Portfolio data analyst yang baik berisi dua sampai tiga proyek yang masing-masing menjawab satu pertanyaan bisnis, menunjukkan prosesnya dari data mentah sampai kesimpulan, dan bisa dibaca dalam lima menit. Perekrut tidak mencari proyek yang paling rumit; mereka mencari bukti bahwa kamu bisa mengambil data, membersihkannya, menganalisis dengan benar, dan menyampaikan hasilnya dengan jelas. Di bawah ada lima contoh proyek dari yang paling mudah, sumber data publik untuk mengerjakannya, dan cara menyajikannya supaya benar-benar dibaca.
Apa yang Dilihat Perekrut
Dalam beberapa menit membuka portfolio, perekrut biasanya mencari jawaban untuk empat pertanyaan:
- Bisakah orang ini mengolah data yang berantakan? Proyek dengan data yang sudah bersih dari tutorial tidak menjawab ini.
- Apakah analisisnya benar? Rata-rata di tempat yang seharusnya median, atau total yang membengkak setelah JOIN, langsung terlihat oleh orang yang berpengalaman.
- Apakah dia bisa menjelaskan hasilnya? Kesimpulan yang jelas di awal lebih penting daripada grafik yang banyak.
- Apakah skill-nya sesuai lowongan? Kalau lowongan menyebut SQL dan Looker Studio, setidaknya satu proyek harus memakai keduanya.
5 Contoh Proyek, dari Mudah ke Lanjut
1. Analisis penjualan dengan SQL
Pertanyaan: kenapa omzet bulan tertentu turun, dan apa yang perlu dilakukan?
Kerjakan seperti studi kasus SQL analisis penjualan: lihat angka besar, pecah per cabang, pisahkan jumlah transaksi dari nilai per transaksi, cek retensi pelanggan, lalu tulis rekomendasi. Kamu bisa mulai dengan dataset latihan kedai kopi, lalu ulangi dengan dataset publik yang lebih besar supaya hasilnya benar-benar milikmu.
Skill yang ditunjukkan: SQL (JOIN, GROUP BY, CTE, window function), berpikir bertahap, menyampaikan temuan.
2. Membersihkan data yang berantakan
Pertanyaan: berapa banyak data yang salah, dan bagaimana dampaknya ke laporan?
Ambil data publik yang memang berantakan (penulisan nama daerah yang tidak seragam, angka bercampur teks, baris ganda). Dokumentasikan setiap masalah yang ditemukan, cara memperbaikinya, dan perbandingan angka sebelum dan sesudah dibersihkan. Proyek seperti ini jarang ada di portfolio pemula, padahal pekerjaan sehari-hari analyst banyak berisi hal ini. Panduannya di membersihkan data di Excel dan Google Sheets.
Skill: data cleaning, ketelitian, dokumentasi.
3. Dashboard dari data publik
Pertanyaan: bagaimana perkembangan satu indikator, misalnya inflasi atau jumlah penduduk miskin per provinsi, dan provinsi mana yang paling berubah?
Unduh data dari Badan Pusat Statistik, rapikan menjadi tabel data yang rapi, lalu buat dashboard di Looker Studio dengan filter provinsi dan tahun. Sertakan tautan dashboard yang bisa dibuka siapa saja.
Skill: visualisasi, dashboard, memilih metrik.
4. Analisis survei
Pertanyaan: apa yang paling memengaruhi kepuasan responden?
Buat survei sederhana dengan Google Forms (misalnya kebiasaan belanja online teman-temanmu, minimal 50 responden), atau gunakan dataset survei publik. Ringkas jawaban pilihan ganda dengan pivot table, kelompokkan jawaban terbuka secara manual, dan bandingkan antar kelompok responden. Sebutkan dengan jujur keterbatasannya, misalnya jumlah responden yang kecil.
Skill: pivot table, statistik deskriptif, kejujuran soal keterbatasan data.
5. Analisis dengan Python
Pertanyaan: sama seperti proyek 1, tetapi dengan data yang lebih besar dan banyak file.
Gabungkan beberapa file CSV (misalnya data bulanan) dengan pandas, rangkum, dan sajikan dalam notebook yang bisa dibaca dari atas ke bawah. Proyek ini opsional untuk posisi junior, tetapi membedakanmu dari pelamar lain.
Skill: Python, pandas, otomatisasi.
Untuk lamaran pertama, proyek 1, 2, dan 3 biasanya sudah cukup.
