4  UTS-4 My SHAPE (Spiritual Gifts, Heart, Abilities, Personality, Experiences)

Author

Faizal Ali

4.1 Ringkasan

Peran Inti:
Analis Data (Data Analyst) / Saintis Data Junior yang berlatar belakang pemikiran sistem (STI).
Misi:
Mengintegrasikan analisis data kuantitatif (Data Science) dengan pemahaman proses dan sistem (STI) untuk mengekstrak wawasan yang relevan dan merancang solusi berbasis data yang memecahkan masalah bisnis/organisasi.
Kekuatan Utama:
Pemikiran analitis-kuantitatif, Data storytelling, Pemrograman data (Python/SQL), Pemodelan dasar, Riset mandiri, Pemahaman alur sistem.
Dampak yang Dituju:
Keputusan yang didukung data (data-driven decisions), Wawasan (insights) yang dapat ditindaklanjuti, Kontribusi pada tim sebagai penjembatan antara data teknis dan kebutuhan sistem/manusia.

4.1.1 Peta SHAPE (singkat):

  • S — Panggilan Inti: Analisis & Sintesis, Keingintahuan (Curiosity), Integritas (Data), Pengenalan Pola (Pattern Recognition).
  • H — Minat & Gairah: Data Science, Machine Learning, Visualisasi Data, SQL, Storytelling with Data, dan penerapan analisis data untuk memahami proses bisnis dan sistem informasi (konteks STI).
  • A — Abilities (Kemampuan): Analisis data kuantitatif, Pemrograman Data (Python: Pandas, Scikit-learn), Database (SQL), Visualisasi Data, Riset & Pembelajaran Mandiri, Dasar-dasar Analisis Sistem & Proses (dari STI).
  • P — Personality (Gaya Kerja): Metodis & terstruktur, analitis & detail, mandiri & proaktif (self-driven), reflektif, pragmatis.
  • E — Experiences (Pengalaman Pembentuk): Proyek akademis di STI (Basis Data, Analisis Proses); Pengalaman “benturan”: menemukan passion pada Data Science (lewat kursus online/lomba); Pengalaman “terbentuk”: Proyek di mana berhasil menggabungkan data science dalam konteks masalah sistem informasi.

4.2 1) S — Panggilan Inti (Core Calling)

  • Analisis & Sintesis: Kemampuan alami untuk mengurai masalah besar menjadi komponen data yang logis dan menyatukannya kembali sebagai sebuah wawasan (insight).
  • Keingintahuan (Curiosity): Dorongan kuat untuk terus bertanya “mengapa” pada data (“Why does this pattern exist?”). Ini adalah bahan bakar utama untuk riset dan eksplorasi data.
  • Integritas: Kebutuhan untuk jujur pada data. Menyajikan temuan apa adanya, mengakui keterbatasan, dan memastikan analisis dilakukan dengan metodologi yang benar.
  • Pengenalan Pola: Kepekaan alami untuk melihat pola, tren, atau anomali dalam kumpulan data yang kompleks.

4.3 2) H — Heart (Minat Profesional & Gairah Intelektual)

  • Data Science & Machine Learning: Ketertarikan mendalam pada proses mengekstrak makna dari data, baik melalui analisis statistik maupun pemodelan prediktif.
  • Visualisasi & Data Storytelling: Gairah untuk mengubah angka mentah menjadi cerita visual yang mudah dipahami dan dapat ditindaklanjuti oleh non-teknisi.
  • Pemecahan Masalah Pragmatis: Antusiasme dalam menggunakan data untuk menjawab pertanyaan spesifik atau memecahkan tantangan bisnis/sistem yang nyata.
  • Analisis dalam Konteks STI: Minat khusus dalam menerapkan data science untuk mengoptimalkan sistem informasi, memahami proses bisnis, atau menganalisis perilaku pengguna (user behavior).

4.4 3) A — Abilities (Kemampuan Andal)

  • Analisis Data Kuantitatif: Mampu melakukan data wrangling, analisis statistik deskriptif, dan pemodelan prediktif dasar.
  • Pemrograman Data & Database: Terampil menggunakan Python dan SQL untuk mengambil, memanipulasi, dan menganalisis data.
  • Visualisasi Data: Mampu membuat dasbor dan visualisasi yang efektif menggunakan tools seperti Tableau, Looker Studio, atau Matplotlib/Seaborn.
  • Analisis Sistem (Dasar): Mampu memetakan alur proses (konteks STI) yang membantu memberikan konteks pada analisis data.
  • Riset & Pembelajaran Mandiri: Sangat terampil dalam mempelajari library, algoritma, atau tools data science baru secara mandiri (misal: lewat Kaggle atau kursus online).

