Mudah! Ini Tutorial Portfolio Data Science di GitHub

GitHub, sebagai platform hosting code yang populer, menjadi pilihan utama bagi banyak praktisi data untuk memamerkan keterampilan dan proyek di bidang data science. Melalui portofolio di GitHub, kalian bisa menunjukkan keahlian dalam analisis data, pemrograman, dan visualisasi data kepada recruiter.

Tapi mungkin kalian masih awam dengan platform tersebut? Nah, pada artikel ini akan dibahas langkah-langkah mudah untuk membuat portofolio Data Science di GitHub, mulai dari membuat akun hingga mendokumentasikan proyek dengan jelas dan padat.

1. Persiapan Awal Buat Akun GitHub

Langkah pertama untuk membuat portofolio Data Science di GitHub adalah dengan membuat akun GitHub. Jika kalian belum memiliki akun, kunjungi GitHub dan klik tombol "Sign up". Isi informasi yang diminta seperti nama pengguna, email, dan kata sandi. Setelah mendaftar, kalian akan menerima email konfirmasi untuk memverifikasi akun. Setelah verifikasi, kalian bisa langsung login ke akun GitHub. Memiliki akun GitHub adalah langkah penting karena ini akan menjadi tempat menyimpan proyek-proyek Data Science kalian yang dapat diakses oleh publik, termasuk recruiter.

2. Menambahkan Proyek Data Science

Setelah memiliki akun GitHub, langkah selanjutnya adalah menambahkan proyek Data Science ke dalam repositori GitHub. Mulailah dengan membuat repositori baru dengan mengklik tombol "New" di halaman utama GitHub. Berikan nama yang deskriptif untuk repositori agar mudah dikenali, misalnya "Proyek-Analisis-Data". Sertakan juga deskripsi singkat tentang proyek tersebut.

Kalian dapat memilih untuk membuat repositori ini publik atau privat, namun sebaiknya buatlah publik agar bisa diakses oleh siapa saja yang ingin melihat portofolio kalian. Menambahkan proyek ke dalam repositori GitHub adalah cara yang efektif untuk mendokumentasikan pekerjaan dan menunjukkan keterampilan kalian dalam Data Science.

Baca juga: Data Science Adalah: Yuk Kenali Lebih Jauh Tentang Data Science

3. Mengunggah Code dan Dataset

Setelah membuat repositori, langkah berikutnya adalah mengunggah code dan dataset yang digunakan dalam proyek Data Science. Kalian bisa melakukannya dengan mengklik tombol "Upload files" di dalam repositori baru. Pilih file kode seperti file Python (.py) atau Jupyter Notebook (.ipynb), serta dataset yang relevan dalam format seperti CSV atau Excel.

Pastikan untuk menyusun folder dan file dengan rapi agar mudah dipahami oleh orang lain yang melihat proyek kalian. Mengunggah code dan dataset ke GitHub tidak hanya memudahkan kalian untuk berbagi proyek dengan orang lain, tetapi juga memberikan bukti konkret atas keterampilan teknis yang kalian miliki.

4. Menyertakan Visualisasi dan Hasil Analisis

Visualisasi dan hasil analisis adalah bagian penting dari proyek Data Science yang dapat menunjukkan keahlian kalian dalam mengolah dan memahami data. Untuk menyertakan visualisasi dan hasil analisis, kalian bisa menggunakan berbagai tools dan library seperti Matplotlib, Seaborn, atau Plotly dalam Jupyter Notebook.

Setelah membuat visualisasi, pastikan menyimpannya sebagai gambar atau menyematkannya langsung dalam Jupyter Notebook. Selain itu, sertakan juga interpretasi dari hasil analisis yang kalian lakukan. Menyertakan visualisasi dan hasil analisis yang menarik dan informatif dalam proyek akan membuat portofolio kalian lebih menonjol dan menunjukkan kalian mampu mengkomunikasikan insight data secara efektif.

5. Membuat Dokumentasi yang Jelas dan Padat

Dokumentasi yang jelas dan padat adalah kunci untuk membuat portofolio Data Science yang profesional dan mudah dipahami. Mulailah dengan menulis file README.md di dalam repositori. Dalam README, jelaskan tujuan proyek, langkah-langkah yang dilakukan, serta hasil yang kalian dapatkan. Jelaskan juga bagaimana cara menjalankan code yang kalian unggah, termasuk persyaratan perangkat lunak dan library yang dibutuhkan.

Gunakan format markdown untuk membuat dokumentasi kalian menjadi lebih menarik dan terstruktur dengan baik. Dokumentasi yang baik tidak hanya membantu orang lain memahami proyek yang kalian buat, tetapi juga menunjukkan kemampuan kalian dalam menyusun dan menyampaikan informasi secara efektif.

Baca juga: 3 Contoh Penerapan Data Science yang Sangat Berguna di Dunia Perindustrian

Dari pembahasan di atas bisa disimpulkan tentunya untuk membangun portfolio yang menarik, SahabatDQ juga perlu eksplorasi dalam berbagai kondisi dataset. Nah, DQLab dapat dijadikan acuan untuk eksplorasi beragam studi kasus, nih. Tidak hanya itu, kalau kalian ingin memperkuat tools lain di bidang data science kalian juga akan bisa mengakses modul pembelajaran lainnya.

Bahkan modul ini sudah terintegrasi dengan ChatGPT loh! Sehingga sangat bermanfaat diantaranya:

• Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

• Membantu menemukan code yang salah atau tidak sesuai

• Memberikan solusi atas problem yang dihadapi pada code

• Membantu kalian belajar kapanpun dan dimanapun

  
  

Selain itu, DQLab juga menggunakan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera Sign Up dan percantik portfolio kalian sekarang juga!