Sumber Data Publik
| Sumber | Isi | Cocok untuk |
|---|---|---|
| Badan Pusat Statistik (bps.go.id) | Statistik resmi: penduduk, inflasi, kemiskinan, ekspor-impor, per provinsi dan kabupaten | Dashboard, tren antarwilayah |
| Satu Data Indonesia (data.go.id) | Data dari kementerian dan lembaga | Proyek dengan topik spesifik |
| Portal data pemerintah daerah, misalnya Jakarta Open Data | Data kota: transportasi, kesehatan, pendidikan | Proyek lokal yang menarik perhatian perusahaan di kota itu |
| Kaggle (kaggle.com/datasets) | Dataset dari berbagai negara dan industri, termasuk penjualan dan e-commerce | Analisis penjualan, data besar untuk Python |
| Data kerjamu sendiri | Laporan yang sudah kamu kerjakan | Bukti paling kuat, setelah disamarkan dan diizinkan |
Kalau memakai data dari pekerjaan, samarkan dulu nama pelanggan, nomor HP, dan angka yang sensitif dengan cara di anonimisasi data, dan pastikan atasan atau perusahaanmu tidak keberatan. Mengunggah data kantor tanpa izin justru menjadi tanda bahaya bagi perekrut.
Susunan Halaman Setiap Proyek
Setiap proyek sebaiknya punya satu halaman (README di GitHub, halaman Notion, atau satu dokumen) dengan urutan ini:
- Judul yang menyebut temuannya, misalnya "Omzet April Turun 15% karena Pelanggan Tebet Tidak Kembali".
- Ringkasan tiga kalimat: pertanyaan, jawaban, rekomendasi. Ini satu-satunya bagian yang pasti dibaca.
- Satu atau dua grafik utama dengan judul temuan, seperti di data storytelling.
- Data: sumber, periode, jumlah baris, dan masalah yang ditemukan.
- Proses: langkah-langkah singkat, dengan tautan ke query atau notebook.
- Keterbatasan dan langkah berikutnya.
Template README
# [Judul yang menyebut temuannya]
## Ringkasan
- Pertanyaan: [pertanyaan bisnis dalam satu kalimat]
- Jawaban: [temuan utama, dengan angka]
- Rekomendasi: [tindakan yang disarankan]

## Data
- Sumber: [nama sumber dan tautan]
- Periode: [rentang waktu], [jumlah baris] baris
- Pembersihan: [masalah yang ditemukan dan cara memperbaikinya]
## Proses
1. [Langkah 1, dengan tautan ke file query]
2. [Langkah 2]
3. [Langkah 3]
## Keterbatasan
- [Misalnya: periode pendek, data tidak mencakup X]
## Tools
SQL (PostgreSQL), Google Sheets, Looker Studio
Di Mana Menaruhnya
- GitHub: satu repository per proyek, berisi README, file query atau notebook, dan grafik. Cocok kalau proyekmu memakai SQL atau Python.
- Halaman portfolio sederhana: satu halaman berisi daftar proyek dengan ringkasan dan tautan. Bisa di Notion, Google Sites, atau GitHub Pages.
- LinkedIn: tulis satu unggahan per proyek dengan ringkasan dan satu grafik, lalu tautkan ke halaman lengkapnya. Cantumkan juga di bagian Featured profilmu.
- CV: tulis satu baris per proyek beserta hasilnya, misalnya "Analisis penjualan 4 cabang dengan SQL; menemukan penurunan retensi member dari 75% ke 38%". Tips CV lainnya ada di CV dengan ChatGPT.
Kesalahan yang Sering Terjadi
- Proyek tutorial yang disalin apa adanya. Perekrut sudah sering melihat analisis dataset Titanic dan Iris. Pakai data yang berbeda atau pertanyaan yang berbeda.
- Tidak ada kesimpulan. Puluhan grafik tanpa satu kalimat temuan menunjukkan kamu bisa memakai tools, bukan bisa menganalisis.
- Terlalu banyak proyek setengah jadi. Dua proyek yang selesai dan rapi lebih baik daripada enam yang berhenti di tengah.
- Tautan yang tidak bisa dibuka. Cek semua tautan dashboard dan dokumen dengan browser yang tidak login.
- Data pribadi ikut terunggah. Periksa ulang setiap file sebelum dipublikasikan.
Langkah Berikutnya
- Siapkan jawaban untuk pertanyaan tentang proyekmu di pertanyaan interview data analyst.
- Belum punya bekal yang cukup untuk proyek-proyek ini? Ikuti urutannya di Roadmap Data Analyst dari Nol.
- Untuk persiapan melamar secara umum, baca Panduan Karier Digital.