Purwadhika
∙09 January 2025

Data Analyst dan Data Scientist sama-sama bekerja dengan data, tetapi fokus dan hasil pekerjaannya berbeda. Data Analyst bertugas mengolah dan menganalisis data untuk menemukan insight yang membantu perusahaan mengambil keputusan. Sementara itu, Data Scientist menggunakan statistik, pemrograman, dan machine learning untuk menemukan pola, mengembangkan model, serta membantu menyelesaikan masalah yang lebih kompleks. Keduanya punya peluang karir di berbagai industri. Namun, skill, aktivitas sehari-hari, dan kisaran gajinya bisa berbeda. Jadi, mana yang lebih cocok untuk kamu?
Data Analyst adalah profesional yang bertugas mengumpulkan, mengolah, dan menganalisis data untuk menjawab pertanyaan tertentu, terutama yang berkaitan dengan kebutuhan bisnis.
Sederhananya, Data Analyst membantu perusahaan memahami apa yang sedang terjadi melalui data. Mereka mencari pola, membandingkan hasil, dan menyusun insight agar perusahaan bisa mengambil keputusan berdasarkan fakta, bukan sekadar asumsi.
Bayangkan sebuah perusahaan e-commerce mengalami penurunan penjualan selama dua bulan terakhir. Tim bisnis ingin tahu apa penyebabnya. Apakah jumlah pengunjung website menurun? Apakah produk tertentu mulai kurang diminati? Atau justru banyak calon pembeli yang membatalkan transaksi?
Di sinilah Data Analyst berperan. Mereka mengumpulkan data transaksi, aktivitas pelanggan, dan performa produk. Setelah itu, data dibersihkan dan dianalisis untuk mencari tahu faktor yang mungkin berkaitan dengan penurunan penjualan.
Hasil analisisnya bisa berupa laporan, dashboard, visualisasi, atau rekomendasi yang membantu tim menentukan langkah berikutnya.
Menurut Microsoft Learn, pekerjaan Data Analyst mencakup proses menyiapkan, memodelkan, memvisualisasikan, dan menganalisis data agar bisa menghasilkan insight yang berguna.
Jadi, pekerjaan Data Analyst bukan cuma membuat grafik atau memindahkan angka ke Excel. Mereka juga perlu memahami konteks bisnis, menentukan data yang relevan, dan menyampaikan hasil analisis dengan cara yang mudah dipahami.
Tugas Data Analyst bisa berbeda tergantung perusahaan dan kebutuhan tim. Namun, beberapa aktivitas berikut umum ditemukan dalam pekerjaan sehari-hari.
1. Mengumpulkan data
Data Analyst mengambil data dari berbagai sumber, seperti database, spreadsheet, sistem transaksi, website, atau platform digital lainnya.
2. Membersihkan data (data cleaning)
Data yang dikumpulkan belum tentu langsung siap dianalisis. Bisa saja ada data kosong, duplikat, format yang tidak konsisten, atau kesalahan input. Data Analyst perlu memeriksa dan merapikannya agar hasil analisis lebih akurat.
3. Menganalisis data
Setelah data siap, mereka mulai mencari pola, membandingkan angka, melihat tren, dan menjawab pertanyaan yang sudah ditentukan.
4. Membuat laporan dan visualisasi
Hasil analisis biasanya disajikan dalam bentuk dashboard, grafik, atau laporan agar tim lain bisa memahami kondisi bisnis dengan lebih cepat.
5. Menyampaikan insight dan rekomendasi
Data Analyst juga perlu menjelaskan apa arti hasil analisis dan bagaimana temuan tersebut bisa digunakan untuk mendukung keputusan bisnis.
Data Scientist adalah profesional yang menggunakan kombinasi statistik, matematika, pemrograman, dan machine learning untuk menggali pola dari data serta mengembangkan solusi berbasis data.
Kalau Data Analyst membantu perusahaan memahami apa yang sedang terjadi, Data Scientist juga bisa mengembangkan model untuk memperkirakan apa yang mungkin terjadi berikutnya.
