Kurikulum Data Analyst: Dari Fondasi hingga Master
Belajar menjadi Data Analyst sering terasa membingungkan karena materinya tersebar di banyak tempat. Satu sumber membahas Excel, sumber lain langsung masuk ke Python, sementara konsep statistika dan cara menerjemahkan kebutuhan bisnis ke pertanyaan data justru terlewat.
Artikel ini menyusun jalur belajar yang lebih terarah: 8 bagian, 31 bab, dan 4 proyek capstone. Urutannya dimulai dari cara berpikir seorang analis, lalu bergerak ke tools, statistika, visualisasi, Python, komunikasi, dan praktik analisis end-to-end.
Kurikulum ini cocok untuk mahasiswa, fresh graduate, profesional yang ingin berpindah karier, maupun engineer atau product professional yang ingin memperkuat kemampuan bekerja dengan data.
Untuk Siapa Kurikulum Ini?
Kurikulum ini dirancang untuk siapa saja, tanpa prasyarat pengalaman coding atau statistika sebelumnya. Porsi teori dan praktik dibuat seimbang, dengan format seperti textbook: setiap bab memiliki tujuan belajar, konsep inti, contoh nyata, studi kasus, latihan, dan ringkasan.
Format Standar Tiap Bab
Agar proses belajar konsisten, setiap bab mengikuti format berikut:
- Tujuan belajar: kemampuan yang diharapkan setelah menyelesaikan bab.
- Konsep inti: teori dengan bahasa sederhana dan analogi.
- Contoh nyata: kasus dari marketing, retail, keuangan, atau produk.
- Praktik dan latihan: tugas langsung yang sesuai dengan topik.
- Studi kasus mini: dataset kecil untuk dianalisis.
- Ringkasan dan cek pemahaman: bahan revisi dan kuis singkat.
Jangan mencoba mempelajari semua tools sekaligus. Ikuti urutan konsepnya, pilih satu tools utama untuk setiap bagian, lalu buktikan pemahaman melalui proyek kecil.
Apa yang Perlu Dikuasai Seorang Data Analyst?
Data Analyst bukan sekadar orang yang bisa membuat chart atau menulis query SQL. Peran ini menghubungkan data dengan keputusan.
Seorang analis yang kuat biasanya mampu:
- memahami masalah bisnis sebelum memilih metode analisis;
- menemukan, membersihkan, dan menggabungkan data dari berbagai sumber;
- menjelaskan pola menggunakan statistika dan visualisasi yang tepat;
- membedakan korelasi, prediksi, dan hubungan sebab-akibat;
- menyampaikan insight kepada audiens teknis maupun non-teknis; dan
- mengubah hasil analisis menjadi rekomendasi yang dapat ditindaklanjuti.
Karena itu, kurikulum ini tidak menempatkan satu software sebagai tujuan akhir. Tools dapat berubah, tetapi cara berpikir dan fondasi analisis tetap relevan.
Peta Kurikulum
| Bagian | Fokus | Hasil yang Diharapkan |
|---|---|---|
| 1 | Fondasi mutlak | Memahami data dan merumuskan pertanyaan analisis |
| 2 | Spreadsheet dan SQL | Mengambil serta membersihkan data tabular |
| 3 | Statistika | Menjelaskan pola, variasi, dan ketidakpastian |
| 4 | Visualisasi dan dashboard | Menyajikan insight secara efektif |
| 5 | Python untuk data | Melakukan analisis yang lebih terstruktur dan berulang |
| 6 | Storytelling dan komunikasi | Menyampaikan temuan kepada stakeholder |
| 7 | Analitik tingkat lanjut | Melakukan eksperimen, forecasting, dan analitik domain |
| 8 | Capstone | Menghasilkan portofolio analisis end-to-end |
Bagian 1 — Fondasi Mutlak
Tujuan bagian ini adalah membangun cara berpikir seorang analis sebelum menyentuh tools. Fondasi yang baik membantu mencegah kesalahan umum seperti mengumpulkan data tanpa pertanyaan yang jelas atau memilih metrik yang tidak berhubungan dengan keputusan bisnis.
