Apakah Lulusan Non-IT Bisa Kerja Jadi Data Scientist? Ini Skill yang Wajib Dikuasai

Rangkuman

• Lulusan non-IT bisa menjadi data scientist tanpa harus memiliki gelar IT, selama menguasai skill yang relevan seperti Python, SQL, statistik, dan machine learning.
• Tantangan seperti belum terbiasa coding, kurang memahami statistik, dan belum memiliki portfolio dapat diatasi dengan belajar secara bertahap dan konsisten.
• Career switch bisa dimulai dengan mempelajari fundamental, membangun project nyata, memanfaatkan background sebelumnya, serta menyiapkan portfolio dan pengalaman yang relevan.
• Siap mulai perjalananmu di bidang data science? Daftar Bootcamp Data Science untuk mendapatkan sertifikasi, real internship, 7 portfolio project, dan persiapan karier yang lebih terarah

Apakah lulusan non-IT bisa kerja jadi data scientist? Jawabannya, bisa. Meskipun data science identik dengan coding, matematika, dan teknologi, latar belakang IT bukan satu-satunya jalan untuk masuk ke bidang ini. 

Lulusan ekonomi, bisnis, matematika, statistika, teknik, bahkan bidang lain tetap punya peluang selama mau membangun skill yang relevan. 

Jadi, kalau kamu sedang mempertimbangkan career switch ke bidang data tetapi bukan berasal dari jurusan IT, sebenarnya apa saja yang perlu dipersiapkan? Yuk simak selengkapnya di bawah ini.

Apakah Harus Lulusan IT untuk Menjadi Data Scientist?

Tidak, kamu tidak harus lulusan IT untuk menjadi data scientist. Yang lebih penting adalah memiliki skill yang dibutuhkan di bidang data science, seperti programming, statistik, machine learning, pengolahan data, dan problem solving.

Jadi, meskipun berasal dari jurusan non-IT, kamu tetap bisa berkarier sebagai data scientist selama mau mempelajari kemampuan teknis dan membangun pengalaman yang relevan.

Baca Juga: Review Corporate Training Data Science Digital Skola: PT Indoterra Metallurgy Solutions 

Apa Skill yang Wajib Dikuasai Lulusan Non-IT untuk Jadi Data Scientist?

Ada beberapa skill yang perlu dikuasai agar kamu bisa memahami data, membangun model, hingga menyampaikan hasil analisis dengan baik. 

Lantas, apa saja kemampuan yang perlu dipelajari? Simak berikut ini.

1. Python

Python menjadi salah satu bahasa pemrograman yang banyak digunakan dalam data science karena sintaksnya relatif mudah dipelajari dan memiliki banyak library untuk mengolah data.

Kamu bisa menggunakan Python untuk:

• Data processing, seperti membersihkan dan mengolah data.
• Data analysis, seperti mencari pola dan informasi dari data.
• Machine learning, seperti membuat dan menguji model prediksi.

Sebagai pemula, kamu tidak perlu langsung menguasai Python tingkat lanjut. Mulai dari konsep dasar seperti variable, function, loop, dan penggunaan library yang umum digunakan dalam data science.

2. SQL

Selain Python, kamu juga perlu memahami SQL untuk mengambil dan mengolah data yang tersimpan dalam database. Kemampuan ini penting karena data yang dibutuhkan untuk analisis tidak selalu tersedia dalam bentuk file yang siap digunakan.

Beberapa konsep SQL dasar yang perlu kamu pelajari meliputi:

• SELECT untuk mengambil data.
• WHERE untuk menyaring data berdasarkan kondisi tertentu.
• JOIN untuk menggabungkan data dari beberapa tabel.
• GROUP BY untuk mengelompokkan data.
• Fungsi agregasi seperti COUNT, SUM, AVG, MIN, dan MAX.

Dengan memahami SQL, kamu akan lebih mudah mengambil data yang relevan sebelum melanjutkan proses analisis atau pemodelan.

3. Statistik dan Matematika

Statistik dan matematika menjadi dasar penting dalam data science karena membantu kamu memahami data dan menentukan apakah hasil analisis atau prediksi dapat dipercaya.