Contohnya, perusahaan e-commerce ingin mengetahui pelanggan mana yang berpotensi berhenti berbelanja dalam tiga bulan ke depan. Data Scientist bisa menggunakan data historis pelanggan, mencari pola perilaku, lalu membangun model machine learning untuk memperkirakan kemungkinan tersebut.
Hasilnya bisa membantu perusahaan menyusun strategi retensi pelanggan, memberikan penawaran yang lebih relevan, atau meningkatkan pengalaman pengguna.
Menurut IBM, Data Science merupakan bidang multidisiplin yang menggabungkan matematika, ilmu komputer, software engineering, dan statistik. Penerapannya bisa mencakup pengembangan algoritma, pemodelan statistik, hingga machine learning.
Pekerjaan Data Scientist juga nggak selalu sama di setiap perusahaan. Beberapa tanggung jawab yang umum dilakukan antara lain:
1. Mengumpulkan dan mengeksplorasi data
Data Scientist mempelajari data yang tersedia untuk memahami struktur, karakteristik, dan potensi penggunaannya dalam sebuah proyek.
2. Melakukan analisis statistik
Mereka menggunakan metode statistik untuk menguji asumsi, mengidentifikasi pola, dan memahami hubungan antarvariabel.
3. Membersihkan dan menyiapkan data
Sebelum membangun model, data perlu diperiksa dan disiapkan. Proses ini bisa meliputi data cleaning, data transformation, dan feature engineering.
4. Mengembangkan model machine learning
Data Scientist menggunakan algoritma untuk membuat model yang bisa melakukan klasifikasi, prediksi, clustering, atau tugas lainnya sesuai kebutuhan proyek.
5. Menguji dan mengevaluasi model
Model yang dibuat perlu diuji untuk melihat performanya. Data Scientist memeriksa apakah model memberikan hasil yang cukup akurat dan sesuai dengan tujuan penggunaannya.
6. Menyampaikan hasil analisis
Hasil eksperimen dan pemodelan perlu dijelaskan kepada stakeholder agar bisa dipahami serta digunakan dalam pengambilan keputusan.
Perlu diingat, pekerjaan Data Scientist nggak selalu tentang membuat AI atau model prediksi. Mereka juga melakukan eksplorasi data dan analisis statistik sebelum menentukan pendekatan yang paling sesuai.
Untuk memahami hubungan Data Science dan Machine Learning lebih jauh, kamu bisa membaca artikel tentang Data Science & Machine Learning.
Setelah memahami pengertian dan tugas keduanya, sekarang kita bandingkan Data Analyst vs Data Scientist dari beberapa aspek.
| Aspek | Data Analyst | Data Scientist |
|---|---|---|
| Fokus utama | Menganalisis data untuk menjawab pertanyaan bisnis | Menggali pola dan mengembangkan model untuk menyelesaikan masalah berbasis data |
| Pertanyaan yang sering dijawab | Apa yang terjadi? Mengapa hal tersebut terjadi? | Pola apa yang bisa ditemukan? Apa yang mungkin terjadi berikutnya? |
| Aktivitas | Data cleaning, analisis, reporting, dan visualisasi | Data exploration, analisis statistik, eksperimen, dan machine learning |
| Skill utama | SQL, Excel, statistik dasar, dan data visualization | Python/R, statistik, matematika, dan machine learning |
| Tools | Excel, SQL, Power BI, Tableau, Looker Studio | Python, R, SQL, Jupyter Notebook, Scikit-learn |
| Hasil pekerjaan | Dashboard, laporan, insight, dan rekomendasi | Model prediksi, hasil eksperimen, dan solusi berbasis model |
Perbandingan ini merupakan gambaran umum. Dalam praktiknya, tanggung jawab kedua profesi bisa saling bersinggungan. Data Analyst juga bisa menggunakan Python untuk analisis, sedangkan Data Scientist tetap perlu melakukan data cleaning dan visualisasi.
IBM menjelaskan bahwa Data Science dan Data Analytics memang berbeda, tetapi keduanya saling berkaitan. Data Scientist juga bisa melakukan analisis data untuk memahami dataset sebelum mengembangkan model machine learning.
