Daftar Isi
TogglePerkembangan teknologi digital membuat data menjadi salah satu aset penting bagi organisasi. Perusahaan maupun instansi pemerintah tidak hanya mengumpulkan data dalam jumlah besar, tetapi juga mulai menggunakannya untuk menemukan pola, melakukan prediksi, mengoptimalkan proses bisnis, dan mendukung pengambilan keputusan.
Kondisi tersebut mendorong meningkatnya kebutuhan terhadap profesional yang mampu bekerja lebih jauh daripada sekadar membuat laporan atau dashboard. Organisasi membutuhkan tenaga yang dapat menggabungkan data, statistik, pemrograman, machine learning, dan pemahaman bisnis untuk menghasilkan solusi berbasis data.
Salah satu profesi yang berada di tengah kebutuhan tersebut adalah Data Scientist.
Namun, menjadi Data Scientist bukan hanya tentang menguasai Python atau membuat model machine learning. Profesional di bidang ini perlu memiliki kombinasi kompetensi teknis dan nonteknis yang dapat diterapkan untuk menyelesaikan permasalahan nyata.
Salah satu cara untuk memberikan pengakuan formal terhadap kompetensi tersebut adalah melalui sertifikasi Data Scientist.
Artikel ini merupakan turunan dari artikel Data & Analytics: Pengembangan Kompetensi dan Sertifikasi untuk Profesional di Era Berbasis Data. Jika artikel sebelumnya membahas sertifikasi Data Analyst dan kompetensi yang dibutuhkan Data Analyst, artikel ini secara khusus membahas sertifikasi Data Scientist, kompetensi yang perlu dipersiapkan, proses uji kompetensi, hingga pengembangan karier setelah sertifikasi.
Apa Itu Sertifikasi Data Scientist?
Sertifikasi Data Scientist merupakan proses sertifikasi kompetensi yang ditujukan untuk memberikan pengakuan terhadap kemampuan seseorang dalam menjalankan kompetensi yang berkaitan dengan pekerjaan Data Scientist sesuai dengan skema yang diikuti.
Data Scientist sendiri merupakan profesional yang bekerja dengan data untuk menemukan pola, menghasilkan insight, membangun model analitik atau prediktif, serta membantu organisasi menyelesaikan permasalahan melalui pendekatan berbasis data.
Dalam praktiknya, pekerjaan Data Scientist dapat mencakup:
- memahami permasalahan bisnis;
- mengidentifikasi kebutuhan data;
- mengumpulkan data;
- membersihkan data;
- melakukan exploratory data analysis;
- melakukan analisis statistik;
- membangun model;
- melakukan evaluasi model;
- melakukan interpretasi hasil;
- mengkomunikasikan insight;
- mendukung implementasi solusi berbasis data.
Karena cakupannya cukup luas, persiapan sertifikasi Data Scientist sebaiknya tidak hanya berfokus pada satu software atau bahasa pemrograman.
Yang perlu dibangun adalah kompetensi secara menyeluruh.
Mengapa Sertifikasi Data Scientist Penting?
BNSP menjelaskan bahwa sertifikasi kompetensi merupakan salah satu sarana untuk memberikan pengakuan terhadap kompetensi seseorang sekaligus meningkatkan daya saing tenaga kerja.
Dalam konteks Data Science, sertifikasi dapat menjadi salah satu bagian dari profil profesional, terutama ketika seseorang ingin menunjukkan bahwa kompetensinya telah melalui proses asesmen berdasarkan skema tertentu.
Beberapa manfaat yang dapat diperoleh antara lain:
1. Memberikan Pengakuan terhadap Kompetensi
Sertifikasi memberikan bukti formal mengenai kompetensi yang dinilai pada skema tertentu.
Hal ini berbeda dengan sekadar mencantumkan:
“Menguasai Python dan Machine Learning.”
Dengan sertifikasi, terdapat proses asesmen yang menjadi bagian dari pengakuan kompetensi.
2. Mendukung Daya Saing Profesional
Bidang Data Science semakin berkembang dan banyak profesional mulai membangun kemampuan di bidang ini.
Memiliki kombinasi:
pendidikan + pengalaman + portofolio + sertifikasi
dapat membantu memperkuat profil profesional.
3. Mendukung Career Development
Sertifikasi dapat menjadi salah satu milestone dalam pengembangan karier.
