Sering Bikin Bingung, Ini Perbedaan Data Science dan Data Engineer
Membicarakan tentang perbedaan data science dan data engineer kadang bisa sampai bikin perdebatan sendiri. Hal ini makin seru karena industri data tambah booming dalam sepuluh tahun terakhir.
Nah, untuk ikut membantu meredakan tensi yang ada, artikel ini akan menjelaskan perbedaan dari keduanya melalui berbagai perspektif.
kursus data science
Perbedaan data science dan data engineer
Perbedaan berikut akan membahas dari perspektif tanggung jawab, tools, bahasa dan perangkat lunak, hingga latar belakang pendidikan.
Tanggung jawab
Data engineer adalah seseorang yang membangun, mengembangkan, melakukan pengujian, serta memelihara arsitektur data–seperti database dan sistem pemrosesan data berskala besar.
Mereka berurusan dengan data mentah yang berisi rangkaian kesalahan manusia, mesin, maupun instrumen. Perlu diingat, output datanya mungkin tidak divalidasi dulu, belum diformat, serta berisi catatan yang dianggap mencurigakan.
Para data engineer perlu memberi rekomendasi dan sesekali juga menerapkan metode tertentu demi meningkatkan kualitas dan efisiensi dari data yang ada.
Untuk melakukannya, mereka perlu menggunakan berbagai bahasa pemrograman dan tools demi menyatukan sistem atau mencoba mencari celah untuk memperoleh data baru dari sistem lain. Ujung dari itu adalah menghasilkan set data yang nantinya bisa digarap oleh data scientist.
Nah, di sini, data scientist adalah seseorang yang membersihkan, memproses, dan mengatur data berukuran besar.
Mereka biasanya mendapatkan data yang telah melewati penyaringan fase pertama dan proses manipulasi sehingga dapat dimasukkan ke program analitik canggih, machine learning, dan metode statistik lain.
Tujuannya agar para data scientist ini bisa menyiapkan data untuk digunakan dalam pemodelan prediktif dan preskriptif. Tentu saja, untuk membangun model, mereka pun perlu melakukan riset industri terlebih dahulu.
Selain itu, mereka perlu memanfaatkan data dalam jumlah besar dari sumber internal dan eksternal untuk menjawab kebutuhan bisnis. Ini juga terkadang melibatkan penjelajahan dan pemeriksaan data agar mendapati pola tersembunyi.
Setelah data scientist melakukan analisis, mereka perlu menyajikan rekomendasi yang jelas kepada pemangku kepentingan utama di perusahaan—sudah tidak lagi dalam bahasa mesin.
Tools, bahasa pemrograman, dan software
Meskipun tools yang dimanfaatkan sangat tergantung pada perusahaan masing-masing, data engineer biasanya bekerja dengan tools seperti SAP, Oracle, Cassandra, MySQL, Redis, Riak, PostgreSQL, MongoDB, Hive, hingga Skop.
Data scientist akan menggunakan bahasa seperti SPSS, R, Python, SAS, Stata, dan Julia untuk membangun model. Tools paling populer di sini adalah—tanpa perlu diragukan lagi—Python dan R.
Ketika banyak bekerja menggunakan Python dan R untuk data science, otomatis kamu akan sering berjumpa dengan paket-paket seperti ggplot2 untuk membuat visualisasi data di R, manipulasi data Python di library Panda, Scikit-Learn, NumPy, Matplotlib, Statsmodels, dll.
Latar belakang pendidikan
Dilihat dari jenjang pendidikan formal, data engineer banyak yang berasal dari jurusan Ilmu Komputer sedangkan data scientist banyak yang merupakan lulusan matematika maupun statistika.
Namun begitu, kamu harus menyadari bahwa, secara umum, industri data science terbuka lebar bagi banyak jurusan.
Bahkan, mereka yang berminat tapi bukan berasal dari STEM bisa mengambil kursus dan bootcamp data science seperti yang disediakan oleh Bitlabs untuk nantinya memperoleh sertifikat kompetensi.
Berkecimpung di data
Sesengit apa pun perdebatan tentang perbedaan antara data science dan data engineer, toh keduanya sama-sama berkecimpung dengan data berukuran besar. Win-win solution buat keduanya!
Jadi, semuanya kembali lagi ke keputusanmu: apakah ingin berfokus ke bagian yang sangat teknis atau ingin sampai ke bagian presentasi pembacaan datanya? Sesuaikan dengan minat dan keterampilan yang sudah (dan ingin) dikuasai.
Selamat belajar!
