tl;dr: LangChain = framework open-source (Python & JS) paling populer buat bangun aplikasi berbasis LLM — dari chatbot sampai AI Agent kompleks. Tutorial ini bahasa Indonesia, langsung praktik: instalasi via pip, setup API key OpenAI/Gemini/Ollama, bikin agent pertama dengan tools, rantai prompt (LCEL), vector store buat RAG, sampai memory. Ada perbandingan LangChain vs CrewAI vs AutoGen vs LangGraph + FAQ. Cocok buat pemula yang mau cepat bisa bikin agent nyata.

Pendahuluan

Kamu pasti sudah dengar: AI Agent adalah masa depan otomatisasi bisnis. Tapi pertanyaannya, gimana cara mulai bikinnya kalau kamu bukan data scientist senior?

Jawabannya: LangChain.

LangChain adalah framework Python (dan JavaScript) yang paling populer untuk membangun aplikasi berbasis LLM — dari chatbot sederhana sampai agent kompleks dengan ribuan tools. Di 2026, LangChain sudah memasuki versi stabil dengan ekosistem yang matang, dokumentasi lengkap, dan komunitas global yang aktif.

Tapi masalahnya? Sebagian besar tutorial berbahasa Inggris. Buat developer Indonesia yang pengen cepat praktik, ini jadi hambatan.

Makanya tutorial LangChain Bahasa Indonesia ini hadir. Langsung praktik, tanpa basa-basi.

Apa Itu LangChain?

LangChain adalah framework open-source yang dirilis oleh LangChain Inc. Fungsinya: memudahkan developer menghubungkan LLM dengan data eksternal, API, database, dan tools lain.

Daripada kamu coding dari nol untuk:

• Mengelola prompt ke LLM
• Memanggil tools eksternal
• Menyimpan riwayat percakapan
• Membuat rantai pemrosesan multi-langkah

…LangChain sudah menyediakan semuanya dalam API yang rapi dan modular.

Komponen Utama LangChain

Komponen	Fungsi	Contoh Penggunaan
Models	Antarmuka ke berbagai LLM	OpenAI GPT, Gemini, Claude, Ollama
Prompts	Template dan manajemen prompt	Prompt templates, few-shot, dynamic variables
Chains	Rangkaian pemrosesan	LLMChain, SequentialChain, RouterChain
Agents	Agent otonom dengan tools	Web search, kalkulasi, API calls
Memory	Penyimpanan konteks percakapan	ConversationBufferMemory, summary memory
Retrieval	RAG (Retrieval-Augmented Generation)	Document loaders, vector stores, text splitters
Callbacks	Logging dan monitoring	Token usage tracking, custom handlers

Instalasi LangChain

Sebelum mulai pastikan Python 3.10+ sudah terinstal. LangChain versi terbaru (v0.3+) sudah mendukung Python 3.9 sampai 3.13.

# Buat virtual environment (rekomendasi)
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
.venvScriptsactivate     # Windows

Install LangChain core
pip install -U langchain

Install integrasi model (pilih salah satu)
pip install langchain-openai    # Untuk OpenAI
pip install langchain-google-genai  # Untuk Gemini
pip install langchain-community  # Model komunitas + Ollama

Setup API Key

# Linux/Mac
export OPENAI_API_KEY="sk-your-api-key-here"
export GOOGLE_API_KEY="your-gemini-api-key"

Windows PowerShell
$env:OPENAI_API_KEY="sk-your-api-key-here"

Tips: Untuk development, pakai Ollama biar gratis. LangChain mendukung Ollama out-of-the-box.

