Gak Pake Ribet Begini Cara Bikin Portofolio Learning Analytics Engineer yang Menjual

Ada satu kata yang seringkali jadi momok menakutkan bagi para pencari kerja di dunia data dan teknologi: “Portofolio.”

Mendengar kata itu, pikiran kita langsung melayang ke hal-hal yang rumit. “Proyeknya harus secanggih apa ya?”, “Kodenya harus pakai algoritma machine learning yang mana?”, dan yang paling sering, “Saya kan belum punya pengalaman kerja, portofolionya mau diisi apa?”

Kepanikan ini wajar. Tapi, bagaimana kalau saya bilang bahwa membuat portofolio yang bisa membuatmu dilirik HRD itu sebenarnya “gak pake ribet”? Kuncinya bukan pada kerumitan teknisnya, tapi pada cara kamu menyajikannya.

Lupakan dulu bayangan tentang kode ratusan baris yang membingungkan. Artikel ini akan memandumu, langkah demi langkah, untuk membangun sebuah portofolio Learning Analytics Engineer (LAE) yang menjual—sebuah portofolio yang membuat rekruter berhenti scrolling dan berpikir, “Wah, anak ini menarik.”

baca juga: Hobi Jadi Cuan Bikin Portofolio Game 3D Keren yang Dilirik Studio Raksasa

Langkah 1: Ubah Mindset – Portofolio Bukan Pameran Kode, Tapi Galeri Studi Kasus

Ini adalah langkah paling fundamental. Kesalahan terbesar pemula adalah menganggap portofolio sama dengan akun GitHub yang penuh dengan file script tanpa penjelasan. Rekruter atau hiring manager (calon bosmu) seringkali bukan orang teknis. Mereka tidak akan men-download kodemu dan menjalankannya satu per satu.

Yang ingin mereka lihat adalah pola pikirmu. Bagaimana caramu mendekati sebuah masalah dan menyelesaikannya menggunakan data.

Jadi, ubah mindset-mu dari “pameran kode” menjadi “galeri studi kasus”. Setiap proyek dalam portofoliomu harus diperlakukan seperti sebuah cerita pendek yang menarik dengan alur yang jelas:

1. Masalah (The Problem): Latar belakang ceritanya. Pertanyaan bisnis atau masalah apa yang ingin kamu pecahkan?
2. Proses (The Process): Petualangannya. Dari mana datanya? Langkah apa saja yang kamu lakukan untuk membersihkan dan menganalisisnya? Alat apa yang kamu gunakan?
3. Solusi & Insight (The Solution & The ‘Aha!’ Moment): Akhir ceritanya. Apa temuan utamamu? Apa rekomendasi yang bisa kamu berikan berdasarkan temuan itu? Tampilkan dalam bentuk visual yang mudah dimengerti.

Dengan kerangka ini, karyamu jadi punya konteks dan nilai, bukan sekadar tumpukan kode.

Langkah 2: Cari ‘Harta Karun’ – Tempat Menemukan Data untuk Proyekmu

Masalah klasik berikutnya: “Saya nggak punya data.” Tenang, internet adalah gudang harta karun data yang tak terbatas jika kamu tahu di mana mencarinya.

• Kaggle, Sahabat Terbaikmu: Ini adalah sumber nomor satu. Kaggle adalah platform komunitas data science yang menyediakan ribuan dataset gratis. Cukup ketik kata kunci seperti “student performance”, “e-learning engagement”, “MOOC dataset”, atau “education statistics”, dan kamu akan menemukan banyak “bahan mentah” untuk proyekmu.
• Dataset Publik Pemerintah & Organisasi: Banyak lembaga seperti Bank Dunia (World Bank Open Data), UNESCO, atau bahkan portal data pemerintah (data.go.id) yang menyediakan data seputar pendidikan dan demografi.
• Buat Sendiri (Kalau Mau Kreatif): Ingin dataset yang unik? Buat survei sederhana menggunakan Google Forms tentang “Cara Belajar Favorit di Era Digital” dan sebarkan ke teman-temanmu. Mengolah data primer seperti ini akan menunjukkan inisiatif yang sangat tinggi!

Ingat, sumber data tidak harus dari perusahaan ternama. Yang terpenting adalah kemampuanmu mengolah data tersebut menjadi sebuah cerita yang bermakna.

baca juga: Mahasiswa Baru Universitas Teknokrat Indonesia Berdampak untuk Indonesia Emas

Langkah 3: Pilih Misi – 3 Ide Proyek Anti-Mainstream yang Bikin Kamu Dilirik

Daripada membuat proyek analisis data yang generik, fokuslah pada kasus yang sangat relevan dengan peran seorang LAE. Ini akan langsung menunjukkan pemahaman domainmu.