Bab 1: Apa Itu Data?
Pelajari perbedaan antara data, informasi, dan insight; jenis data kualitatif dan kuantitatif; structured, unstructured, dan semi-structured data; serta sumber data internal dan eksternal.
Bab 2: Berpikir Seperti Analis
Latih cara mengubah masalah bisnis menjadi pertanyaan data menggunakan 5W1H. Bab ini juga membahas data literacy dan bias seperti confirmation bias serta survivorship bias.
Bab 3: Statistika Sehari-hari
Pahami mean, median, modus, range, standar deviasi, persentase, rasio, dan growth rate melalui contoh yang dekat dengan keputusan bisnis sehari-hari.
Bab 4: Etika dan Privasi Data
Kenali personally identifiable information (PII), prinsip dasar perlindungan data, pengantar UU PDP Indonesia dan GDPR, serta dampak data yang bias terhadap keputusan.
Bagian 2 — Spreadsheet dan SQL
Spreadsheet berguna untuk eksplorasi cepat, sedangkan SQL menjadi fondasi utama untuk mengambil data dari database. Kuasai keduanya sebelum beralih ke workflow yang lebih kompleks.
Bab 5: Excel atau Google Sheets dari Nol
Pelajari navigasi, referensi absolut dan relatif, formula seperti SUM, IF, COUNTIF, SUMIFS, lookup, serta Pivot Table.
Bab 6: Membersihkan Data Kotor
Berlatih menangani duplikasi, missing values, format yang tidak konsisten, spasi tersembunyi, dan validasi data menggunakan contoh dataset penjualan.
Bab 7: Pengantar SQL
Mulai dari konsep tabel, primary key, foreign key, lalu gunakan SELECT, WHERE, ORDER BY, LIMIT, IN, dan BETWEEN.
Bab 8: SQL Menengah
Pelajari JOIN, GROUP BY, fungsi agregat, subquery, dan CASE WHEN. Fokusnya bukan menghafal sintaks, tetapi memahami bagaimana tabel saling berhubungan.
Bagian 3 — Statistika untuk Analisis
Statistika membantu menjawab pertanyaan: apakah pola yang terlihat benar-benar berarti, seberapa besar variasinya, dan seberapa yakin kita terhadap kesimpulan tersebut?
Bab 9: Statistik Deskriptif Mendalam
Bahas ukuran pemusatan dan penyebaran, quartile, IQR, boxplot, serta skewness untuk memahami bentuk distribusi data.
Bab 10: Probabilitas Dasar
Gunakan konsep probabilitas untuk membaca conversion rate, churn, risiko, dan probabilitas bersyarat dalam konteks bisnis.
Bab 11: Distribusi Data dan Outlier
Kenali distribusi normal, cara mendeteksi outlier, serta kapan outlier perlu dipertahankan, diselidiki, atau ditangani.
Bab 12: Korelasi dan Kausalitas
Pelajari mengapa dua variabel yang bergerak bersama belum tentu memiliki hubungan sebab-akibat. Bahas juga confounding variable dan spurious correlation.
Bab 13: Pengantar Uji Hipotesis
Pahami null hypothesis, alternative hypothesis, p-value secara intuitif, serta perbedaan antara signifikansi statistik dan dampak bisnis.
Bagian 4 — Visualisasi Data dan Dashboard
Visualisasi yang baik membantu orang melihat hal penting lebih cepat. Bagian ini membahas prinsip desain, pemilihan chart, dan pembuatan dashboard dengan Power BI atau Looker Studio.
Bab 14: Prinsip Visualisasi yang Baik
Pelajari hierarki visual, prinsip less is more, penggunaan warna, dan kesalahan seperti chart junk atau pie chart 3D.
Bab 15: Memilih Chart yang Tepat
Gunakan bar chart untuk perbandingan, line chart untuk tren, scatter plot untuk hubungan, dan chart distribusi untuk melihat penyebaran data.
Bab 16: Power BI dari Dasar
Mulai dari koneksi data dan Power Query, lalu buat visual, atur layout, dan kenali konsep dasar DAX melalui measure dan calculated column.