Bayangkan sebuah perusahaan e-commerce ingin meningkatkan penjualan produk dalam tiga bulan ke depan. Data Analyst dan Data Scientist bisa terlibat dalam proyek yang sama, tetapi pendekatan mereka berbeda.
Data Analyst akan:
Data Scientist akan:
Dari contoh ini, terlihat bahwa Data Analyst dan Data Scientist bisa menggunakan sumber data yang sama. Perbedaannya terletak pada tujuan pekerjaan, metode yang digunakan, dan output yang dihasilkan.
Kalau kamu tertarik menjadi Data Analyst, ada beberapa kemampuan yang perlu mulai dipelajari. Nggak harus langsung menguasai semuanya, tetapi skill berikut bisa menjadi fondasi untuk memahami pekerjaan sehari-harinya.
SQL digunakan untuk mengambil, mengakses, dan mengelola data yang tersimpan di database. Data Analyst perlu memahami cara mencari data tertentu, menggabungkan beberapa tabel, dan membuat query sesuai kebutuhan analisis.
Spreadsheet masih banyak digunakan untuk mengolah data, melakukan perhitungan, membuat ringkasan, dan menganalisis dataset sederhana.
Beberapa kemampuan yang bisa dipelajari antara lain formula, Pivot Table, data filtering, dan data cleaning.
Statistik membantu Data Analyst memahami angka dan menemukan pola dengan lebih tepat. Materi yang bisa mulai dipelajari antara lain mean, median, persentase, distribusi, dan perbandingan data.
Data yang sudah dianalisis perlu disajikan dalam bentuk yang mudah dipahami. Karena itu, Data Analyst perlu memahami cara memilih grafik, menyusun dashboard, dan menyampaikan informasi secara visual.
Tools yang umum digunakan antara lain Power BI, Tableau, dan Looker Studio.
Kemampuan teknis saja belum cukup. Data Analyst juga perlu memahami konteks bisnis agar bisa menentukan data apa yang perlu dianalisis.
Mereka juga harus bisa menjelaskan hasil analisis kepada orang lain, termasuk stakeholder yang mungkin nggak punya latar belakang teknis.
Kalau ingin mulai mengenal Python untuk analisis data, kamu bisa membaca Tutorial Python untuk Data Science dan Data Analyst.
Dibandingkan Data Analyst, Data Scientist umumnya membutuhkan pemahaman lebih dalam mengenai statistik, matematika, dan pemrograman karena pekerjaannya bisa melibatkan pengembangan model dan eksperimen.
Berikut beberapa skill yang perlu dipelajari.
Python dan R banyak digunakan untuk mengolah data, melakukan analisis statistik, dan membangun model machine learning.
Python punya berbagai library yang mendukung pekerjaan Data Science, seperti Pandas, NumPy, Matplotlib, dan Scikit-learn.
Data Scientist perlu memahami konsep statistik dan matematika untuk membangun serta mengevaluasi model. Beberapa materi yang sering digunakan antara lain probabilitas, distribusi, regresi, aljabar linear, dan pengujian hipotesis.
Machine learning memungkinkan komputer mempelajari pola dari data untuk melakukan klasifikasi, prediksi, atau pengelompokan.
Contoh penerapannya adalah membuat model untuk mendeteksi transaksi yang berpotensi fraud, memperkirakan pelanggan yang akan berhenti menggunakan layanan, atau memberikan rekomendasi produk.
Sebelum membangun model, Data Scientist perlu memastikan data yang digunakan sudah cukup rapi dan relevan. Proses ini mencakup menangani data kosong, duplikat, format yang tidak konsisten, serta menyiapkan fitur yang dibutuhkan.
Data Scientist perlu menerjemahkan masalah menjadi pertanyaan yang bisa dijawab menggunakan data. Mereka juga harus mampu mengevaluasi apakah model yang dibuat benar-benar membantu menyelesaikan masalah, bukan sekadar menghasilkan angka prediksi.
