At 30, I stood at a fork I hadn't planned for: try my hand at running a business, or keep building a professional career. I chose to keep pursuing the professional path — not out of fear of business, but because I wanted to first understand, from the inside, how a corporation actually operates, and what it really takes to keep any business alive in a climate that has felt increasingly chaotic. I didn't want to jump into building something of my own without first understanding the machine I'd be competing against.

That decision wasn't passive. It was a deliberate trade: delay the entrepreneurial leap in exchange for a front-row seat to how corporate machinery actually runs — the politics, the budgets, the compromises, and the machinery that keeps it all moving.
Looking honestly at my own record: I did lead once — I was entrusted with a small team for the last project around six months of my six-year career at a technology consulting firm, leading the build of a big data analytics platform before decided to resign. I'm grateful I had that experience. After that, a short but intense stint at an end-user corporation followed, I moved into freelance, project-based full-stack work, and for the last three years, almost every corporate has been delivered as a solo, end-to-end contributor. No team under me. Strong evidence I can own a project alone. Thin, recent evidence that I can lead one.

Now I'm 30+, and freelance/project-based work carries its own version of layoff risk: contracts and engagements end, on someone else's timeline, not mine. So I'm weighing three doors at once: keep riding project-based work and absorb whatever comes when an engagement winds down, resign from that cycle on my own terms, or actively chase a permanent role that offers real stability. This note is the honest accounting of that fork — and the start of using something more rigorous than gut feeling to decide what comes next: applying real Machine Learning, not as a buzzword, but as an actual method, to my own career data.

#TurningThirtyPlus #CareerCrossroads #IndividualContributor #SoloEndToEnd #AppliedMachineLearning #CareerRoadmap

Satu hal yang lama sekali baru saya sadari: belajar itu sendiri perlu dipelajari caranya.

Saya tumbuh tanpa banyak privilege. Tidak ada orang tua yang secara finansial mapan, tidak ada lingkungan keluarga yang secara aktif mendorong pendidikan. Ketimpangan itu nyata — dan saya rasakan sejak lama. Tapi hidup, dengan caranya sendiri yang kadang keras, tetap menuntut saya untuk terus mengambil pelajaran — bahkan ketika tidak ada yang mengajari saya cara belajar dengan benar.

Mungkin ini terdengar terlambat. Tapi saya percaya — tidak ada yang benar-benar terlambat, selama masih ada kemauan untuk bertumbuh.
Pendidikan Formal dan Jalan yang Tidak Terduga

Pendidikan formal bukan medan yang ramah buat saya. Cognitive test adalah salah satu titik lemah saya — dan kini saya mulai memahami bahwa ini bukan sekadar soal kemampuan, melainkan ada mental block yang sudah lama mengakar.

Matematika, salah satunya — bukan pelajaran yang pernah saya nikmati. Bukan karena saya tidak mampu secara potensial, tapi karena cara mengajarnya tidak pernah menyenangkan dan tidak pernah membuat saya merasa aman untuk tidak tahu. Matematika terasa seperti buah pahit yang meninggalkan rasa takut, bukan rasa ingin tahu.

Saya masih ingat betul — bagaimana setelah lulus Vokasi Multimedia, saya sangat ingin masuk jurusan Psikologi. Tapi nilai rapor tidak cukup, dan jalur beasiswa terasa terlalu jauh untuk dijangkau. Pada akhirnya, jalan hidup membawa saya ke dunia teknologi — dan justru di sinilah saya mulai menyadari bahwa pendidikan sejati punya kurikulumnya sendiri, dan ia ditemukan dalam kehidupan nyata.

Apa yang Sebenarnya Saya Pelajari tentang Belajar

Seiring waktu, saya mulai menemukan berbagai pendekatan yang tidak pernah diajarkan sebelumnya — cara belajar yang benar-benar sesuai dengan diri saya sendiri.

Top-Down Learning adalah fondasi utama saya. Sebelum masuk ke detail teknis, saya selalu butuh melihat mengapa topik ini penting dan bagaimana posisinya dalam gambaran yang lebih besar. Peta konsep dan mind map bukan sekadar alat — itu adalah cara saya membangun struktur mental dari sebuah materi sebelum mulai mempelajarinya lebih dalam.

First Principles Thinking adalah cara berpikir yang paling alami bagi saya. Daripada mengikuti cara yang sudah ada, saya cenderung memecah masalah sampai ke asumsi paling dasarnya, lalu membangunnya ulang dari sana. Ini yang membuat saya sering terlihat “tidak konvensional” — bukan karena ingin tampil beda, tapi karena cara ini memang bekerja untuk saya.

Project-Based Learning adalah cara saya memvalidasi pemahaman. Membuat mini-project, tulisan, atau analisis dari materi yang dipelajari — bukan hanya membuat ilmu terasa nyata; ini juga cara saya memastikan bahwa saya tidak sekadar tahu, tapi benar-benar bisa menggunakan apa yang dipelajari.

Metakognisi, terakhir, adalah kesadaran bahwa untuk bisa belajar dengan efektif, saya perlu tahu cara belajar yang efektif. Metakognisi adalah kemampuan berpikir tentang cara berpikir kita sendiri — mengevaluasi apakah strategi yang digunakan benar-benar bekerja, dan berani mengubahnya kalau tidak sesuai.

Satu Kecerdasan yang Saya Syukuri

Di tengah semua keterbatasan pendidikan formal yang pernah saya alami, ada satu hal yang saya akui sebagai kekuatan — sesuatu yang pelan-pelan mulai bisa saya banggakan: kemampuan mengenal diri sendiri.