Bab 17: Power BI Lanjutan
Pelajari relasi antar tabel, data modeling, filter context, CALCULATE, publish, dan cara membagikan dashboard.
Bab 18: Looker Studio
Hubungkan Google Sheets, BigQuery, atau GA4 ke laporan interaktif. Pahami kapan Looker Studio lebih sesuai dibanding Power BI.
Bab 19: Studi Kasus Dashboard
Bangun dashboard sales atau marketing end-to-end, mulai dari kebutuhan stakeholder, definisi metrik, transformasi data, sampai presentasi insight.
Bagian 5 — Python untuk Data Analyst
Python membantu mengotomatisasi pekerjaan berulang dan membuat analisis lebih reproducible. Tidak perlu mempelajari seluruh bahasa Python; fokuskan pada konsep yang mendukung pekerjaan data.
Bab 20: Python Dasar untuk Data
Pelajari variabel, tipe data, list, dictionary, conditional, dan loop secukupnya untuk membaca serta memproses data.
Bab 21: Pandas dan NumPy
Gunakan DataFrame untuk membaca CSV atau Excel, melakukan filtering, sorting, groupby, merge, dan join dataset.
Bab 22: Exploratory Data Analysis
Bangun alur EDA yang sistematis: memahami struktur data, memeriksa kualitas, mencari pola, menguji asumsi, dan mendokumentasikan temuan.
Bab 23: Visualisasi dengan Matplotlib dan Seaborn
Buat chart dasar hingga visualisasi statistik seperti heatmap dan boxplot, lalu pilih bentuk visual berdasarkan pertanyaan analisis.
Bagian 6 — Storytelling dan Komunikasi Data
Insight yang tidak dipahami stakeholder belum menghasilkan perubahan. Bagian ini melatih kemampuan menyusun temuan menjadi cerita yang singkat, jelas, dan relevan.
Bab 24: Menyusun Laporan yang Meyakinkan
Gunakan struktur temuan → insight → rekomendasi dan tulis executive summary yang dapat dipahami tanpa membaca seluruh lampiran teknis.
Bab 25: Presentasi untuk Audiens Non-Teknis
Latih cara menyederhanakan istilah teknis, memilih satu pesan utama per slide, dan menjawab pertanyaan kritis tanpa kehilangan konteks data.
Bab 26: Framework Storytelling
Gunakan framework Situation-Complication-Resolution (SCR) dan Pyramid Principle untuk menyusun presentasi yang logis.
Bagian 7 — Menuju Level Lanjut
Setelah fondasi analisis kuat, Anda dapat memperluas kemampuan ke eksperimen, forecasting, dan analitik berdasarkan domain bisnis.
Bab 27: A/B Testing dan Eksperimen
Pelajari control dan treatment, metrik eksperimen, risiko bias, serta cara membaca hasil eksperimen dengan hati-hati.
Bab 28: Forecasting dan Regresi Dasar
Gunakan regresi linear sederhana untuk memahami tren dan moving average untuk forecasting dasar. Fokus pada interpretasi, bukan sekadar menjalankan model.
Bab 29: Analytics Berdasarkan Domain
Pilih modul sesuai minat: marketing analytics dengan funnel dan CAC/LTV, finance analytics dengan cash flow dan budget variance, atau product analytics dengan engagement dan feature adoption.
Bab 30: Data Governance dan Kualitas Data
Pelajari data quality framework, definisi metrik, ownership, dokumentasi, dan data dictionary agar analisis dapat dipercaya serta diulang.
Bab 31: Menjadi Lead atau Mentor Analyst
Kembangkan kemampuan melakukan query review, memberi feedback, membimbing analis lain, dan mengelola ekspektasi stakeholder.
Capstone: Empat Proyek untuk Portofolio
Portofolio yang baik menunjukkan proses berpikir, bukan hanya screenshot dashboard. Setiap proyek sebaiknya menjelaskan konteks, pertanyaan, sumber data, metode, temuan, keterbatasan, dan rekomendasi.
Proyek 1: Analisis Penjualan Retail
Gunakan Excel dan SQL untuk membersihkan transaksi, menghitung metrik penjualan, menemukan produk atau wilayah dengan performa tertinggi, lalu menyusun rekomendasi.