Beberapa konsep yang perlu dipahami antara lain:

• Probability untuk memahami kemungkinan terjadinya suatu kejadian.
• Mean dan median untuk memahami nilai tengah dalam data.
• Distribusi untuk melihat bagaimana data tersebar.
• Korelasi untuk melihat hubungan antara dua variabel.
• Hypothesis testing untuk menguji asumsi berdasarkan data.

Kamu tidak harus menjadi ahli matematika sejak awal. Fokuslah memahami konsep yang relevan dan bagaimana konsep tersebut digunakan untuk menyelesaikan masalah berbasis data.

4. Machine Learning

Machine learning memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi atau membantu pengambilan keputusan. Karena itu, kemampuan memahami konsep dasarnya penting bagi seorang data scientist.

Kamu perlu mengenal dua pendekatan utama:

• Supervised learning, yaitu model belajar dari data yang sudah memiliki label, misalnya untuk memprediksi harga rumah.
• Unsupervised learning, yaitu model mencari pola atau kelompok dalam data tanpa label, misalnya untuk melakukan segmentasi pelanggan.

Selain memahami algoritma seperti linear regression, decision tree, dan clustering, kamu juga perlu tahu kapan dan mengapa sebuah model digunakan. Jadi, bukan hanya menjalankan algoritma, tetapi memahami masalah yang ingin diselesaikan.

5. Data Visualization

Hasil analisis akan lebih mudah dipahami jika disajikan dalam bentuk visual yang tepat. Karena itu, data visualization menjadi skill penting untuk membantu menemukan pola sekaligus menyampaikan insight dari data.

Beberapa tools yang bisa kamu pelajari antara lain:

• Matplotlib dan Seaborn untuk membuat visualisasi menggunakan Python.
• Tableau atau Power BI untuk membuat dashboard dan visualisasi data yang lebih interaktif.

Kemampuan ini bukan hanya soal membuat grafik yang menarik, tetapi juga memilih jenis visualisasi yang tepat agar informasi dari data dapat tersampaikan dengan jelas.

6. Problem Solving dan Business Understanding

Data scientist tidak hanya bekerja dengan data, tetapi juga perlu memahami masalah yang ingin diselesaikan. Karena itu, kemampuan problem solving dan business understanding sama pentingnya dengan kemampuan teknis.

Misalnya, ketika perusahaan mengalami penurunan penjualan, seorang data scientist perlu menerjemahkan masalah tersebut menjadi pertanyaan yang bisa dijawab menggunakan data. 

Dari sana, kamu dapat menentukan data yang dibutuhkan, melakukan analisis, dan mencari pola yang dapat membantu perusahaan mengambil keputusan.

Artinya, kemampuan berpikir kritis dibutuhkan agar analisis yang dilakukan tidak berhenti pada angka, tetapi menghasilkan solusi yang relevan dengan kebutuhan bisnis.

7. Communication Skill

Kemampuan teknis yang kuat akan lebih berguna jika kamu mampu menjelaskan hasilnya kepada orang lain. 

Seorang data scientist perlu menyampaikan hasil analisis kepada stakeholder yang belum tentu memiliki latar belakang teknis.

Karena itu, kamu perlu belajar:

• Menjelaskan hasil analisis dengan bahasa yang sederhana.
• Menyampaikan insight dan rekomendasi secara jelas.
• Menghubungkan hasil analisis dengan kebutuhan bisnis.
• Menyajikan data melalui visualisasi yang mudah dipahami.

Jadi, pekerjaan data scientist bukan hanya mengolah angka dan membuat model, tetapi juga mengubah hasil analisis menjadi insight yang bisa dipahami dan digunakan untuk mengambil keputusan.

Apa Tantangan Lulusan Non-IT Saat Belajar Data Science?

Belajar data science dari latar belakang non-IT memang bisa memberikan beberapa tantangan, terutama saat mulai mempelajari hal-hal teknis.

Berikut tantangan yang mungkin muncul:

1. Belum Terbiasa dengan Coding

Bagi lulusan non-IT, coding mungkin menjadi salah satu hal yang paling terasa asing saat mulai belajar data science. Istilah dan logika pemrograman yang baru bisa membuat proses belajar terasa cukup menantang.

Untuk mengatasinya, jangan langsung mempelajari konsep yang kompleks. Mulailah dari fundamental seperti:

• Memahami variable dan tipe data.
• Menggunakan conditional statement dan loop.
• Membuat dan menggunakan function.
• Berlatih dengan kasus sederhana menggunakan Python.

