Memasuki 2027, AI Bisa Nulis SQL. Terus Orang Data Kerjanya Ngapain?

AI sekarang bisa membantu menulis query SQL, menjelaskan kode, dan memperbaiki error. Contohnya, Gemini di BigQuery dapat menghasilkan query berdasarkan instruksi dalam bahasa sehari-hari, lalu membantu menjelaskan atau memperbaiki kode tersebut. Tapi, query yang berhasil dibuat belum tentu menjawab pertanyaan bisnis dengan benar. Profesional data tetap perlu memahami struktur data, memeriksa hasil analisis, dan menerjemahkan temuan menjadi insight yang berguna. Jadi, ketika AI mengambil alih sebagian tugas teknis, yang perlu dikembangkan bukan cuma kemampuan menggunakan tools, tetapi juga cara memahami masalah dan mengevaluasi hasilnya.

Kalau AI Sudah Bisa Menulis SQL, Apa yang Masih Dikerjakan Data Analyst?

Bayangkan tim marketing ingin mengetahui produk mana yang paling banyak menghasilkan penjualan selama tiga bulan terakhir.

AI bisa membantu membuat query SQL untuk mengambil data transaksi, mengelompokkan produk, dan menghitung total penjualan. Proses yang sebelumnya perlu ditulis secara manual bisa menjadi lebih cepat.

Namun, ada beberapa hal yang harus dipastikan sebelum hasilnya digunakan.

Apakah periode yang dipilih sudah benar? Apakah pembatalan transaksi sudah dikeluarkan dari perhitungan? Apakah data dari tabel yang berbeda digabungkan dengan tepat? Apakah istilah "penjualan" yang digunakan sesuai dengan definisi metrik perusahaan?

Kalau hal-hal tersebut salah, query bisa tetap berjalan tanpa menghasilkan jawaban yang benar-benar dibutuhkan.

Menurut dokumentasi resmi Google Cloud, Gemini di BigQuery dapat membantu menghasilkan, menjelaskan, melengkapi, dan memperbaiki query SQL. Namun, Google juga mengingatkan bahwa output AI bisa terlihat masuk akal meskipun faktanya keliru. Karena itu, hasilnya perlu divalidasi sebelum digunakan.

Di sinilah peran Data Analyst tetap penting. Bukan hanya menulis query, tetapi memastikan bahwa data yang digunakan, cara menghitungnya, dan kesimpulannya sesuai dengan pertanyaan yang ingin dijawab.

Bagian Mana dari Pekerjaan Data yang Bisa Dibantu AI?

AI bisa membantu beberapa tahap pekerjaan data, terutama ketika tugasnya cukup terstruktur dan instruksinya jelas.

Contohnya, AI dapat membantu:

• Membuat draft query SQL berdasarkan instruksi.
• Menjelaskan fungsi query yang belum dipahami.
• Menyarankan perbaikan saat kode menghasilkan error.
• Membantu membuat draft kode untuk proses pengolahan data.
• Menyusun ringkasan awal dari hasil analisis.

Kemampuan ini bisa menghemat waktu. Namun, seberapa besar manfaatnya bergantung pada kompleksitas tugas, kualitas data, kejelasan instruksi, dan kemampuan pengguna dalam memeriksa hasil.

Survei Stack Overflow Developer Survey 2025 menemukan bahwa 84% responden menggunakan atau berencana menggunakan AI tools dalam proses development mereka. Di antara responden yang menjawab pertanyaan tentang pengalaman menggunakan AI, 66% menyebut hasil yang hampir benar tetapi masih perlu diperbaiki sebagai salah satu masalah utama. Temuan ini berasal dari survei komunitas developer, bukan khusus Data Analyst, tetapi memperlihatkan pentingnya memeriksa hasil kerja AI.

Artinya, AI bisa membantu mempercepat beberapa langkah, tetapi hasil akhir tetap perlu diperiksa. Menggunakan AI bukan berarti kamu bisa melewati pemahaman dasar yang dibutuhkan untuk menilai kualitas pekerjaan.

Skill Apa yang Tetap Perlu Dikuasai Data Analyst di Era AI?

Kalau AI bisa membantu menulis query, apakah belajar SQL masih diperlukan?

Masih. Bahkan, memahami dasar teknis bisa membantu kamu menilai apakah hasil yang diberikan AI sudah tepat.

Selain SQL, ada beberapa kemampuan yang penting untuk dikembangkan.