Proyek 2: Dashboard Marketing
Buat dashboard di Power BI atau Looker Studio yang menampilkan acquisition, conversion, retention, dan channel performance.
Proyek 3: EDA dan Prediksi Churn
Gunakan Python untuk mengeksplorasi perilaku pelanggan dan membuat model prediksi sederhana. Jelaskan bahwa prediksi risiko tidak otomatis membuktikan penyebab churn.
Proyek 4: Presentasi Insight kepada Stakeholder
Simulasikan presentasi bisnis dengan audiens non-teknis. Sampaikan satu masalah utama, bukti dari data, rekomendasi, dan langkah berikutnya.
Tiga proyek yang selesai dan terdokumentasi lebih bernilai daripada sepuluh tutorial yang hanya pernah diikuti. Pilih tools yang dapat Anda jelaskan dan gunakan secara konsisten.
Format Belajar yang Disarankan
Agar belajar tidak berubah menjadi konsumsi materi tanpa praktik, gunakan siklus berikut untuk setiap bab:
- Pahami tujuan belajar dan hubungkan dengan masalah nyata.
- Pelajari konsep inti melalui contoh sederhana.
- Kerjakan latihan kecil tanpa menyalin seluruh solusi.
- Analisis dataset mini dan tulis kesimpulan dengan bahasa sendiri.
- Dokumentasikan kesalahan serta asumsi yang digunakan.
- Hubungkan bab tersebut dengan satu proyek capstone.
Simpan hasil latihan dalam repository terpisah. Sertakan README yang menjelaskan pertanyaan bisnis, struktur folder, cara menjalankan analisis, dan temuan utama.
Prompt untuk Membuat Silabus Detail per Bab
Kerangka di atas dapat dikembangkan menjadi silabus yang lebih rinci menggunakan prompt berikut. Ganti variabel dalam tanda kurung kurawal sesuai bab yang ingin dipelajari.
Kamu adalah instructional designer sekaligus penulis textbook data analytics berbahasa Indonesia. Susun SILABUS DETAIL untuk satu bab dari kurikulum "Data Analyst dari Fondasi hingga Master".
KONTEKS:
- Target pembaca: pemula total hingga mahir
- Gaya bahasa: sederhana, hangat, banyak analogi dunia nyata
- Format: teori dan praktik seimbang
- Bagian: {{NOMOR_BAGIAN}} - {{NAMA_BAGIAN}}
- Bab: {{NOMOR_BAB}} - {{JUDUL_BAB}}
- Level: {{LEVEL_BAB}}
- Topik kunci: {{DAFTAR_TOPIK_KUNCI}}
HASILKAN MARKDOWN DENGAN STRUKTUR BERIKUT:
# Bab {{NOMOR_BAB}}: {{JUDUL_BAB}}
## Informasi Bab
## Tujuan Belajar
## Peta Konsep
## Isi Materi
## Studi Kasus Mini
## Latihan Soal
## Kesalahan Umum Pemula
## Ringkasan
## Referensi Lanjutan
ATURAN:
1. Gunakan Bahasa Indonesia yang baku tetapi mudah dipahami.
2. Untuk setiap sub-topik, sertakan penjelasan, analogi, dan contoh angka atau data yang realistis.
3. Studi kasus harus memiliki dataset ilustratif dan pertanyaan analisis.
4. Latihan harus mencakup 3 soal konsep dan 2 praktik hands-on dengan tingkat kesulitan.
5. Jangan menambahkan penjelasan di luar struktur silabus.
6. Hasilkan satu file Markdown utuh yang siap disimpan.
Referensi Belajar Gratis dan Open-Source
Gunakan referensi berikut sebagai pelengkap. Sebagian platform menawarkan sertifikat berbayar, tetapi materi atau opsi audit dapat dipelajari tanpa biaya. Ketersediaan fitur dapat berubah, jadi periksa kembali halaman resmi sebelum mulai belajar.