Dalam teori Howard Gardner tentang kecerdasan majemuk, ini disebut Intrapersonal Intelligence. Kecerdasan intrapersonal adalah kapasitas untuk memahami diri sendiri secara mendalam — mencakup kesadaran diri, introspeksi, dan kemampuan merefleksikan pikiran, emosi, motivasi, serta tujuan hidup. Cenderung menjadi pembelajar mandiri yang mencari makna dari apa yang mereka lakukan, dan mampu menilai kekuatan serta kelemahan diri secara jujur.

Ini bukan kecerdasan yang diuji dalam seleksi masuk universitas. Tapi justru inilah yang membuat saya masih bisa terus belajar sepanjang hidup — karena mengenal diri sendiri adalah pondasi untuk tahu cara belajar yang paling sesuai dengan kita.

Saya tidak tahu apakah ini terlambat atau tepat waktu. Yang saya tahu, belajar cara belajar adalah investasi paling jujur yang bisa saya lakukan untuk diri sendiri — sekarang, bukan demi gelar atau nilai, tapi demi menjadi manusia yang terus tumbuh seutuhnya.
#LearnHowToLearn #IntrapersonalIntelligence #Metakognisi #FirstPrinciples #TopDownLearning #ProjectBasedLearning

Break sejenak dari minggu yang cukup padat. Deadline ketat, cognitive load tinggi dan sistem yang menuntut presisi logika end-to-end — tapi ada AI yang membantu code generation sebagai assistant, beban mental tetap terasa nyata. Shifting ke hal kreatif di akhir pekan jadi cara yang tepat untuk mereset fokus.

Refleksi singkat, semasa vokasi Multimedia saya sudah bersentuhan langsung dengan dunia desain — poster, vector dan animasi. Dulu, mengedit foto atau membuat vector ilustrasi bisa menghabiskan waktu seharian. Sekarang, proses yang sama bisa diselesaikan AI dalam hitungan menit.

Apakah ini arah yang baik atau buruk? Jawabannya bergantung pada bagaimana kita membaca realita yang sedang berjalan.
Saya mencoba mengikuti tren instant poster generation dari GPT — hasilnya cukup menarik. Dimulai dari sebuah eksperimen sederhana: foto LinkedIn saya yang menghadap ke depan (full face, frontal) diubah menjadi side profile (sudut 90°) dalam beberapa menit tentunya dengan prompting yang sangat detail output-nya akurat secara proporsi wajah dan terasa natural bukan sekadar filter atau crop dan sebagai konten dasar posternya berasal dari hasil scraping web portfolio ini dan berikut hasilnya...

#CreativeReset #AIDesign #PosterGeneration #GPT #PromptEngineering #MultimediaVocational

Menyingkap prompting dibalik layar. Note 1 (Evolusi Karir) dan Note 2 (Cetak Biru 5 Tahun) bukan murni hasil dari ketikan saya. Tugas saya adalah melakukan ideasi, menuangkan gagasan mentah dan menyiapkan intisari pengalaman ke dalam kolom prompt Gemini. AI yang melakukan kompilasi, merapikan struktur dan mengeksekusi sintaks.

Penting untuk digarisbawahi: Proyeksi jangka panjang pada Note 2 bukanlah data fiktif atau tebakan acak AI. Output tersebut merupakan hasil Predictive Modeling yang mengolah data input historis saya (Note 1), lalu memetakannya secara logis menggunakan referensi ilmiah yang valid dan teruji (Psikologi Kognitif, Stoikisme, Manajemen Strategi dan Behavioral Science). Menginterpretasikan saya sebagai Data Source yang otentik dan Gemini adalah processing engine yang memvalidasinya lewat sains.

#HumanPlusAI #PromptEngineering #AppliedAI #PredictiveModeling #DataPipeline #ScientificValidation

Jika 10 tahun ke belakang (Note 1) adalah tentang akumulasi kapabilitas teknis dan arsitektur data, maka 5 tahun ke depan adalah tentang Kedaulatan Berpikir. Di era di mana AI mampu mereplikasi kode dan komputasi dalam hitungan detik, diferensiasi manusia tidak lagi terletak pada execution speed, melainkan pada ketajaman mendefinisikan masalah.

Menatap 2026–2031 bukan lagi tentang mengumpulkan tumpukan teknologi baru, melainkan mengadopsi metode Reverse Thinking—memulai dari dampak nyata yang ingin diciptakan, menjaga kejernihan mental lewat kesendirian strategis (solitude), baru menarik mundur arsitektur teknologi pendukungnya.

#ReverseThinking #DataTechnovation #MindfulArchitect #NextEraBlueprint #HumanAgency

Setelah 10+ tahun melewati implementasi, data engineering, hingga full-stack development — satu hal yang tidak pernah berubah: teknologi terbaik sekalipun akan gagal jika kita tidak memahami akar masalahnya dulu.

Menjadi pragmatic programmer bukan soal menguasai stack terbaru atau tool AI yang sedang viral. Ini soal moral dan etika dalam menyelesaikan masalah. Melihat ke dalam dulu, mencari solusi yang tepat, baru kemudian memilih teknologi yang sesuai.

AI tidak mengubah prinsip ini. Justru mempertegas: garbage in, garbage out — berlaku untuk data, untuk prompt, dan untuk keputusan bisnis.

#PragmaticProgrammer #DataEngineering #SoftwareDevelopment #AIEthics #TechEvolution