Pain Experience dalam Membuat Portofolio Data Science

Dalam membuat portofolio data science memang tidaklah mudah. Seorang calon praktisi data tentunya membutuhkan ketangkasan, ketekunan, dan ketelitian yang tinggi dalam memasukkan setiap unsur pada portofolio data science.

Tidak jarang jika mereka selalu mengalami kesulitan di tengah-tengah pembuatan portofolio. Mulai dari kehabisan ide dalam mengaplikasikan portofolio, alur penyampaian yang jelas dan lugas, alat analisis yang digunakan selaras dengan tujuan dan permasalahan yang ingin diselesaikan, dan masih banyak lagi problem yang lain.

Terkadang dalam proses pengerjaan dokumen tersebut memunculkan pain experience atau kesulitan dalam menghadapi kasus-kasus yang ingin dipecahkan pada portofolio data science.

Pada konteks portofolio data science, pain experience mengacu pada tantangan yang dihadapi oleh seorang calon praktisi data dalam proses penyusunan. Mereka rentan menghadapi kesulitan dalam mengembangkan portofolio yang nantinya dijadikan sebagai dokumen pendukung dalam proses lamaran kerja.

Memang hal ini terbilang lumrah dan wajar terjadi, terkhusus pemula yang sama sekali nol banget soal ilmu data. Tidak semua jalan yang mereka lalui mulus-mulus saja sahabat. Pasti akan ada aja lika-likunya.

Terus pain experience apa saja sih yang rentan dialami oleh pemula ketika membuat portofolio data science? Beberapa contoh "pain experience" dalam pembuatan portofolio data science yang bisa kamu simak lewat postingan ini!

1. Kesulitan Memilih Proyek yang Tepat

Memilih proyek data science yang relevan dan menarik merupakan tantangan tersendiri ketika ingin membuat portofolio.

Pasalnya mereka juga bingung tentang materi apa yang ingin mereka tunjukkan dan proyek apa yang mereka ingin tampilkan untuk menunjukkan sederetan kemampuan kepada HRD yang ingin merekrut kamu sebagai calon karyawannya.

Memilih topik proyek memang tidak segampang itu sahabat DQ. Butuh pendalaman lebih dan kita tidak boleh asal memilih topik kalau tidak menguasainya dengan baik.

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

2. Kurangnya Sumber Data yang Berkualitas

Faktor eksternal yang sulit dibendung adalah kekurangan sumber data yang berdampak pada tidak maksimalnya seorang pemula dalam menyusun portofolio data science mereka.

Sumber data yang tidak lengkap, kurang kredibel, dan tidak berkualitas menjadi sebuah tantangan yang menyulitkan mereka dalam menyusun portofolio data science yang outstanding.

Sumber Gambar: ResearchGate

3. Tantangan dalam Membuat Visualisasi dan Komunikasi

Ketika kita membuat suatu portofolio, salah satu hambatan terbesar bagi seorang pemula adalah membuat visualisasi yang tepat bagi orang awam yang tidak paham tentang data.

Menyusun hasil analisis yang murni dengan perhitungan statistik membuat orang awam tidak paham dengan maksud yang ingin kamu sampaikan.

Hal ini tentunya menjadi tantangan tersendiri terlebih bagi kamu yang kurang memiliki kemampuan teknis soal visualisasi data sehingga kurang bisa mengomunikasikan hasil temuannya dengan baik.

Sumber Gambar: Powerslide

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

4. Ketakutan dalam Menerima Feedback Negatif

Ketakutan dalam menerima umpan balik negatif adalah salah satu aspek yang umumnya dialami oleh banyak orang ketika mereka merasa telah menghadapi kesulitan atau "pain experience" dalam menyusun portofolio data science.

Ketakutan ini bisa sangat merugikan, karena bisa menghambat keinginan kamu untuk memperbaiki dan menampilkan portofolio terbaik di hadapan HRD. Namun, penting untuk diingat bahwa umpan balik negatif sebenarnya dapat menjadi peluang yang besar karena portofolio yang baik bermula dari feedback negatif dan kritikan yang mereka terima.

Membuat portofolio data science memang tidak semudah yang dibayangkan. Mungkin kalian membayangkan portofolio data science itu mudah kelihatannya, namun jika tidak menaruh konsentrasi yang tinggi akan hilang fokus dan justru tidak maksimal dalam proses pengerjaannya.

Namun, jangan khawatir kawan. Semakin banyak pain experience yang kamu terima membuat kamu jadi makin banyak bekal dalam membangun portofolio yang outstanding.

Kalau kamu ingin mengejar karir sebagai praktisi data, kalian perlu mempersiapkan diri nih! Semua materi bisa kalian pelajari di DQLab.

Modul ajarnya lengkap dan bervariasi. Bahkan diintegrasikan dengan ChatGPT. Manfaatnya apa?

• Membantu kalian menjelaskan lebih detail code yang sedang dipelajari

• Membantu menemukan coding yang salah atau tidak sesuai

• Memberikan solusi atas problem yang dihadapi pada code

• Membantu kalian belajar kapanpun dan dimanapun

Selain itu, DQLab juga menggunakan live code editor dan metode HERO yaitu Hands-On, Experiential Learning & Outcome-based, yang dirancang ramah untuk pemula. Tunggu apa lagi, segera Sign Up dan siapkan diri untuk berkarir di industri impian kalian! 

Penulis: Reyvan Maulid