Misalnya seseorang memulai dari:
Data Analyst
kemudian mengembangkan kemampuan:
Advanced Analytics → Machine Learning → Data Science
Sertifikasi dapat menjadi bagian dari proses tersebut, sesuai skema dan kompetensi yang relevan.
4. Membantu Organisasi Mengembangkan SDM
Dari sisi perusahaan, sertifikasi dapat menjadi bagian dari strategi pengembangan kompetensi tenaga kerja.
Perusahaan dapat mengidentifikasi karyawan yang berpotensi dikembangkan menjadi:
- Data Analyst;
- Data Scientist;
- Business Intelligence Analyst;
- Data Engineer;
- Machine Learning Engineer.
Data Scientist vs Data Analyst
Karena artikel ini merupakan bagian dari cluster Data & Analytics, penting untuk memahami perbedaan antara Data Scientist dan Data Analyst.
| Aspek | Data Analyst | Data Scientist |
|---|---|---|
| Fokus utama | Analisis dan interpretasi data | Analisis, pemodelan, prediksi |
| Pertanyaan | Apa yang terjadi? | Apa yang mungkin terjadi dan bagaimana memodelkannya? |
| Statistik | Dasar–menengah | Menengah–lanjut |
| SQL | Sangat relevan | Relevan |
| Visualization | Sangat penting | Penting |
| Python | Tergantung kebutuhan | Umumnya sangat relevan |
| Machine Learning | Tidak selalu | Lebih sering digunakan |
| Prediksi | Terbatas | Salah satu area utama |
| Business Insight | Penting | Penting |
| Programming | Sesuai kebutuhan | Umumnya lebih mendalam |
Namun, batas antara kedua profesi tersebut tidak selalu sama di setiap perusahaan.
Ada organisasi yang memiliki peran Data Analyst dan Data Scientist secara terpisah. Ada pula organisasi yang memberikan tanggung jawab yang lebih luas kepada satu posisi.
Karena itu, jangan menentukan kemampuan hanya berdasarkan jabatan. Pelajari job description dan kompetensi yang sebenarnya dibutuhkan.
Kompetensi yang Dibutuhkan Data Scientist
Untuk mempersiapkan sertifikasi Data Scientist, calon peserta perlu membangun beberapa kelompok kompetensi.
1. Data Literacy
Sebelum membangun model yang kompleks, seorang Data Scientist harus memahami datanya.
Kemampuan ini mencakup:
- memahami struktur dataset;
- memahami tipe data;
- memahami sumber data;
- mengidentifikasi kualitas data;
- memahami konteks variabel;
- mengidentifikasi bias;
- memahami keterbatasan dataset.
Model yang canggih tetap dapat menghasilkan kesimpulan yang buruk apabila data yang digunakan tidak tepat.
2. Statistik dan Matematika
Statistik menjadi fondasi penting dalam Data Science.
Beberapa konsep yang sebaiknya dipahami antara lain:
- mean;
- median;
- variance;
- standard deviation;
- probability;
- distribution;
- correlation;
- hypothesis testing;
- sampling;
- regression;
- confidence interval.
Untuk pengembangan yang lebih lanjut, pemahaman matematika seperti aljabar linear dan kalkulus juga dapat membantu memahami cara kerja berbagai algoritma machine learning.
Namun, tujuan mempelajari matematika bukan sekadar menghafalkan rumus.
Yang lebih penting adalah memahami:
kapan metode digunakan, apa asumsi yang dimiliki, dan bagaimana menginterpretasikan hasilnya.
3. Programming
Programming merupakan salah satu kompetensi yang membedakan Data Scientist dari banyak pekerjaan analisis data lainnya.
Python merupakan salah satu bahasa yang banyak digunakan dalam ekosistem Data Science.
Kemampuan Python dapat digunakan untuk:
- membaca dataset;
- melakukan data cleaning;
- eksplorasi data;
- visualisasi;
- feature engineering;
- machine learning;
- automation.
Library yang umum ditemui antara lain:
- Pandas;
- NumPy;
- Matplotlib;
- Scikit-learn.
Namun, kompetensi programming tidak berhenti pada kemampuan menulis syntax.
Data Scientist juga perlu memahami:
- struktur kode;
- debugging;
- fungsi;
- modularisasi;
- efisiensi;
- dokumentasi.
4. Data Cleaning dan Preparation
Data Scientist dapat menghabiskan banyak waktu pada tahap persiapan data.