# Install Ollama, lalu jalankan model lokal
ollama pull llama3.1
ollama pull mistral

Membuat Agent Pertama dengan LangChain

Ini bagian yang paling seru. Kita bikin agent sederhana yang bisa menjawab pertanyaan dan mencari informasi dari web.

from langchain.agents import create_agent
from langchain.agents import Tool

1. Definisikan tools yang akan digunakan agent
def get_waktu_jakarta(query: str) -> str:
    """Dapatkan informasi waktu di Jakarta"""
    from datetime import datetime
    return f"Sekarang di Jakarta: {datetime.now().strftime('%H:%M WIB')}"

def hitung_pajak(omzet: str) -> str:
    """Hitung estimasi pajak UMKM berdasarkan omzet"""
    try:
        angka = float(omzet.replace("juta", "000000").replace("milyar", "000000000"))
        ppn = angka * 0.11
        pph_final = angka * 0.005
        return f"PPN: Rp{ppn:,.0f}, PPh Final: Rp{pph_final:,.0f}"
    except:
        return "Format tidak dikenal. Contoh: 500juta"

tools = [
    Tool(name="WaktuJakarta", func=get_waktu_jakarta, description="Cek waktu di Jakarta"),
    Tool(name="HitungPajak", func=hitung_pajak, description="Hitung pajak UMKM"),
]

2. Buat agent dengan model OpenAI
agent = create_agent(
    model="openai:gpt-4o",
    tools=tools,
    system_prompt="Kamu adalah asisten bisnis yang membantu pengguna dengan pajak dan waktu."
)

3. Jalankan agent
result = agent.run("Hitung pajak untuk omzet 500 juta")
print(result)

Hasilnya? Agent akan otomatis memanggil fungsi hitung_pajak("500juta"), lalu merangkum hasilnya dalam bahasa natural.

Membuat Rantai Prompt (Prompt Chain)

Salah satu fitur paling powerful dari LangChain adalah Chains. Kamu bisa menyusun beberapa langkah pemrosesan secara berurutan.

from langchain.prompts import ChatPromptTemplate
from langchain.schema import StrOutputParser

Rantai 1: Generate ide konten
prompt_ide = ChatPromptTemplate.from_template(
    "Buat 3 ide artikel blog tentang {topik} untuk bisnis kecil."
)

Rantai 2: Expand ide menjadi outline
prompt_outline = ChatPromptTemplate.from_template(
    "Buat outline detail untuk ide artikel berikut: {ide}"
)

Gabungkan dengan pipe operator (LCEL)
chain_ide = prompt_ide | model | StrOutputParser()
chain_outline = prompt_outline | model | StrOutputParser()

Jalankan berurutan
ide = chain_ide.invoke({"topik": "AI untuk UMKM"})
outline = chain_outline.invoke({"ide": ide})

LCEL (LangChain Expression Language) adalah cara baru dan direkomendasikan untuk membuat rantai di LangChain. Sintaksnya | mirip Unix pipe — sederhana dan intuitif.

Integrasi dengan Vector Store

Biar agent kamu bisa “membaca” dokumen perusahaan, kamu perlu vector store. Ini dasar dari RAG (Retrieval-Augmented Generation).

from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_chroma import Chroma

1. Load dokumen
with open("dokumen-bisnis.txt", "r") as f:
    teks = f.read()

2. Split teks jadi chunks
splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
chunks = splitter.split_text(teks)

3. Buat vector store
vector_store = Chroma.from_texts(
    texts=chunks,
    embedding=embeddings,
    collection_name="bisnis"
)

4. Buat retriever
retriever = vector_store.as_retriever(search_kwargs={"k": 3})

Agent dengan Memory

Tanpa memory, agent kamu — amnesia — setiap percakapan dianggap baru. Tambahkan memory biar agent ingat konteks.

from langchain.memory import ConversationSummaryBufferMemory

memory = ConversationSummaryBufferMemory(
    llm=model,
    max_token_limit=500,
    return_messages=True
)

Gunakan di agent
agent = create_agent(
    model="openai:gpt-4o",
    tools=tools,
    memory=memory,
    system_prompt="Kamu adalah asisten bisnis yang helpful."
)