4.5 4) P — Personality (Gaya Kerja Profesional)

  • Metodis & Terstruktur: Bekerja dengan alur kerja yang jelas (CRISP-DM), mulai dari pemahaman masalah, penyiapan data, pemodelan, hingga evaluasi.
  • Analitis & Detail: Sangat teliti dalam proses data cleaning dan validasi, sadar bahwa kesalahan kecil pada data bisa berakibat fatal pada kesimpulan.
  • Mandiri & Proaktif: Tidak menunggu data “bersih” diberikan; aktif mencari data, membersihkannya, dan mengambil inisiatif untuk melakukan eksplorasi.
  • Reflektif: Cenderung mengambil waktu untuk memikirkan “apa arti” dari hasil analisis, tidak hanya melaporkan angkanya.

4.6 5) E — Experiences (Pengalaman Pembentuk)

  • Proyek Akademis STI: Melatih kemampuan dasar analisis proses, basis data, dan arsitektur sistem (misal: mata kuliah Literasi Data dan AI).
  • Pengalaman “Benturan”: Momen ketika mengerjakan proyek akademis STI dan menyadari bahwa passion terbesarnya adalah pada analisis data-nya, bukan pada perancangan sistemnya.
  • Pembelajaran Mandiri Data Science: Proses proaktif belajar Python, SQL, dan Machine Learning di luar kurikulum wajib STI (misal: lewat kursus daring, Kaggle), yang membangun disiplin dan portofolio.

4.7 6) Piagam Diri (Self-Charter)

Misi Profesional:
Menjadi jembatan antara data teknis dan kebutuhan bisnis/sistem, dengan menerjemahkan data mentah menjadi wawasan strategis menggunakan analisis data yang logis, metodis, dan berintegritas.
Nilai Inti:
Logika, Integritas (Data), Akurasi, Keingintahuan, Pertumbuhan.
Peran Ideal:
Data Scientist, Data Analyst, Business Intelligence Analyst, Systems Analyst (Data-focused).
Kompas Keputusan:
  1. Apakah ini didukung oleh data? (2) Apakah analisisnya akurat dan logis? (3) Apakah ini memecahkan masalah nyata bagi sistem/pengguna? (4) Apakah saya bisa belajar hal baru dari proses ini?
Janji Profesional:
Untuk selalu memulai dengan pertanyaan “apa masalahnya”, memvalidasi data sebelum menganalisis, dan menyajikan wawasan dengan jujur dan jelas.

4.8 7) Narasi Diri (versi 90 detik)

“Saya Faizal Ali, biasa dipanggil Faiz, seorang mahasiswa Sistem dan Teknologi Informasi (STI). Di STI, saya belajar pentingnya merancang sistem yang efisien. Namun, saya menemukan ‘benturan’—passion terbesar saya ternyata ada pada data di dalam sistem itu.

Kekuatan saya ada pada pemikiran analitis dan metodis. Saya menikmati proses mengurai data mentah, membersihkannya, dan menemukan pola tersembunyi. Pengalaman saya di proyek akademis STI dan pembelajaran mandiri data science mengajari saya satu hal: data adalah cara terbaik untuk memahami sistem.

Kini, misi saya adalah menggabungkan kedua dunia itu: menggunakan data science untuk menjawab ‘mengapa’ sebuah sistem bekerja, dan ‘bagaimana’ kita bisa membuatnya lebih baik.”

4.9 8) Rencana Aksi 90 Hari (SMART)

(Sebagai mahasiswa, aksi saya fokus pada pengembangan portofolio data)

  1. Selesaikan 1 proyek portofolio end-to-end.
    Outcome: 1 repositori GitHub berisi analisis data (dari scraping/cleaning hingga visualisasi/model) pada dataset baru.
    Due: T-90 hari.
  2. Pelajari 1 tools visualisasi data secara mendalam.
    Outcome: Menerbitkan 2 dasbor baru di Tableau Public untuk mengeksplorasi fitur-fitur yang lebih advanced.
    Due: T-60 hari.
  3. Identifikasi 1 topik Tugas Akhir (TA) yang menggabungkan STI & Data Science.
    Outcome: 1 proposal singkat (1 halaman) berisi rumusan masalah TA dan telah dikonsultasikan dengan 1 calon dosen pembimbing.
    Due: T-75 hari.