Rekomendasi Project Portfolio Data Scientist Menawan

Ilmu data science merupakan ilmu yang terus berkembang dan memiliki banyak peran dalam menyelesaikan permasalahan di berbagai bidang kehidupan. Inilah alasan mengapa semakin banyak orang yang berminat mendalami ilmu data science. Namun, jika berkaitan dengan keahlian, terutama kebutuhan dalam suatu pekerjaan, seorang data scientist perlu menunjukkan kemampuannya. Sahabat DQ perlu terlihat cakap di bidang tersebut agar mendapatkan kesempatan untuk menyelesaikan permasalahan yang lebih kompleks. Portfolio adalah salah satu cara Sahabat DQ menunjukkan kemampuan di bidang data science.

Kebanyakan data scientist menyadari pentingnya portfolio. Sayangnya, hanya sedikit yang membuat portfolio terlihat berkesan. Jika portfolio yang Sahabat DQ buat terlalu umum dan biasa saja, tidak memuat projek yang menarik, tidak kaya akan informasi, bahkan tidak memberikan solusi atas permasalahan yang ada, tentu sulit bagi pembaca bahkan rekruter untuk terkesan dengan kemampuan kalian. Nah, artikel kali ini bertujuan untuk membantu Sahabat DQ memiliki portfolio yang mampu menunjukkan keahlian kalian semua. 

1. Mengapa Harus Memiliki Portfolio yang Baik?

Sebagai seseorang yang sedang belajar data science, portfolio jelas sangat penting untuk Sahabat DQ perhatikan karena akan membantu kalian mendapatkan pekerjaan. Portfolio menggambarkan kemampuan Sahabat DQ secara menyeluruh. Oleh karena itu, penting bagi pemula untuk memberikan kemampuan terbaik dalam membangun portfolio. 

Portfolio data scientist tidak hanya menunjukkan kemampuan Sahabat DQ dalam menuliskan coding. Projek berdasarkan dunia nyata justru akan memperlihatkan kemampuan kalian di aspek lainnya yaitu memahami permasalahan, kemampuan mengomunikasikan hasil analisis, dan kemampuan kalian mengemas informasi agar mudah dipahami bahkan bagi orang awam.  Di bawah ini contoh portfolio yang baik yang bisa Sahabat DQ jadikan inspirasi.

Baca juga : Mengenal Profesi Data Scientist

2. Portfolio Exploratory Data Analysis and Visualization (EDA)

Exploratory Data Anaylisis (EDA) adalah salah satu proses dalam data science. Pada tahap ini kalian akan mengeksplorasi data sebelum menuju pada tahap yang lebih kompleks seperti future engineering dan modeling. EDA memungkinkan Sahabat DQ memahami isi data secara keseluruhan seperti distribusi, korelasi, atau frekuensi dari data tersebut. Oleh karena itu, rasa ingin tahu perlu dibangun pada tahap ini. Pada umumnya pada tahap EDA ada beberapa hal yang dilakukan yaitu:

• Analisis deskriptif dengan satu variabel (Univariat analysis)

• Analisis relasi dengan dua variabel yang biasanya dengan target variabel (Bivariat analysis)

• Analisis yang menggunakan lebih dari atau sama dengan tiga variabel (Multivariat analysis)

Portfolio projek yang bisa Sahabat DQ buat pada tahap ini cukup beragam. Beberapa contoh portfolio tersebut yaitu:

• Portfolio Analisis Pesan Pada WhatsApp

• Portfolio Pola Pencarian Kata Pada Browser

• Portfolio Analisis Alasan Masyarakat Memilih Melanjutkan Kuliah

  
  

3. Portfolio Machine Learning Pada Data Terstruktur

Jika pada portfolio EDA, kalian lebih berfokus pada analisis isi data dan mengemasnya menjadi informasi dalam bentuk visual, maka berbeda dengan portfolio machine learning. Pada portfolio ini Sahabat DQ lebih berfokus pada pemodelan data sehingga bisa digunakan untuk pengambilan keputusan di masa depan. Biasanya portfolio yang berfokus pada machine learning perlu memastikan apakah data yang dimiliki dapat diselesaikan dengan supervised algoritma, atau unsupervised algoritma. 

Portfolio projek yang bisa Sahabat DQ buat pada tahap ini cukup beragam. Beberapa contoh portfolio tersebut yaitu:

• Portfolio Prediksi Harga Kebutuhan Pokok

• Portfolio Pembuatan Rekomendasi Musik

• Portfolio Klasifikasi Spesies Tumbuhan

  
  

Baca juga : Yuk Kenal Role Data Scientist, Profesi Menarik Dengan Gaji Besar

4. Portfolio Deep Learning Pada Data Tidak Terstruktur

Jika machine learning mampu memodelkan data yang terstruktur, maka deep learning adalah metode untuk memodelkan data tidak terstruktur. Apa itu data tidak terstruktur? Data yang tidak dapat kita tempatkan secara rapi dalam suatu format. Misalnya, audio, gambar, teks, tidak bisa ditempatkan pada database dengan format tertentu, seperti pada baris atau kolom. Penggunaan deep learning tentunya membutuhkan pemahaman yang lebih mendalam dibandingkan menyelesaikan permasalahan dengan EDA atau machine learning. Berikut contoh portfolio deep learning yang bisa menjadi inspirasi Sahabat DQ nantinya.

• Portfolio Pengenalan Wajah di Bandara

• Portfolio Pemindah Suara Menjadi Teks

• Portfolio Mesin Otomatis Pembersih Ruangan

  
  

5. Mulai Bangun Portfoliomu di DQLab!

Bagaimana Sahabat DQ, apakah sudah mulai ada gambaran mengapa portfolio penting untuk seorang data scientist? Nah, jika kalian masih bingung harus mulai dari mana untuk membangun portfolio, DQLab adalah platform yang tepat untuk kalian terutama para pemula. Jika kalian penasaran dengan data science dan ingin belajar data science secara langsung, caranya mudah, loh. 

Sahabat DQ bisa untuk mulai coba dengan membuat akun gratisnya di sini di DQLab.id dan lakukan signup untuk dapatkan info-info terbaru serta belajar data science. Nikmati pengalaman belajar data science yang menarik dan coba berlangganan bersama DQLab yang seru dan menyenangkan dengan live code editor. Tersedia juga berbagai macam modul-modul yang terupdate mulai dari gratis hingga platinum. Yuk, segera daftarkan diri kalian!

Penulis : Dita Feby 

Editor : Annissa Widya