CV Tebal Belum Tentu Hebat: Saatnya Rekrut Berdasarkan Bukti

Suka membaca artikel seperti ini? Subscribe newsletter kami dan dapatkan insight terbaru setiap bulan.

Dalam dunia rekrutmen teknis, terutama untuk peran krusial seperti Data Engineer, AI/ML Engineer, dan Data Scientist, kita sering melihat fenomena yang meresahkan: tumpukan CV dan sertifikat yang tebal, tetapi minim bukti kerja nyata. Banyak perusahaan masih terjebak dalam checklist tradisional, dengan mengutamakan gelar akademik dan lembaran sertifikasi daripada kemampuan praktis. Padahal, peran-peran ini menuntut lebih dari sekadar teori. Mereka membutuhkan craftsmanship, kemampuan memecahkan masalah, dan kemampuan untuk mewujudkan proyek dari nol hingga menghasilkan sesuatu.

Ilusi Kompetensi dari Sertifikat

Sertifikat dan kursus daring memang penting sebagai fondasi pengetahuan. Namun, lembaran kertas atau PDF tersebut hanya menunjukkan bahwa seseorang telah menyelesaikan materi, bukan bahwa mereka mampu mengaplikasikan materi tersebut di bawah tekanan dunia nyata.

Seseorang bisa memiliki 10 sertifikat machine learning, tetapi apakah mereka pernah:

Membangun dan mendeploy model ke lingkungan produksi?
Mengelola pipeline data yang robust dengan jutaan record?
Mengoptimalkan query basis data yang lambat?

Jawaban atas pertanyaan-pertanyaan inilah yang membedakan seorang “teoretisi” dari seorang “praktisi” ulung.

GitHub: Jantung Portofolio Seorang Profesional Data

Gambar di atas merangkum dilema ini dengan sempurna: satu pihak dibanjiri sertifikat, sementara pihak lain merenungkan roda mobil yang rusak, sebuah metafora untuk masalah nyata yang harus dipecahkan. Di tengahnya, layar menunjukkan “NOT FOUND!” saat mencari bukti kerja nyata, seperti di GitHub.

GitHub, atau platform version control lainnya, bukan hanya tempat menyimpan kode. Ini adalah living proof dari seorang profesional teknis.

Apa yang Dibongkar oleh GitHub?

Kemampuan Praktis (The 'How'): Melihat repositori GitHub memungkinkan rekruter melihat bagaimana kandidat menulis kode. Apakah kodenya bersih? Apakah mengikuti best practice? Apakah ada dokumentasi yang memadai?
Kepemilikan Proyek (The 'What'): Proyek di GitHub menunjukkan inisiatif, semangat belajar, dan spesialisasi. Seseorang yang memiliki repositori proyek end-to-end, mulai dari data ingestion, preprocessing, hingga model deployment, jauh lebih berharga daripada lulusan dengan IPK sempurna tanpa satu pun proyek side-hustle.
Konsistensi dan Komitmen (The 'When'): Riwayat commit memberikan gambaran tentang seberapa aktif dan konsisten kandidat dalam belajar dan membangun. Ini menunjukkan gairah yang melampaui tuntutan pekerjaan.

Respons “Ngeles” Saat Ditanya Proyek Nyata

Ketika wawancara memasuki sesi teknis, rekruter sering menemukan kandidat dengan CV mentereng yang mendadak “ngeles” atau mengalihkan pembicaraan saat ditanya detail proyek:

“Oh, proyeknya bersifat rahasia perusahaan, tidak bisa saya tunjukkan.” (Padahal, mereka bisa menunjukkan contoh anonim atau proyek pribadi yang setara).
“Itu proyek tim, saya hanya bagian kecilnya saja.” (Menunjukkan ketidakmampuan untuk menjelaskan kontribusi spesifik dan mendalam).
“Saya belum sempat mengunggahnya ke GitHub.” (Sebuah sinyal bahwa kepraktisan dan visibilitas kerja bukanlah prioritas).

Respons seperti ini adalah red flag utama. Seorang profesional data yang serius akan selalu memiliki proyek pribadi atau portofolio yang dapat ditunjukkan, meski hanya menggunakan data simulasi, untuk membuktikan kemampuan mereka.

Solusi: Pergeseran Paradigma Rekrutmen

Untuk memenangkan perang talenta data, perusahaan harus berani mengubah fokus rekrutmen mereka:

Prioritaskan Portofolio: Jadikan tautan GitHub atau portofolio proyek sebagai hal yang wajib dalam lamaran, bukan sekadar opsional.
Uji Kemampuan, Bukan Memori: Ganti pertanyaan wawancara teoretis dengan tes studi kasus nyata, seperti take-home challenge yang relevan, atau sesi live coding.
Tanyakan “Proses”, Bukan “Hasil Akhir”: Saat meninjau portofolio, fokuskan pertanyaan pada trade-offs yang dibuat kandidat, tantangan data yang dihadapi, serta bagaimana mereka melakukan debug atau mengoptimalkan solusi mereka.

Merekrut seorang Data Engineer atau AI/ML Engineer adalah tentang mencari seseorang yang mampu membangun dan memperbaiki mesin yang kompleks. Jika seorang kandidat tidak memiliki toolkit yang terlihat dan terbukti, maka tumpukan kertasnya hanya akan menjadi beban.

Sudah saatnya kita berhenti merekrut berdasarkan potensi teori dan mulai merekrut berdasarkan bukti kinerja nyata. Selayaknya, kita bisa menerapkan hal ini untuk profesi lain di luar Data Scientist.

Artikel ini diterbitkan dari akun LinkedIn milik Heru Wiryanto.