Hasil pemodelan perlu dijelaskan kepada stakeholder agar bisa dipahami dan digunakan. Data Scientist juga perlu memahami konteks industri atau bisnis yang sedang dianalisis supaya model yang dibuat relevan dengan kebutuhan nyata.
Ada beberapa tools yang digunakan oleh kedua profesi ini. Namun, pilihan tools biasanya mengikuti kebutuhan pekerjaan, jenis data, dan sistem yang digunakan perusahaan.
| Kebutuhan | Data Analyst | Data Scientist |
|---|---|---|
| Spreadsheet | Microsoft Excel, Google Sheets | Microsoft Excel, Google Sheets |
| Database dan query | SQL, PostgreSQL, MySQL | SQL, PostgreSQL, MySQL |
| Programming | Python, R | Python, R |
| Data visualization | Power BI, Tableau, Looker Studio | Matplotlib, Seaborn, Tableau |
| Data analysis | Excel, Python, R | Python, R, Jupyter Notebook |
| Machine learning | Bisa menggunakan model yang tersedia sesuai kebutuhan | Scikit-learn, TensorFlow, PyTorch, dan tools terkait |
Ada tools yang bisa digunakan oleh keduanya, seperti SQL, Python, dan berbagai platform visualisasi data. Jadi, jangan menganggap satu tools hanya boleh digunakan oleh satu profesi.
Perbedaannya lebih terletak pada bagaimana tools tersebut digunakan untuk menyelesaikan masalah.
Selain tugas dan skill, gaji juga sering menjadi pertimbangan saat memilih profesi. Namun, perlu diingat bahwa gaji Data Analyst maupun Data Scientist bisa berbeda tergantung pengalaman, lokasi kerja, industri, tanggung jawab, dan ukuran perusahaan.
Berdasarkan data Indeed Indonesia, rata-rata gaji pokok Data Analyst tercatat sekitar Rp6.324.092 per bulan. Angka tersebut didasarkan pada 89 gaji yang diambil dari postingan lowongan di Indeed dalam 36 bulan terakhir dan diperbarui pada 27 Oktober 2026. Indeed juga mencantumkan kisaran sekitar Rp3,33 juta hingga Rp11,99 juta per bulan.
Besaran tersebut bukan berarti semua Data Analyst akan menerima gaji dalam rentang yang sama. Posisi entry-level, mid-level, dan senior bisa memiliki tanggung jawab serta kompensasi yang berbeda.
Sementara itu, data Indeed Indonesia mencatat rata-rata gaji pokok Data Scientist sekitar Rp12.749.006 per bulan. Angka tersebut didasarkan pada 9 gaji yang diambil dari postingan lowongan di Indeed dalam 36 bulan terakhir dan diperbarui pada 6 Oktober 2026.
Jumlah sampel untuk Data Scientist masih relatif kecil, jadi angka rata-rata tersebut perlu dibaca sebagai gambaran indikatif, bukan patokan pasti untuk seluruh pasar kerja.
Berdasarkan snapshot Indeed yang diperiksa pada 13 November 2026, perbandingannya sebagai berikut:
| Profesi | Rata-rata gaji pokok per bulan | Jumlah gaji yang dilaporkan | Update data |
|---|---|---|---|
| Data Analyst | Rp6.324.092 | 89 | 27 Oktober 2026 |
| Data Scientist | Rp12.749.006 | 9 | 6 Oktober 2026 |
Angka tersebut menunjukkan rata-rata yang tercatat pada sumber yang sama, tetapi belum tentu mencerminkan perbandingan yang setara. Jumlah sampel, tingkat pengalaman, lokasi, dan jenis perusahaan yang memasang lowongan bisa berbeda.
Karena itu, jangan langsung menyimpulkan bahwa semua Data Scientist pasti mendapatkan gaji lebih tinggi daripada Data Analyst. Pengalaman, kemampuan teknis, tanggung jawab pekerjaan, dan kebutuhan perusahaan tetap punya pengaruh besar.
