun query yang kompleks dan rumit.
Modul ini terbagi menjadi 6 bab. Pada bab pertama berisi tentang pengenalan SQL dan pentingnya SQL dalam Data Science. Kemudian di bab kedua dibahas tentang sistem database relasional menggunakan SQL sebagai pondasinya. Di bab selanjutnya kita akan mulai belajar menggunakan perintah SELECT...FROM untuk melakukan query pada database.
Pada bab keempat kita akan membahas mengenai penggunaan Prefix dan Alias serta penulisan SELECT yang lebih spesifik. Pada bab selanjutnya, kita akan belajar tentang penggunaan WHERE sebagai filter data. Sementara di bab terakhir diisi dengan Mini Project yang bisa digunakan untuk menguji hasil belajarmu.
3. Data Manipulation with Pandas Part 1
Selanjutnya adalah Data Manipulation with Pandas Bagian Pertama. Disini akan dikenalkan bagaimana cara melakukan transformasi data. Transform adalah ketika mengubah dataset yang ada menjadi entitas baru, dapat dilakukan dengan
konversi dari satu data type ke data type yang lain,
transpose dataframe
atau yang lainnya.
Hal yang biasa dilakukan pertama kali setelah data dibaca adalah mengecek tipe data di setiap kolomnya apakah sesuai dengan representasinya.
Untuk konversi tipe data, secara default system akan mendeteksi data yang tidak bisa di render as date type or numeric type sebagai object yang basically string. Tidak bisa di render oleh system ini karena berbagai hal, mungkin karena formatnya asing dan tidak dikenali oleh python secara umum (misal: date type data → ‘2019Jan01’).
Data contoh tersebut tidak bisa di render karena bulannya Jan tidak bisa di translate menjadi in form of number (00–12) dan tidak ada ‘-’ di antara tahun, bulan dan harinya.
Jika seluruh data pada kolom di order_date sudah tertulis dalam bentuk ‘YYYY-MM-DD’ maka ketika dibaca, kolom order_date sudah langsung dinyatakan bertipe data datetime.
4. Data Manipulation with Pandas Part 2
Terakhir, kita ada studi kasus tentang Data Manipulation with Pandas Bagian Kedua. Pada studi kasus ini maka kita diajarkan tentang Pandas yang merupakan salah satu library yang disediakan oleh Python untuk melakukan manipulasi data. Pandas adalah library python open source yang biasanya digunakan untuk kebutuhan data analisis.
Pandas membuat Python supaya dapat bekerja dengan data yang berbentuk tabular seperti spreadsheet dengan cara pemuatan data yang cepat, manipulasi data, menggabungkan data, serta ada berbagai fungsi yang lain. Disini juga dikenalkan terkait dengan Dataframe dan Series.
Dataframe dan Series memiliki sangat banyak atribut yang digunakan untuk transformasi data, tetapi ada beberapa attribute yang sering dipakai.
Untuk membuat Series atau Dataframe bisa dari berbagai macam tipe data container/mapping di python, seperti list dan dictionary, maupun dari numpy array.
Dalam studi kasus ini juga disediakan penjelasan bagaimana cara membaca dataset CSV dan TSV. CSV dan TSV pada hakikatnya adalah tipe data text dengan perbedaan terletak pada pemisah antar data dalam satu baris. Pada file CSV, antar data dalam satu baris dipisahkan oleh comma, “,”. Namun, pada file TSV antar data dalam satu baris dipisahkan oleh “Tab”
Baca juga : Data Analyst vs Data Scientist, Yuk Kenali Perbedaannya
Menjadi Data Analyst tidak hanya menarik bagi orang IT, namun banyak juga non IT yang ternyata tertarik dan ingin menjadi Data Analyst. Jika kamu pemula yang baru belajar data memang akan butuh waktu ekstra untuk belajar dan benar-benar memahami tentang data dan tools yang digunakan.
Tapi bukan tidak mungkin pemula menjadi Data Analyst handal. Dengan berlatih rutin dan update portofolio data akan membuka kesempatan menjadi Data Analyst semakin lebar. Yuk, daftar di DQLab.id! Tingkatkan skill data dengan module-module yang disusun oleh data professional dari perusahaan ternama!
Penulis: Reyvan Maulid