1. Proyek Detektif ‘Drop-Out’ Kursus Online

• Masalah: Banyak platform kursus online (MOOC) menghadapi masalah peserta yang berhenti di tengah jalan. Tugasmu adalah mencari tahu kenapa.
• Proses: Ambil dataset MOOC dari Kaggle. Lakukan analisis untuk melihat di modul atau video ke berapa peserta paling banyak menghilang. Apakah ada korelasi antara durasi konten dengan tingkat drop-out?
• Solusi/Insight: Buat visualisasi yang menunjukkan “titik-titik rawan” dalam sebuah kursus. Berikan rekomendasi konkret, misalnya: “Peserta cenderung berhenti jika durasi video melebihi 15 menit. Rekomendasi: pecah video panjang menjadi beberapa bagian yang lebih pendek.”
• Skill yang Ditonjolkan: Analisis data eksplorasi (EDA), visualisasi, dan kemampuan memberikan rekomendasi bisnis.

2. Proyek Prediktor Kesuksesan Akademik

• Masalah: Bisakah kita memprediksi performa akademik seorang siswa berdasarkan kebiasaan belajarnya?
• Proses: Gunakan dataset performa siswa. Bangun sebuah model regresi sederhana (jangan takut dengan istilahnya, ini mudah dipelajari) untuk melihat faktor apa saja (misal: jam belajar, absensi, skor tugas) yang paling kuat memprediksi nilai akhir.
• Solusi/Insight: Tampilkan faktor-faktor kunci yang paling berpengaruh. Jelaskan hasil modelmu dengan bahasa manusia: “Data menunjukkan bahwa konsistensi mengerjakan tugas ternyata 2x lebih berpengaruh terhadap nilai akhir dibandingkan jumlah jam belajar.”
• Skill yang Ditonjolkan: Basic machine learning, analisis statistik, dan kemampuan interpretasi model.

3. Proyek Dashboard Efektivitas Training Interaktif

• Masalah: Seorang manajer HR ingin melihat efektivitas program training perusahaan secara cepat dan mudah.
• Proses: Buat dataset fiktif (atau cari yang sudah ada) tentang hasil training karyawan. Gunakan Tableau Public atau Power BI untuk membuat dashboard interaktif.
• Solusi/Insight: Dashboard-mu harus bisa difilter (misal: berdasarkan departemen, jenis training, atau periode waktu) dan menampilkan metrik kunci seperti tingkat partisipasi, skor rata-rata, dan tingkat kelulusan. Ini adalah produk nyata yang bisa “dipakai” oleh user.
• Skill yang Ditonjolkan: Visualisasi data, desain dashboard, dan pemahaman metrik Learning & Development (L&D).

Langkah 4: Sajikan dengan ‘Ciamik’ – Platform untuk Menampilkan Karyamu

Proyek hebat butuh panggung yang hebat pula. Pilih platform yang mudah diakses dan terlihat profesional.

• GitHub: Jangan hanya unggah kodemu. Gunakan fitur README.md di setiap folder proyek untuk menuliskan cerita studi kasusmu (Masalah, Proses, Solusi). Ini yang akan dibaca pertama kali.
• Blog Pribadi (Medium, Notion, WordPress): Ini adalah pilihan terbaik untuk bercerita. Kamu bisa menulis artikel panjang untuk setiap proyek, lengkap dengan gambar, grafik, dan link ke dashboard interaktifmu. Sangat mudah dibaca oleh siapa saja.
• Tableau Public: Untuk proyek visualisasi, wajib hukumnya diunggah ke sini. Kamu akan mendapatkan link yang bisa kamu bagikan, di mana orang bisa langsung berinteraksi dengan dashboard-mu tanpa perlu instalasi apa pun.

Aturan Emas: Buat prosesnya semudah mungkin untuk rekruter. Satu klik dari CV atau LinkedIn-mu harus bisa langsung membawa mereka ke hasil karyamu yang paling membanggakan.

Kesimpulan: Mulai Saja Dulu!

Membuat portofolio itu seperti mendorong mobil yang mogok. Berat di awal, tapi begitu sudah bergerak, akan terasa lebih ringan. Kamu tidak perlu membuat tiga proyek sekaligus. Mulailah dari satu proyek sederhana.

Proyek pertamamu tidak harus sempurna atau mengubah dunia. Tujuannya adalah untuk mendokumentasikan perjalanan belajarmu dan membuktikan bahwa kamu bisa mengaplikasikan teori menjadi praktik. Portofolio yang berisi satu proyek sederhana yang dijelaskan dengan sangat baik jauh lebih bernilai daripada tiga proyek kompleks yang terbengkalai dan tanpa penjelasan.

Jadi, lupakan keribetan dan rasa takut. Pilih satu ide, cari datanya, dan mulailah menulis baris kode atau membuat grafik pertamamu. Proyek itu akan menjadi bukti nyata yang mengubah statusmu dari “peminat” menjadi “praktisi”. Selamat berkarya!

Penulis : Tanjali Mulia Nafisa