Untuk mengecek gambaran kompensasi berdasarkan lowongan yang tersedia, kamu juga bisa membandingkan salary insight Data Analyst di Jobstreet dan Data Scientist di Jobstreet. Jobstreet menjelaskan bahwa wawasan gajinya bersumber dari rentang gaji full-time yang dicantumkan pemberi kerja pada iklan lowongan.
Kedua profesi ini punya peluang di berbagai industri yang menggunakan data untuk mendukung operasional, memahami pelanggan, mengembangkan produk, dan mengambil keputusan.
Perusahaan e-commerce, perbankan, teknologi, kesehatan, telekomunikasi, hingga manufaktur dapat membutuhkan kemampuan analisis dan pengelolaan data. Namun, jenis posisi serta kebutuhan skill akan berbeda di setiap perusahaan.
Skill Data Analyst dapat digunakan di berbagai bagian perusahaan. Beberapa posisi yang berkaitan dengan kemampuan ini antara lain:
Selain bekerja di perusahaan teknologi, Data Analyst juga dibutuhkan oleh perusahaan di sektor keuangan, retail, manufaktur, dan industri lainnya.
Data Scientist dapat mengembangkan karir di bidang yang membutuhkan analisis statistik, pemodelan, dan machine learning. Beberapa posisi yang berkaitan dengan bidang ini antara lain:
Nama posisi dan tanggung jawabnya bisa berbeda tergantung struktur perusahaan. Ada perusahaan yang menggabungkan beberapa tanggung jawab dalam satu posisi, sementara perusahaan lain memiliki pembagian tim yang lebih spesifik.
Setelah melihat perbedaan tugas, skill, dan gajinya, mungkin kamu masih bertanya: sebenarnya harus memilih yang mana?
Coba lihat jenis pekerjaan yang paling menarik buat kamu.
Namun, kamu nggak harus sudah punya semua kemampuan tersebut sejak awal. Skill teknis bisa dipelajari secara bertahap. Hal yang lebih penting adalah memahami jenis pekerjaan yang ingin kamu tekuni dan mau mengembangkan kemampuan yang dibutuhkan.
Satu hal lagi: Data Analyst bukan sekadar tahap sebelum menjadi Data Scientist. Keduanya merupakan jalur profesi yang punya fokus dan kontribusi berbeda. Kamu juga nggak wajib menjadi Data Analyst lebih dulu untuk belajar Data Science.
Selain Data Analyst dan Data Scientist, ada profesi lain yang juga penting dalam ekosistem data, yaitu Data Engineer.
Data Engineer bertanggung jawab membangun dan mengelola sistem serta alur data agar bisa digunakan oleh tim lain. Sementara Data Analyst berfokus pada analisis dan Data Scientist mengembangkan model, Data Engineer menyiapkan fondasi data yang mendukung pekerjaan keduanya.
Kalau kamu tertarik dengan pekerjaan yang lebih dekat dengan database, programming, dan data pipeline, kamu bisa membaca artikel Data Engineering dan peran Data Engineer.
Sudah punya gambaran ingin menjadi Data Analyst atau Data Scientist? Sekarang waktunya mulai menyiapkan skill yang dibutuhkan.
Sebelum masuk ke tools yang lebih teknis, pahami dulu apa itu data, bagaimana data dikumpulkan, dan bagaimana data bisa digunakan untuk mengambil keputusan.
Kamu bisa mulai dengan membaca artikel tentang Data dan Informasi sebagai pengantar untuk mengenal dasar pengelolaan data.
Kalau ingin menjadi Data Analyst, mulai dengan SQL, Excel, statistik dasar, dan data visualization.
Kalau ingin menjadi Data Scientist, kamu bisa mulai memperkuat Python, statistik, matematika, dan konsep machine learning.
Nggak perlu mempelajari semuanya sekaligus. Buat urutan belajar yang realistis dan sesuaikan dengan jalur yang ingin kamu tekuni.
Jangan hanya belajar teori. Coba gunakan dataset sederhana untuk membuat proyek analisis atau pemodelan.
Misalnya, kamu bisa menggunakan data penjualan untuk mencari produk paling laku, membuat dashboard, atau mencoba memprediksi penjualan berdasarkan data historis.