LangChain vs Framework Lain

Fitur	LangChain	CrewAI	AutoGen	LangGraph
Fokus Utama	Aplikasi LLM umum	Multi-agent teamwork	Multi-agent conversation	Graph/state workflow
Kurva Belajar	Medium	Medium	Steep	Medium-High
Ekosistem Tools	✅ Paling lengkap	✅ Growing	⚠️ Terbatas	✅ Terintegrasi
Cloud/Production	✅ LangSmith, LangServe	✅ CrewAI Enterprise	⚠️ Self-managed	✅ LangGraph Platform
Komunitas	🌟 100k+ GitHub stars	🌟 70k+	🌟 50k+	🌟 20k+
Dokumentasi Bahasa Inggris	✅ Sangat lengkap	✅ Lengkap	⚠️ Kurang	✅ Lengkap

Bottom line: Kalau baru mulai, LangChain adalah pilihan paling aman. Dokumentasi paling banyak, komunitas paling besar, dan tools paling lengkap.

LangChain x KomuniTech: Belajar LangChain dengan Bimbingan Langsung

Pertanyaan besar setelah baca tutorial ini: “Gimana cara implementasi LangChain di bisnis sungguhan?”

Di KomuniTech, kamu nggak cuma belajar teori.

Kurikulum KomuniTech mencakup:

• Fundamental LangChain — Instalasi, Chains, Agents, Memory
• RAG Implementation — Integrasi LangChain dengan vector store dan database
• Production Deployment — Deploy LangChain agent ke cloud dengan monitoring
• Multi-Agent System — Orchestration menggunakan LangGraph terintegrasi LangChain

Robbie Jeo, CEO KomuniTech, menegaskan,

FAQ

Q: Apakah LangChain gratis?

A: LangChain adalah framework open-source (lisensi MIT) — gratis digunakan. Biaya yang perlu kamu keluarkan hanya untuk API LLM seperti OpenAI, Gemini, atau hosting model sendiri.

Q: Bahasa pemrograman apa yang didukung LangChain?

A: LangChain tersedia dalam Python (paling lengkap) dan JavaScript/TypeScript. Python adalah pilihan terbaik untuk production-grade application.

Q: Berapa lama belajar LangChain sampai bisa bikin agent?

A: Dengan dasar Python, kamu bisa bikin agent sederhana dalam 1-2 hari. Untuk production-grade agent dengan RAG dan multi-tools, butuh 1-2 minggu dengan bimbingan yang tepat.

Q: Apakah LangChain support model open-source seperti Llama 3?

A: Ya. LangChain mendukung Ollama, HuggingFace, Replicate, dan berbagai provider open-source. Kamu bisa pakai Llama 3, Mistral, Falcon, dan lainnya.

Q: Apa bedanya LangChain sama ChatGPT?

A: ChatGPT adalah produk akhir. LangChain adalah framework untuk membangun aplikasi LLM — termasuk yang mirip ChatGPT — dengan kontrol penuh atas data, prompt, dan tools.

Disclaimer

Informasi dalam artikel ini bersifat edukatif dan diperbarui berdasarkan dokumentasi LangChain versi terbaru (Juni 2026). Spesifikasi API dan harga layanan dapat berubah sewaktu-waktu. Selalu cek dokumentasi resmi LangChain untuk informasi paling akurat.

dYOR (Do Your Own Research)

Sebelum mengimplementasikan LangChain di production, lakukan riset mandiri:

• Baca dokumentasi resmi: python.langchain.com
• Pelajari LangChain Expression Language (LCEL) untuk production-grade chain
• Bandingkan dengan framework alternatif seperti Haystack atau LlamaIndex
• Uji coba berbagai model LLM dan ukur performa

Referensi

• LangChain — Documentation — dokumentasi resmi framework, sumber paling akurat
• LangChain — LCEL Concepts — referensi resmi LangChain Expression Language
• Ollama — jalankan model LLM lokal gratis buat development

Artikel telah diupdate pada 09/07/2026 untuk memastikan artikel tetap sesuai kondisi terkini.