Bagian 1 — Fondasi Mutlak
| Bab | Referensi |
|---|---|
| 1. Apa itu Data? | Google Data Analytics Foundations dan Khan Academy — Intro to Data |
| 2. Berpikir Seperti Analis | freeCodeCamp — Data Analysis; materi 5 Whys Framework |
| 3. Statistika Sehari-hari | Khan Academy — Statistics and Probability; StatQuest |
| 4. Etika dan Privasi Data | Dokumen resmi UU PDP Indonesia; materi Data Privacy Fundamentals |
Bagian 2 — Spreadsheet dan SQL
| Bab | Referensi |
|---|---|
| 5. Spreadsheet | ExcelJet; Google Workspace Learning Center |
| 6. Data Cleaning | Kaggle Learn — Data Cleaning |
| 7–8. SQL | Mode SQL Tutorial; SQLZoo; PostgreSQL Exercises |
Bagian 3 — Statistika untuk Analisis
| Bab | Referensi |
|---|---|
| 9. Statistik Deskriptif | Khan Academy — Quartile dan Boxplot; StatQuest |
| 10–11. Probabilitas dan Distribusi | Khan Academy — Probability dan Normal Distribution; Seeing Theory |
| 12. Korelasi dan Kausalitas | Khan Academy — Correlation and Causation; Spurious Correlations oleh Tyler Vigen |
| 13. Uji Hipotesis | Khan Academy — Hypothesis Testing; seri p-value dari StatQuest |
Bagian 4 — Visualisasi dan Dashboard
| Bab | Referensi |
|---|---|
| 14. Prinsip Visualisasi | Storytelling with Data oleh Cole Nussbaumer Knaflic |
| 15. Pemilihan Chart | From Data to Viz |
| 16–17. Power BI | Microsoft Learn — Power BI dan DAX; Guy in a Cube |
| 18. Looker Studio | Google Skillshop — Looker Studio; Google Analytics Academy |
| 19. Studi Kasus | Kaggle Datasets dan notebook publik |
Bagian 5 — Python untuk Data Analyst
| Bab | Referensi |
|---|---|
| 20. Python Dasar | Python Tutorial resmi; freeCodeCamp — Python for Everybody |
| 21. Pandas dan NumPy | Kaggle Learn — Pandas; dokumentasi resmi pandas dan NumPy |
| 22. EDA | Kaggle Learn — Data Visualization dan notebook EDA publik |
| 23. Matplotlib dan Seaborn | Dokumentasi resmi matplotlib dan seaborn |
Bagian 6 — Storytelling dan Komunikasi
| Bab | Referensi |
|---|---|
| 24. Laporan | Storytelling with Data — materi executive summary |
| 25. Presentasi | Ann K. Emery — materi visualisasi dan presentasi data |
| 26. Storytelling | Ringkasan Pyramid Principle dan Situation-Complication-Resolution |
Bagian 7 — Level Lanjut
| Bab | Referensi |
|---|---|
| 27. A/B Testing | Udacity — A/B Testing |
| 28. Forecasting dan Regresi | Khan Academy — Linear Regression; StatQuest |
| 29. Analytics Domain | CXL — Marketing Analytics; Corporate Finance Institute |
| 30. Data Governance | DAMA International; blog Atlan atau Collibra tentang data catalog |
| 31. Lead dan Mentor Analyst | The Manager's Path; kumpulan Manager README open-source di GitHub |
Bagian 8 — Capstone
| Proyek | Referensi Dataset |
|---|---|
| Proyek 1–4 | Kaggle Datasets, Kaggle Notebooks, dan Google Dataset Search |
Penutup
Menjadi Data Analyst adalah proses membangun kombinasi kemampuan: memahami masalah, bekerja dengan data, memilih metode yang tepat, dan berkomunikasi secara bertanggung jawab.
Mulailah dari satu dataset kecil. Tulis satu pertanyaan yang ingin dijawab. Lakukan analisis sederhana, jelaskan keterbatasannya, lalu iterasikan. Konsistensi dalam menyelesaikan siklus kecil seperti ini akan membawa Anda lebih jauh daripada berpindah-pindah tutorial tanpa menghasilkan artefak nyata.