Portfolio membantu menunjukkan bagaimana kamu menggunakan skill untuk menyelesaikan sebuah masalah.
Untuk Data Analyst, portfolio bisa berupa dashboard, laporan analisis, dan rekomendasi berdasarkan data.
Untuk Data Scientist, portfolio bisa berisi proyek eksplorasi data, eksperimen statistik, atau model machine learning beserta proses evaluasinya.
Belajar mandiri bisa menjadi langkah awal. Namun, kalau kamu membutuhkan roadmap yang lebih terarah, latihan praktis, dan pendampingan, program pembelajaran terstruktur bisa menjadi salah satu pilihan.
Purwadhika memiliki dua jalur Job Connector yang bisa kamu eksplorasi sesuai tujuan belajar:
Sebelum memilih, cek kembali kurikulum, metode belajar, jadwal, dan ketersediaan program agar sesuai dengan tujuan karirmu.
Data Analyst berfokus pada pengolahan dan analisis data untuk menjawab pertanyaan bisnis serta menghasilkan insight. Data Scientist menggunakan statistik, pemrograman, dan machine learning untuk menemukan pola yang lebih kompleks serta mengembangkan model.
Data Analyst adalah pekerjaan yang berfokus pada pengumpulan, pengolahan, dan analisis data untuk membantu perusahaan memahami kondisi bisnis. Output pekerjaannya bisa berupa laporan, dashboard, visualisasi, insight, dan rekomendasi.
Data Scientist adalah pekerjaan yang menggabungkan statistik, matematika, pemrograman, dan machine learning untuk menganalisis data, menemukan pola, melakukan eksperimen, serta mengembangkan model prediksi.
Berdasarkan data Indeed yang diperbarui pada 27 Oktober 2026, rata-rata gaji pokok Data Analyst di Indonesia tercatat sekitar Rp6.324.092 per bulan dari 89 gaji yang dilaporkan. Angka ini dapat berubah tergantung pengalaman, lokasi, industri, dan perusahaan.
Berdasarkan data Indeed yang diperbarui pada 6 Oktober 2026, rata-rata gaji pokok Data Scientist di Indonesia tercatat sekitar Rp12.749.006 per bulan dari 9 gaji yang dilaporkan. Karena jumlah sampelnya terbatas, angka ini sebaiknya digunakan sebagai gambaran awal, bukan patokan pasti.
Kemampuan coding tidak selalu menjadi syarat yang sama untuk setiap posisi Data Analyst. Namun, SQL sangat berguna untuk mengakses database, sedangkan Python atau R bisa membantu proses analisis yang lebih kompleks. Kemampuan menggunakan spreadsheet dan tools visualisasi juga penting.
Ya, pemahaman matematika dan statistik penting untuk pekerjaan Data Scientist, terutama ketika membangun dan mengevaluasi model machine learning. Beberapa konsep yang perlu dipahami antara lain probabilitas, statistik, aljabar linear, dan dasar kalkulus.
Bisa. Pengalaman sebagai Data Analyst dapat menjadi bekal untuk memahami data, melakukan eksplorasi, dan menyelesaikan masalah berbasis data. Namun, untuk beralih ke Data Scientist, kamu perlu memperkuat kemampuan statistik, pemrograman, dan machine learning.
Keduanya bisa dipelajari oleh pemula. Data Analyst bisa menjadi pilihan awal bagi orang yang tertarik pada analisis, laporan, dan insight bisnis. Data Science bisa dipilih oleh mereka yang tertarik pada statistik, pemrograman, eksperimen, dan machine learning. Pilihan terbaik bergantung pada minat serta kesiapan untuk mempelajari skill yang dibutuhkan.
Beberapa tools yang digunakan memang sama, seperti SQL, Python, R, dan tools visualisasi data. Namun, penggunaannya bisa berbeda. Data Analyst lebih sering menggunakan tools untuk analisis dan reporting, sedangkan Data Scientist juga menggunakan tools untuk pemodelan statistik dan machine learning.
bagikan
ARTIKEL TERKAIT