Data mentah dapat mengandung:
- missing values;
- duplicate;
- outlier;
- kesalahan input;
- data tidak konsisten;
- data kategorikal;
- format berbeda;
- data yang tidak relevan.
Proses tersebut perlu ditangani sebelum model dibuat.
Contohnya, jika dataset pelanggan memiliki banyak nilai kosong pada variabel tertentu, Data Scientist harus menentukan apakah data tersebut:
- dihapus;
- diimputasi;
- dipertahankan;
- atau membutuhkan pendekatan khusus.
Keputusan tersebut harus memiliki alasan yang jelas.
5. Exploratory Data Analysis
Exploratory Data Analysis atau EDA digunakan untuk memahami karakteristik data sebelum melakukan pemodelan.
EDA dapat membantu menemukan:
- distribusi data;
- pola;
- tren;
- hubungan antarvariabel;
- anomali;
- outlier;
- kemungkinan feature yang relevan.
Contohnya, sebelum membangun model prediksi churn pelanggan, Data Scientist dapat melakukan eksplorasi terhadap:
- usia pelanggan;
- lama berlangganan;
- frekuensi transaksi;
- jenis produk;
- aktivitas pelanggan;
- riwayat penggunaan layanan.
Dari sini dapat ditemukan pola awal yang menjadi dasar proses berikutnya.
6. Machine Learning
Machine Learning merupakan salah satu kompetensi yang erat kaitannya dengan Data Science.
Secara umum, pendekatan machine learning dapat dibagi menjadi beberapa kategori.
Supervised Learning
Model belajar dari data yang memiliki target atau label.
Contohnya:
- klasifikasi;
- regresi.
Unsupervised Learning
Model digunakan untuk menemukan pola tanpa target yang sudah ditentukan.
Contohnya:
- clustering;
- dimensionality reduction.
Model Evaluation
Membangun model saja tidak cukup.
Data Scientist perlu mengetahui apakah model tersebut bekerja dengan baik.
Metode evaluasi dapat berbeda tergantung jenis permasalahan.
Misalnya:
| Problem | Contoh Evaluasi |
|---|---|
| Classification | Accuracy, Precision, Recall, F1 |
| Regression | MAE, MSE, RMSE, R² |
| Clustering | Silhouette Score |
Pemilihan metrik harus disesuaikan dengan tujuan dan karakteristik masalah.
7. Feature Engineering
Dalam banyak kasus, kualitas model tidak hanya bergantung pada algoritma.
Data Scientist perlu menentukan bagaimana data direpresentasikan sehingga dapat digunakan model.
Proses ini dikenal sebagai feature engineering.
Contohnya:
Dari data tanggal transaksi:
2026-09-09
dapat dibuat feature:
- tahun;
- bulan;
- hari;
- hari dalam minggu;
- weekend atau weekday.
Feature tambahan tersebut dapat membantu model menangkap pola tertentu.
8. Model Evaluation
Model yang terlihat memiliki performa tinggi belum tentu bagus ketika diterapkan pada data baru.
Karena itu, Data Scientist perlu memahami konsep seperti:
- training data;
- testing data;
- validation;
- overfitting;
- underfitting;
- cross-validation.
Tujuannya adalah memastikan model tidak hanya “menghafal” data training.
9. Data Visualization dan Storytelling
Walaupun Data Scientist lebih banyak bekerja dengan statistik dan model, kemampuan komunikasi tetap penting.
Hasil model harus dapat dijelaskan kepada stakeholder.
Misalnya:
“Model memprediksi kemungkinan churn sebesar 72%.”
Kalimat tersebut belum cukup.
Stakeholder mungkin akan bertanya:
- Mengapa 72%?
- Faktor apa yang paling berpengaruh?
- Seberapa akurat model?
- Apa yang harus dilakukan?
- Apa risiko jika prediksi salah?
Karena itu, Data Scientist perlu mampu menerjemahkan hasil teknis menjadi informasi yang dapat digunakan untuk mengambil keputusan.
Bagaimana Proses Sertifikasi Data Scientist?