1. Memahami Pertanyaan Bisnis Sebelum Mengambil Data

Sebelum menulis query, kamu perlu tahu apa yang ingin dijawab.

Misalnya, saat perusahaan bertanya mengapa penjualan turun, kamu perlu memperjelas metrik yang dimaksud, periode yang ingin dibandingkan, dan faktor yang mungkin perlu diperiksa.

Penurunan jumlah transaksi berbeda dengan penurunan nilai transaksi rata-rata. Keduanya mungkin membutuhkan pendekatan analisis yang berbeda.

AI bisa membantu mengolah instruksi menjadi query, tetapi kamu tetap perlu memastikan bahwa pertanyaan awalnya sudah cukup jelas.

2. Memeriksa Kualitas dan Struktur Data

Analisis yang baik membutuhkan data yang sesuai dengan tujuan.

Kamu perlu memahami tabel yang digunakan, definisi kolom, hubungan antar-tabel, serta kemungkinan data duplikat, nilai kosong, atau transaksi yang belum lengkap.

Misalnya, AI membuat query yang menggabungkan dua tabel transaksi. Kalau hubungan antar-tabel tidak dipahami dengan benar, hasil penggabungan bisa membuat jumlah transaksi terhitung lebih dari sekali.

Karena itu, pemahaman struktur database dan data quality tetap penting. Kamu perlu mengetahui data mana yang digunakan dan bagaimana data tersebut memengaruhi hasil akhir.

3. Memvalidasi Query dan Hasil Analisis

Jangan langsung percaya pada query yang dihasilkan AI hanya karena kodenya terlihat rapi.

Periksa logikanya, jalankan pengujian, dan bandingkan hasilnya dengan perhitungan atau sumber data yang relevan.

Misalnya, jika AI memberikan hasil bahwa penjualan meningkat 40%, periksa apakah periode pembandingnya tepat, apakah definisi penjualannya konsisten, dan apakah angka tersebut sesuai dengan data sumber.

Validasi membantu mencegah keputusan bisnis dibuat berdasarkan hasil yang keliru.

4. Mengubah Angka Menjadi Insight yang Bisa Digunakan

Tugas Data Analyst nggak berhenti setelah query berhasil dijalankan.

Setelah mendapatkan hasil, kamu perlu menjelaskan apa arti temuan tersebut dan bagaimana kaitannya dengan kebutuhan bisnis.

Misalnya, data menunjukkan bahwa penjualan turun terutama pada satu kategori produk. Informasi tersebut bisa menjadi titik awal untuk memeriksa stok, harga, performa kampanye, atau perilaku pelanggan.

Namun, jangan langsung menyimpulkan penyebabnya tanpa bukti yang cukup. Bedakan antara temuan yang terlihat di data, dugaan penyebab, dan rekomendasi yang masih perlu diuji.

Kemampuan menjelaskan hasil analisis dengan jelas membantu tim lain memahami apa yang ditemukan dan keputusan apa yang layak dipertimbangkan.

5. Menggunakan AI Tanpa Kehilangan Pemahaman

AI bisa menjadi alat bantu untuk mengeksplorasi alternatif, mempercepat pekerjaan berulang, dan memahami konsep yang belum dikuasai.

Tetapi, hindari hanya menyalin kode tanpa memahami cara kerjanya. Kalau query menghasilkan error atau output yang tidak sesuai, kamu perlu tahu bagian mana yang harus diperiksa.

Kamu juga perlu menjaga keamanan data. Jangan memasukkan data internal atau informasi sensitif ke tools AI tanpa memastikan penggunaannya sesuai kebijakan perusahaan.

Tujuannya bukan mengerjakan semuanya secara manual. Tujuannya adalah menggunakan AI dengan cara yang tetap bisa kamu pertanggungjawabkan.

Bagaimana AI Mengubah Cara Orang Data Bekerja?

Ketika AI mengambil alih sebagian pekerjaan teknis, proses kerja profesional data bisa berubah.

Alih-alih menghabiskan seluruh waktu untuk menulis query dari awal, mereka bisa menggunakan bantuan AI untuk membuat draft, lalu memusatkan perhatian pada pemeriksaan hasil, memahami konteks, dan menjawab pertanyaan bisnis yang lebih spesifik.

