PROMO PUNCAK LEBARAN DISKON 99%
Belajar Data Science 6 Bulan BERSERTIFIKAT hanya Rp 99K!

1 Hari 6 Jam 17 Menit 38 Detik

Tips Mudah Buat Portfolio Data Science di Linkedin

Belajar Data Science di Rumah 22-Agustus-2023
https://dqlab.id/files/dqlab/cache/kv-2-banner-longtail-selasa-05-2-2023-08-22-203828_x_Thumbnail800.jpg

Dengan meningkatnya permintaan untuk ahli data science, tentu persaingan kerja juga semakin ketat. Jadi bagaimana caranya untuk bisa menunjukkan keahlian kepada recruiter? Salah satunya dengan aktif mempublikasikan portfolio yang kalian buat. Sosial media bisa menjadi alat yang paling ampuh terutama Linkedin. Sosial media satu ini menjadi platform profesional sehingga lebih mudah bagi recruiter untuk melihat kemampuan kalian.


Di artikel ini, kita akan bahas langkah demi langkah untuk membangun portofolio data science yang mengesankan di LinkedIn. Mulai dari memperhatikan profil hingga tips mempublikasikan code atau proyek yang kalian buat. Persiapkan diri kalian untuk meningkatkan visibilitas profesional dan membuka peluang baru dengan portofolio yang memukau!


1. Perbarui Profil

Gunakan foto dengan resolusi tinggi yang menampilkan wajah dengan jelas. Pastikan pencahayaannya baik dan latar belakangnya sederhana. Pilih foto yang profesional, di mana kalian tampak rapi dan percaya diri. Hindari foto yang terlalu santai atau yang diambil dalam setting yang kurang sesuai. Pada judul profesi jangan hanya menulis "Data Scientist". Tambahkan spesialisasi atau keahlian utama, misalnya "Data Scientist | Machine Learning Specialist" atau "Data Scientist | Deep Learning & NLP Expert". Jika kalian pemula, tuliskan topik apa yang kalian sukai, seperti “Data Scientist | Machine Learning Enthusiast”.


Pada bagian ringkasan atau “About” mulailah dengan kalimat pembuka yang menarik yang menceritakan sedikit tentang latar belakang kalian dan mengapa memilih karier di data science. Sebutkan juga teknik, metode, atau alat yang kalian kuasai. Misalnya: "Spesialis dalam machine learning, analisis real-time, dan visualisasi data dengan Python dan R."


Selanjutnya deskripsi pekerjaan. Untuk setiap posisi yang kalian miliki, tuliskan tanggung jawab utama dan, yang paling penting, hasil atau pencapaiannya. Misalnya, "Mengembangkan model prediktif yang meningkatkan efisiensi operasional sebesar 20%". Jika belum memiliki pengalaman, kalian bisa menuliskan pengalaman magang atau mungkin proyek-proyek yang pernah kalian kerjakan.


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


2. Publikasikan Proyek

Jangan hanya menampilkan satu jenis proyek. Sebagai contoh, jika kalian memiliki proyek machine learning, pertimbangkan juga untuk menambahkan proyek analisis data eksploratif atau visualisasi data. Ada baiknya memprioritaskan proyek yang memiliki dampak bisnis atau menyelesaikan masalah yang menantang. Selain itu, tulis proyek dalam judul yang menarik juga. Jelaskan tujuan proyek, data yang kalian gunakan, dan teknik atau algoritma apa yang diterapkan. Highlight hasil dari proyek dan, jika relevan, dampak bisnis atau keuntungan yang diperoleh dari hasil tersebut.


Kalau kalian memiliki coding di GitHub atau platform repositori lainnya, sertakan tautan ke repositori tersebut. Pastikan code tersebut rapi, terdokumentasi dengan baik, dan mudah dimengerti oleh orang lain. Untuk proyek yang lebih visual, seperti dashboard atau visualisasi data, pertimbangkan untuk membagikan screenshot atau tautan ke platform tempat proyek tersebut di-host, seperti Tableau Public.


3. Tulis Artikel atau Pendapat Terkini

Mulailah dengan mengidentifikasi isu-isu atau tren terbaru dalam data science, machine learning, atau bidang terkait lainnya. Misalnya, mungkin ada teknik baru dalam deep learning atau masalah dalam penggunaan data yang sedang hangat diperbincangkan. Ambil set data yang relevan dan lakukan analisis. Misalnya, jika isunya tentang bias dalam AI, kalian bisa menganalisis dataset untuk menunjukkan contoh bias dan bagaimana hal itu mempengaruhi hasil prediksi atau analisis mendalam lainnya.


Untuk menambah kredibilitas dan transparansi, pertimbangkan untuk menyertakan tautan ke code, misalnya di GitHub. Kalian bisa menggunakan Jupyter Notebook atau platform serupa untuk menunjukkan analisis langkah demi langkah. Ajak juga pembaca untuk memberikan feedback atau berbagi pengalaman mereka terkait isu tersebut. Jangan lupa jawab pertanyaan atau komentar yang masuk. Cara tersebut menjadi kesempatan untuk menjelaskan lebih lanjut, mendefinisikan pendapat lainnya, atau justru belajar hal baru dari perspektif yang berbeda.


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


4. Tambahkan Sertifikat atau Pelatihan

Sertifikat dan pelatihan menunjukkan kalau SahabatDQ telah mendapatkan pendidikan formal dalam bidang atau topik tertentu. Banyak pelamar memiliki keterampilan dasar yang sama, tetapi sertifikat atau pelatihan khusus dapat memberi kalian nilai lebih. Fokuskan juga pada sertifikat atau pelatihan yang paling relevan dengan posisi yang kalian tuju atau dengan bidang keahlian yang kalian ingin tonjolkan.


Pastikan juga menggunakan kata kunci yang sesuai dalam deskripsi sertifikat atau pelatihan. Hal ini akan membantu profil kalian muncul dalam hasil pencarian ketika rekruter mencari keahlian tertentu. Kalaupun ada, sertakan tautan validasi atau verifikasi untuk sertifikat tersebut. Ini memberi kredibilitas tambahan dan memungkinkan pemberi kerja untuk memeriksa otentisitas sertifikat dengan mudah.


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! 


Penulis : Dita Feby 

Editor : Annissa Widya 


Mulai Karier
sebagai Praktisi
Data Bersama
DQLab

Daftar sekarang dan ambil langkah
pertamamu untuk mengenal
Data Science.

Buat Akun


Atau

Sudah punya akun? Login