Proses dapat berbeda sesuai LSP dan skema yang dipilih. Namun, secara umum, persiapan dapat mengikuti alur berikut:
Menentukan skema
↓
Memeriksa persyaratan
↓
Mempersiapkan kompetensi
↓
Mempersiapkan bukti kompetensi
↓
Mengikuti asesmen
↓
Evaluasi asesor
↓
Penetapan hasil
↓
Sertifikat bagi peserta yang dinyatakan kompeten sesuai ketentuan
BNSP juga menyediakan berbagai pedoman dan informasi terkait pelaksanaan asesmen serta penerbitan sertifikat kompetensi.
Karena mekanisme dapat berbeda berdasarkan skema, peserta perlu mengikuti ketentuan LSP penyelenggara.
Mengenal Skema Data Scientist
Calon peserta perlu membedakan antara program pelatihan Data Science dan skema sertifikasi Data Scientist.
Pelatihan bertujuan meningkatkan kemampuan.
Sementara sertifikasi berkaitan dengan proses asesmen kompetensi.
Pada profil BNSP, LSP Teknologi Rekayasa dan Informatika saat ini mencantumkan skema Ilmuwan Data (Data Scientist) dengan 11 unit kompetensi. LSP tersebut juga mencantumkan skema lain yang masih berada dalam ekosistem Data & Analytics, termasuk Associate Data Scientist, Data Analyst, Business Intelligence Analyst, dan Data Engineer.
Calon peserta tetap perlu mengecek persyaratan dan ketentuan terbaru sebelum mendaftar karena skema dan pelaksanaan sertifikasi dapat diperbarui.
Untuk memeriksa status LSP, peserta dapat menggunakan direktori LSP resmi BNSP.
Apa yang Perlu Dipersiapkan Sebelum Uji Kompetensi?
Persiapan sertifikasi sebaiknya dilakukan berdasarkan kompetensi, bukan hanya berdasarkan materi teori.
1. Pelajari Skema
Langkah pertama adalah memahami skema yang akan diikuti.
Cari tahu:
- nama skema;
- unit kompetensi;
- persyaratan;
- bukti yang dibutuhkan;
- metode asesmen;
- ketentuan peserta.
Jangan langsung belajar secara acak sebelum memahami target kompetensinya.
2. Lakukan Competency Gap Analysis
Buat tabel sederhana.
| Kompetensi | Kemampuan Saat Ini | Gap |
|---|---|---|
| Python | Menengah | Perlu latihan |
| Statistik | Dasar | Perlu diperkuat |
| SQL | Baik | Kecil |
| Data Cleaning | Baik | Kecil |
| Machine Learning | Dasar | Besar |
| Visualization | Baik | Kecil |
| Model Evaluation | Dasar | Perlu latihan |
| Business Understanding | Menengah | Perlu diperkuat |
Dari tabel tersebut, Anda dapat menentukan prioritas belajar.
3. Bangun Project Data Science
Jangan hanya belajar dari tutorial.
Buat project yang memiliki masalah nyata.
Contohnya:
Project Prediksi Churn
Tujuan:
Memprediksi pelanggan yang berpotensi berhenti menggunakan layanan.
Tahap:
Business Problem
↓
Data Collection
↓
Data Cleaning
↓
EDA
↓
Feature Engineering
↓
Model Building
↓
Model Evaluation
↓
Insight
↓
Recommendation
Project seperti ini dapat membantu mengintegrasikan berbagai kompetensi sekaligus.
4. Dokumentasikan Proses
Jangan hanya menyimpan file Python.
Dokumentasikan:
- masalah;
- sumber data;
- metode;
- alasan pemilihan metode;
- proses cleaning;
- model;
- evaluasi;
- hasil;
- keterbatasan;
- rekomendasi.
Dokumentasi membantu menunjukkan bahwa Anda memahami proses, bukan sekadar mengikuti tutorial.
5. Latihan Menjelaskan Model
Cobalah menjelaskan model kepada orang nonteknis.
Misalnya:
“Model ini digunakan untuk mengidentifikasi pelanggan yang memiliki kemungkinan berhenti berlangganan berdasarkan pola penggunaan dan karakteristik pelanggan.”
Kemudian jelaskan:
- inputnya apa;
- outputnya apa;
- bagaimana model dievaluasi;
- apa keterbatasannya;
- bagaimana hasilnya dapat digunakan.
Jika Anda mampu menjelaskan model dengan sederhana, pemahaman Anda kemungkinan sudah lebih matang.