Kuncinya adalah belajar secara bertahap dan rutin berlatih, bukan mencoba menguasai semua konsep dalam waktu singkat.

2. Kurang Familiar dengan Statistik

Statistik juga bisa menjadi tantangan bagi pemula, terutama jika sudah lama tidak mempelajarinya atau berasal dari jurusan yang tidak banyak menggunakan statistik. Padahal, konsep statistik dibutuhkan untuk memahami data dan hasil analisis.

Kamu tidak perlu mempelajari seluruh materi statistik sekaligus. Mulailah dari konsep yang paling relevan dengan data science, seperti:

• Mean, median, dan standard deviation.
• Probability dan distribusi data.
• Korelasi dan hubungan antarvariabel.
• Hypothesis testing.

Setelah memahami konsep dasarnya, kamu akan lebih mudah melihat bagaimana statistik digunakan dalam proses analisis dan pemodelan data.

3. Belum Memahami Tools Data Science

Ada banyak tools dan framework yang digunakan dalam data science, mulai dari Python, SQL, Pandas, NumPy, hingga berbagai machine learning framework. Banyaknya pilihan bisa membuat pemula bingung menentukan apa yang harus dipelajari terlebih dahulu.

Karena itu, jangan mencoba menguasai semua tools sekaligus. Fokus dulu pada tools yang paling fundamental dan sesuai dengan kebutuhan belajar, seperti Python dan SQL, kemudian lanjutkan ke tools atau framework lainnya secara bertahap.

Dengan cara ini, kamu bisa membangun fondasi yang kuat tanpa merasa harus mempelajari terlalu banyak hal dalam waktu bersamaan.

4. Belum Memiliki Portfolio

Tantangan lainnya adalah belum memiliki portfolio untuk menunjukkan kemampuan yang sudah dipelajari. Bagi career switcher, sertifikat saja belum tentu cukup untuk menunjukkan bahwa kamu mampu menerapkan skill data science dalam situasi nyata.

Karena itu, coba mulai membangun portfolio melalui project sederhana, misalnya:

• Analisis data penjualan.
• Prediksi harga rumah.
• Segmentasi pelanggan.
• Analisis customer churn.

Setiap project dapat menunjukkan bagaimana kamu mengidentifikasi masalah, mengolah data, melakukan analisis, hingga menghasilkan insight. 

Dengan begitu, portfolio bisa menjadi bukti konkret kemampuanmu ketika melamar pekerjaan dan membantu recruiter melihat potensi yang kamu miliki.

Baca Juga: Mengapa Python dan SQL Jadi Fondasi Wajib di Bootcamp Data Science? Ini Alasannya

Bagaimana Cara Lulusan Non-IT Memulai Karier sebagai Data Scientist?

Lulusan non-IT tetap bisa membangun karier sebagai data scientist selama memiliki strategi belajar yang jelas. Berikut langkah yang bisa kamu ikuti.

1. Pelajari Fundamental Data Science

Pertama bangun pemahaman dasar tentang data science. Kamu bisa mulai dari beberapa kemampuan utama seperti statistik, Python, SQL, dan data analysis.

Pelajari setiap kemampuan secara bertahap dan pahami bagaimana satu skill berhubungan dengan lainnya. 

Setelah memiliki fondasi yang cukup, kamu bisa melanjutkan ke materi yang lebih kompleks seperti machine learning.

2. Ikuti Kursus atau Bootcamp Data Science

Jika belajar sendiri terasa kurang terarah, mengikuti kursus atau bootcamp bisa menjadi pilihan, terutama bagi kamu yang baru melakukan career switch. 

Pembelajaran yang terstruktur dapat membantu menentukan materi mana yang perlu dipelajari terlebih dahulu.

Saat memilih program, perhatikan beberapa hal berikut:

• Memiliki kurikulum yang sesuai dengan kebutuhan industri.
• Menyediakan project untuk latihan.
• Memiliki mentor atau tutor yang dapat membantu proses belajar.
• Sesuai dengan kemampuan awal dan target kariermu.

Dengan begitu, kamu tidak hanya mendapatkan materi pembelajaran, tetapi juga memiliki kesempatan untuk langsung mempraktikkan skill yang dipelajari.