Namun, perubahan ini nggak terjadi dengan cara yang sama di setiap perusahaan. Tools, kualitas data, proses kerja, dan tingkat kompleksitas analisis menentukan bagian mana yang bisa dibantu AI.

Peran manusia juga bukan berarti selalu berada di tahap strategi aja. Profesional data masih perlu mengerjakan hal teknis, memahami detail implementasi, dan memecahkan masalah ketika hasil analisis tidak sesuai harapan.

Yang berubah adalah cara menggunakan waktu dan tools untuk menghasilkan pekerjaan yang lebih berguna.

Apakah Belajar Data Masih Relevan Saat AI Bisa Menulis SQL?

Masih, terutama kalau kamu ingin memahami cara kerja data dan bagaimana data digunakan untuk mengambil keputusan.

AI dapat membantu proses belajar dengan menjelaskan query, memberikan contoh kode, atau membantu menelusuri error. Namun, kamu tetap perlu memahami dasar SQL, struktur database, logika analisis, serta cara memeriksa hasil.

Kalau kamu baru mulai, cobalah membuat query sederhana dari dataset yang mudah dipahami. Setelah itu, gunakan AI untuk membandingkan solusi, meminta penjelasan, atau mencari pendekatan alternatif.

Jangan hanya mengecek apakah query berhasil dijalankan. Pastikan juga hasilnya menjawab pertanyaan awal dan angka yang dihasilkan masuk akal.

Baca Juga: Prospek Karir Data Analyst dan Big Data Specialist hingga 2030

Untuk kamu yang ingin belajar lebih terstruktur, Job Connector Bootcamp Data Science & Machine Learning Purwadhika bisa menjadi salah satu opsi yang dipertimbangkan. Cek kurikulum, metode belajar, proyek praktik, dan dukungan karirnya untuk memastikan program sesuai dengan tujuanmu.

Jadi, Orang Data Masih Perlu Belajar SQL di Era AI?

Iya. Namun, tujuannya bukan cuma agar kamu bisa menulis query dengan cepat.

SQL tetap menjadi fondasi untuk memahami bagaimana data diambil dan diolah. AI bisa membantu membuat query, tetapi kamu masih perlu menilai apakah kode tersebut tepat, apakah data yang digunakan sesuai, dan apakah hasilnya benar-benar menjawab masalah.

Semakin mudah kode dihasilkan, semakin penting kemampuan untuk memahami apa yang sedang dikerjakan dan memastikan hasilnya bisa dipercaya.

Jadi, jangan hanya belajar cara meminta AI menulis SQL. Pelajari juga bagaimana membaca, menguji, dan memperbaiki hasilnya.

Karena query yang berhasil dijalankan belum tentu menghasilkan jawaban yang benar.

FAQ

Apakah AI Akan Menggantikan Data Analyst?

AI dapat membantu mengotomatisasi sebagian tugas, seperti membuat query atau merangkum hasil analisis. Namun, pekerjaan Data Analyst juga membutuhkan pemahaman kebutuhan bisnis, validasi data, evaluasi hasil, dan komunikasi insight. Dampaknya bergantung pada jenis tugas serta cara perusahaan menggunakan AI.

Apakah SQL Masih Perlu Dipelajari Jika Sudah Ada AI?

Ya. Memahami SQL membantu kamu mengetahui bagaimana data diambil dan diolah, sekaligus memeriksa apakah query yang dihasilkan AI sesuai dengan kebutuhan. Kamu nggak harus selalu menulis semua kode dari awal, tetapi tetap perlu memahami logikanya.

Apakah Pemula Bisa Belajar SQL Menggunakan AI?

Bisa. AI dapat membantu menjelaskan sintaks, memberikan contoh query, dan membantu memahami error. Namun, tetap latih kemampuan menulis dan membaca query sendiri agar kamu memahami prosesnya.

Skill Apa yang Paling Penting bagi Data Analyst di Era AI?

Skill yang relevan meliputi SQL, pemahaman database, data quality, analytical thinking, data visualization, komunikasi, dan kemampuan mengevaluasi output AI. Prioritasnya bergantung pada pekerjaan serta industri yang ingin dituju.

Bagaimana Cara Memastikan Query SQL Hasil AI Benar?

Periksa struktur tabel, kondisi filter, logika join, agregasi, dan definisi metrik. Jalankan query, uji dengan contoh yang diketahui, dan bandingkan hasilnya dengan sumber data yang relevan sebelum menggunakannya untuk mengambil keputusan.