Contoh Project untuk Portofolio Data Scientist
Berikut beberapa ide project yang dapat digunakan untuk latihan:
| Project | Kompetensi |
|---|---|
| Customer Churn Prediction | Classification |
| Sales Forecasting | Regression/Time Series |
| Customer Segmentation | Clustering |
| Fraud Detection | Classification |
| Recommendation System | Recommendation |
| Sentiment Analysis | NLP |
| Employee Attrition Prediction | Classification |
| Demand Forecasting | Time Series |
Pilih project yang sesuai dengan kemampuan.
Tidak perlu langsung mengerjakan project yang sangat kompleks.
Project sederhana tetapi dipahami secara mendalam sering kali lebih bermanfaat daripada project rumit yang hanya mengikuti tutorial.
Sertifikasi Data Scientist untuk Career Switching
Apakah sertifikasi Data Scientist cocok untuk seseorang yang ingin berpindah karier?
Bisa, tetapi sertifikasi sebaiknya tidak berdiri sendiri.
Career switching membutuhkan kombinasi:
Learning
Project
Portfolio
Networking
Experience
Certification
Seseorang dari bidang finance, marketing, engineering, atau operations misalnya dapat membawa pengalaman bisnisnya ke bidang Data Science.
Justru pemahaman domain tersebut dapat menjadi nilai tambah.
Contohnya:
Finance + Data Science = Financial Analytics
Marketing + Data Science = Marketing Analytics
HR + Data Science = People Analytics
Supply Chain + Data Science = Supply Chain Analytics
Peluang Karier Setelah Mengembangkan Kompetensi Data Science
Kompetensi Data Science dapat diarahkan ke berbagai posisi.
Beberapa di antaranya:
- Data Scientist;
- Junior Data Scientist;
- Machine Learning Specialist;
- Machine Learning Engineer;
- Data Analyst;
- Business Intelligence Analyst;
- AI Specialist;
- Research/Analytics Specialist.
Namun, setiap posisi memiliki kompetensi dan tanggung jawab yang berbeda.
Karena itu, sertifikasi perlu ditempatkan sebagai salah satu bagian dari career roadmap, bukan sebagai jaminan otomatis mendapatkan posisi tertentu.
Sertifikasi vs Portofolio: Mana yang Lebih Penting?
Pertanyaan ini sering muncul.
Jawabannya: keduanya memiliki fungsi berbeda.
| Sertifikasi | Portofolio |
|---|---|
| Pengakuan kompetensi melalui asesmen | Contoh penerapan kemampuan |
| Bersifat formal | Bersifat praktis |
| Berdasarkan skema tertentu | Berdasarkan project |
| Menunjukkan kompetensi yang dinilai | Menunjukkan cara bekerja |
| Mendukung profil profesional | Membantu menunjukkan pengalaman praktis |
Idealnya, profesional memiliki keduanya.
Sertifikasi menunjukkan kompetensi yang diakui melalui proses asesmen.
Portofolio menunjukkan bagaimana kompetensi tersebut diterapkan.
Kesalahan yang Sering Dilakukan Saat Mempersiapkan Sertifikasi
Hanya Belajar Python
Python penting, tetapi Data Science bukan sekadar programming.
Langsung Belajar Machine Learning
Tanpa memahami statistik dan data preparation, machine learning akan sulit dipahami secara mendalam.
Mengikuti Tutorial Tanpa Memahami Konsep
Kode berhasil dijalankan bukan berarti prosesnya sudah dipahami.
Tidak Memahami Business Problem
Model yang akurat tetapi tidak relevan dengan kebutuhan organisasi tetap memiliki nilai yang terbatas.
Tidak Memahami Evaluasi Model
Jangan hanya melihat angka accuracy.
Tidak Memeriksa Skema Sertifikasi
Persiapan harus disesuaikan dengan skema dan unit kompetensi yang akan dinilai.
Bagaimana Membangun Roadmap Kompetensi Data Scientist?
Berikut contoh roadmap yang dapat digunakan:
Level 1 — Data Fundamental
Pelajari:
- data literacy;
- Excel;
- statistik dasar;
- SQL.
Level 2 — Data Analysis
Pelajari:
- Python;
- Pandas;
- data cleaning;
- EDA;
- visualization.
Level 3 — Machine Learning
Pelajari:
- supervised learning;
- unsupervised learning;
- feature engineering;
- model evaluation.
Level 4 — Applied Data Science
Kerjakan:
- project nyata;
- end-to-end project;
- portfolio;
- business case.