3. Bangun Portfolio dengan Project Nyata

Setelah mempelajari fundamental, jangan berhenti di teori. Buat beberapa project yang menunjukkan kemampuanmu dalam menyelesaikan masalah menggunakan data.

Beberapa contoh project yang bisa kamu coba antara lain:

• Prediksi harga rumah untuk mempraktikkan regression.
• Customer churn prediction untuk memprediksi pelanggan yang berpotensi berhenti menggunakan layanan.
• Customer segmentation untuk mengelompokkan pelanggan berdasarkan karakteristik tertentu.
• Sales forecasting untuk memprediksi penjualan di periode berikutnya.
• Sentiment analysis untuk menganalisis sentimen dari data teks.

Pilih project yang sesuai dengan kemampuanmu dan pastikan kamu memahami setiap prosesnya, bukan sekadar mengikuti tutorial.

4. Upload Project ke GitHub

Setelah project selesai, kamu bisa mengunggahnya ke GitHub sebagai bagian dari portfolio. 

GitHub memungkinkan recruiter atau calon pemberi kerja melihat secara langsung bagaimana kamu mengerjakan sebuah project.

Jangan hanya mengunggah kode tanpa penjelasan. Dokumentasikan beberapa hal penting seperti:

• Problem: masalah apa yang ingin diselesaikan?
• Dataset: data apa yang digunakan?
• Method: metode atau algoritma apa yang digunakan?
• Process: bagaimana proses pengolahan dan analisis datanya?
• Insight: apa hasil atau temuan dari analisis tersebut?

Portfolio yang terdokumentasi dengan baik akan membuat kemampuanmu lebih mudah dipahami, terutama jika kamu berasal dari latar belakang non-IT.

5. Mulai Melamar Posisi yang Relevan

Setelah memiliki fundamental dan portfolio, kamu bisa mulai mencari posisi yang sesuai dengan kemampuanmu. 

Jangan hanya terpaku pada satu jabatan karena ada beberapa posisi yang dapat menjadi pintu masuk ke bidang data.

Beberapa posisi yang bisa kamu pertimbangkan antara lain:

• Data Scientist untuk posisi yang sesuai dengan kemampuan data science yang sudah kamu kuasai.
• Junior Data Scientist sebagai pilihan bagi kamu yang masih berada di tahap awal karier.
• Machine Learning Intern untuk mendapatkan pengalaman langsung dalam penerapan machine learning.
• Data Analyst sebagai salah satu entry point untuk membangun pengalaman di bidang data sebelum berkembang ke posisi data scientist.

Yang terpenting, jangan menunggu sampai merasa menguasai semuanya baru mulai mencari pengalaman. 

Bangun kemampuan, buat project, dan mulai mencari kesempatan secara bertahap agar proses career switch ke bidang data science bisa berjalan lebih realistis.

Apakah Lulusan Non-IT Bisa Langsung Menjadi Data Scientist?

Bisa, tetapi menjadi data scientist secara langsung bukan selalu jalur yang paling mudah bagi lulusan non-IT. 

Kamu tetap bisa melamar posisi data scientist jika sudah memiliki skill, portfolio, dan pengalaman yang sesuai dengan kebutuhan perusahaan. 

Namun, jika masih membangun fundamental, posisi Data Analyst bisa menjadi salah satu entry point yang lebih realistis.

Melalui posisi tersebut, kamu bisa mendapatkan pengalaman mengolah dan menganalisis data, memahami kebutuhan bisnis, serta bekerja dengan tools yang digunakan di bidang data. 

Pengalaman ini dapat menjadi bekal untuk mengembangkan kemampuan sebelum beralih ke role data scientist.

Peluangmu untuk masuk ke posisi data scientist akan bergantung pada kemampuan teknis, kualitas portfolio, pengalaman, dan kebutuhan masing-masing perusahaan, bukan semata-mata latar belakang pendidikan.

Jurusan Non-IT Apa yang Bisa Jadi Data Scientist?

Tidak ada satu jurusan tertentu yang menjadi syarat mutlak untuk berkarier sebagai data scientist. 

Justru, beberapa latar belakang non-IT memiliki kemampuan yang relevan dengan kebutuhan data science, mulai dari kemampuan analitis hingga pemahaman bisnis. 

Berikut beberapa contohnya:

Meski begitu, jurusan bukan batasan utama untuk menjadi data scientist. 

Latar belakang pendidikan bisa menjadi modal awal, tetapi kamu tetap perlu membangun skill yang relevan, seperti Python, SQL, statistik, machine learning, dan data analysis. 

Dengan mengombinasikan kemampuan tersebut dengan background yang sudah kamu miliki, peluang untuk berkarier di bidang data science akan semakin terbuka. 

Berapa Lama Belajar Data Science untuk Lulusan Non-IT?

Tidak ada durasi pasti yang berlaku untuk semua orang ketika belajar data science, karena setiap orang memiliki background, waktu belajar, dan target role yang berbeda. 

Lulusan non-IT yang baru mengenal coding tentu membutuhkan waktu adaptasi yang berbeda dengan seseorang yang sudah terbiasa mengolah data. 

Karena itu, daripada berfokus pada berapa bulan sampai “siap kerja”, lebih baik gunakan roadmap sebagai panduan belajar secara bertahap.

Secara umum, kamu bisa mengikuti tahapan berikut:

• Fundamental 
• Python & SQL 
• Data Analysis 
• Statistics 
• Machine Learning 
• Portfolio 
• Job Preparation

Di tahap awal, fokus membangun pemahaman fundamental dan kemampuan teknis seperti Python dan SQL. 

Setelah itu, lanjutkan ke data analysis dan statistik sebelum mempelajari machine learning. Ketika sudah mulai mampu mengerjakan project, bangun portfolio dan persiapkan diri untuk proses rekrutmen.

Baca Juga: 8 Tips Memilih Bootcamp Data Analyst yang Sesuai dengan Tujuan Karier

Tips Career Switch dari Non-IT ke Data Scientist

Berpindah karier dari bidang non-IT ke data scientist memang membutuhkan proses belajar dan adaptasi. Namun, kamu tidak harus menguasai semuanya sekaligus. 

Berikut tips buat kamu:

1. Jangan Merasa Harus Menguasai Semuanya

Saat mulai belajar data science, kamu akan menemukan banyak tools, bahasa pemrograman, dan konsep yang perlu dipelajari. Hal ini bisa membuat proses belajar terasa overwhelming, terutama bagi pemula.

Karena itu, fokuslah terlebih dahulu pada skill fundamental seperti Python, SQL, statistik, dan data analysis. 

Setelah memiliki dasar yang kuat, kamu bisa melanjutkan ke materi yang lebih kompleks sesuai dengan target role yang ingin dicapai.

2. Manfaatkan Background Sebelumnya

Latar belakang non-IT bukan sesuatu yang harus kamu tinggalkan ketika melakukan career switch. 

Justru, pengalaman dan pengetahuan dari bidang sebelumnya bisa menjadi keunggulan ketika digabungkan dengan skill data.

Misalnya, lulusan ekonomi dapat memanfaatkan pemahaman tentang bisnis dan analisis ekonomi, sementara lulusan psikologi dapat menggabungkan skill data dengan pemahaman tentang perilaku manusia. 

Kombinasi antara data skill dan domain knowledge ini dapat membantu kamu memahami masalah secara lebih kontekstual.

3. Fokus pada Project yang Relevan

Jangan hanya membuat project karena mengikuti tutorial. Pilih project yang dapat menunjukkan bagaimana kamu menggunakan data untuk menyelesaikan masalah tertentu.

Misalnya, kamu bisa membuat project prediksi customer churn, analisis penjualan, atau segmentasi pelanggan. 

Dalam setiap project, tunjukkan proses mulai dari memahami masalah, mengolah data, melakukan analisis, hingga menghasilkan insight dan rekomendasi.

Dengan begitu, portfolio kamu tidak hanya menunjukkan bahwa kamu bisa menggunakan tools, tetapi juga menunjukkan kemampuan problem solving.

4. Bangun Personal Branding

Ketika melakukan career switch, kamu juga perlu membuat kemampuanmu lebih mudah ditemukan dan dinilai oleh recruiter. Salah satu caranya adalah membangun personal branding di platform profesional.

Beberapa platform yang bisa kamu manfaatkan antara lain:

• LinkedIn untuk membagikan proses belajar, insight, atau project yang sedang dikerjakan.
• GitHub untuk menyimpan dan menunjukkan kode serta project data science.
• Portfolio website jika kamu ingin mengumpulkan berbagai project dan pengalaman dalam satu tempat.