Level 5 — Professional Competency
Mulai:
- competency gap analysis;
- persiapan asesmen;
- sertifikasi;
- pengembangan karier.
Roadmap tersebut dapat disesuaikan dengan kemampuan awal masing-masing peserta.
Peran AI dalam Karier Data Scientist
Perkembangan Generative AI juga mengubah cara Data Scientist bekerja.
AI dapat membantu dalam:
- menghasilkan draft kode;
- eksplorasi data;
- dokumentasi;
- ide feature;
- debugging;
- interpretasi awal;
- otomatisasi tugas tertentu.
Namun, Data Scientist tetap perlu mampu melakukan validasi.
Mengapa?
Karena AI dapat menghasilkan output yang:
- tidak akurat;
- tidak sesuai konteks;
- bias;
- tidak lengkap;
- atau sulit dipertanggungjawabkan.
Maka, kompetensi Data Scientist masa depan tidak hanya:
Python + Machine Learning
tetapi berkembang menjadi:
Data Science + AI Literacy + Critical Thinking + Domain Knowledge + Business Understanding
Checklist Persiapan Sertifikasi Data Scientist
Sebelum mengikuti uji kompetensi, gunakan checklist berikut:
- Memahami dasar data science
- Memahami statistik dasar
- Memahami Python
- Memahami SQL
- Mampu melakukan data cleaning
- Mampu melakukan EDA
- Memahami data visualization
- Memahami machine learning
- Memahami feature engineering
- Memahami model evaluation
- Memiliki project Data Science
- Memiliki dokumentasi project
- Mampu menjelaskan hasil analisis
- Memahami business problem
- Memahami skema sertifikasi
- Memeriksa persyaratan sertifikasi
- Siap mengikuti proses asesmen
Checklist ini dapat digunakan untuk melakukan evaluasi mandiri sebelum mengikuti sertifikasi.
FAQ Sertifikasi Data Scientist
1. Apakah sertifikasi Data Scientist wajib untuk bekerja sebagai Data Scientist?
Tidak selalu. Persyaratan pekerjaan berbeda-beda pada setiap organisasi. Sertifikasi merupakan salah satu bentuk pengakuan kompetensi yang dapat mendukung profil profesional.
2. Apakah harus bisa Python untuk menjadi Data Scientist?
Python sangat relevan dalam pekerjaan Data Science, tetapi kompetensi Data Scientist tidak hanya terdiri dari programming. Statistik, data preparation, machine learning, business understanding, dan komunikasi juga penting.
3. Apakah Data Analyst bisa mengikuti sertifikasi Data Scientist?
Bisa saja apabila memenuhi persyaratan skema yang dipilih. Namun, Data Analyst yang ingin beralih ke Data Science perlu memperkuat kompetensi seperti statistik, programming, machine learning, dan model evaluation.
4. Apakah sertifikasi Data Scientist menjamin mendapatkan pekerjaan?
Tidak. Sertifikasi dapat menjadi salah satu bukti kompetensi, tetapi peluang karier juga dipengaruhi pengalaman, portofolio, kemampuan teknis, komunikasi, pendidikan, dan kebutuhan perusahaan.
Kesimpulan
Sertifikasi Data Scientist dapat menjadi salah satu langkah dalam membangun pengakuan profesional di bidang Data Science. Namun, persiapan sertifikasi sebaiknya tidak berhenti pada penguasaan software atau kemampuan menjalankan kode.
Seorang Data Scientist membutuhkan kombinasi kompetensi:
Data Literacy + Statistik + Programming + Data Preparation + Machine Learning + Visualization + Business Understanding + Communication.
Sebelum mengikuti uji kompetensi, calon peserta sebaiknya memahami skema yang dipilih, melakukan competency gap analysis, memperkuat kemampuan teknis, membangun project, mendokumentasikan proses, dan berlatih menjelaskan hasil analisis.
Pada akhirnya, tujuan pengembangan kompetensi bukan sekadar memperoleh sertifikat, tetapi membangun profesional yang benar-benar mampu mengubah data menjadi insight dan insight menjadi dasar pengambilan keputusan.
Bagi profesional maupun organisasi yang ingin mengembangkan kompetensi Data Science dan mempersiapkan sertifikasi secara lebih terarah, informasi program pelatihan dan pengembangan kompetensi dapat diperoleh melalui www.trainingpskn.com atau email info@trainingpskn.com.