Tidak perlu langsung membuat konten setiap hari. Yang lebih penting adalah menunjukkan perkembangan dan kemampuan secara konsisten.

5. Jangan Hanya Mengandalkan Sertifikat

Sertifikat dapat menunjukkan bahwa kamu pernah mengikuti suatu program pembelajaran, tetapi belum tentu menggambarkan kemampuanmu dalam menyelesaikan masalah menggunakan data.

Karena itu, lengkapi sertifikat dengan project dan portfolio yang bisa menunjukkan apa yang benar-benar dapat kamu lakukan. 

Tampilkan proses pengerjaan, metode yang digunakan, hasil analisis, serta insight yang kamu temukan.

Dengan cara ini, recruiter tidak hanya melihat bahwa kamu sudah belajar data science, tetapi juga mendapatkan gambaran tentang bagaimana kamu menerapkan skill tersebut dalam situasi nyata.

Kesimpulan

Lulusan non-IT tetap punya peluang untuk berkarier sebagai data scientist selama mau membangun skill yang relevan, seperti Python, SQL, statistik, machine learning, dan data analysis. 

Latar belakang pendidikan bukan menjadi batasan utama, karena kemampuan tersebut dapat dipelajari melalui pembelajaran terstruktur, latihan, dan project nyata. 

Jadi, jika kamu sedang mempertimbangkan career switch ke bidang data, mulai dari fundamental, manfaatkan background yang sudah dimiliki, bangun portfolio, dan terus kembangkan kemampuan secara konsisten.

Bukan Lulusan IT? Saatnya Mulai Karier sebagai Data Scientist!

Lewat Bootcamp Data Science with Certification + Real Internship dari Digital Skola, kamu bisa belajar secara terstruktur dengan pendekatan yang beginner friendly dan langsung mempraktikkan skill yang dibutuhkan industri.

Dengan mengikuti bootcamp ini, kamu bisa mendapatkan:

• Sertifikasi BNSP & Microsoft Azure sebagai bukti kompetensi.
• Real internship untuk mendapatkan pengalaman kerja yang relevan.
• 7 portfolio project untuk memperkuat CV dan LinkedIn.
• Praktik AI untuk memahami penerapan teknologi dalam data science.
• Sesi Global Career untuk membuka peluang karier di tingkat global.
• Blended learning bersama tutor expert dengan pembelajaran yang cocok untuk pemula.

Daftar sekarang dan mulai perjalananmu menjadi Data Scientist profesional bersama Digital Skola!

FAQ

1. Apakah harus punya pengalaman kerja di bidang IT untuk menjadi Data Scientist?

Tidak harus. Pengalaman di bidang IT memang bisa menjadi nilai tambah, tetapi kamu tetap bisa menjadi data scientist tanpa pengalaman kerja di bidang IT selama memiliki skill yang relevan, seperti Python, SQL, statistik, machine learning, dan data analysis.

2. Apakah lulusan non-IT harus belajar coding dari nol untuk menjadi Data Scientist?

Jika belum pernah belajar coding, kamu memang perlu mempelajari dasar-dasarnya terlebih dahulu. Namun, kamu tidak harus langsung menguasai coding tingkat lanjut. Mulailah dari konsep dasar Python, kemudian lanjutkan ke penerapannya dalam pengolahan dan analisis data.

3. Apakah Data Scientist cocok untuk orang yang tidak terlalu kuat di matematika?

Bisa. Kamu tidak harus menjadi ahli matematika untuk belajar data science. Namun, pemahaman tentang statistik dan konsep matematika dasar tetap dibutuhkan untuk memahami data dan machine learning. Kamu bisa mempelajarinya secara bertahap sesuai kebutuhan.

4. Apa yang harus dipersiapkan sebelum melamar pekerjaan sebagai Data Scientist?

Selain memahami skill teknis, kamu sebaiknya menyiapkan portfolio yang menunjukkan kemampuan mengolah dan menganalisis data, CV yang relevan, serta akun profesional seperti LinkedIn dan GitHub. Dengan begitu, kamu memiliki bukti konkret bahwa skill yang dipelajari bisa diterapkan pada project nyata.