{"id":415,"date":"2026-07-09T12:04:45","date_gmt":"2026-07-09T05:04:45","guid":{"rendered":"https:\/\/komunitech.com\/blog\/?p=415"},"modified":"2026-07-09T12:05:37","modified_gmt":"2026-07-09T05:05:37","slug":"tutorial-langchain-bahasa-indonesia-untuk-pemula-2026","status":"publish","type":"post","link":"https:\/\/komunitech.com\/blog\/tutorial\/tutorial-langchain-bahasa-indonesia-untuk-pemula-2026\/","title":{"rendered":"Tutorial LangChain Bahasa Indonesia untuk Pemula (2026)"},"content":{"rendered":"<p><strong>tl;dr:<\/strong> LangChain = framework open-source (Python &amp; JS) paling populer buat bangun aplikasi berbasis LLM \u2014 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.<\/p>\n<h2>Pendahuluan<\/h2>\n<p>Kamu pasti sudah dengar: <a href=\"\/blog\/ai-agent\/apa-itu-ai-agent-panduan-lengkap-untuk-pemula-2026\/\">AI Agent<\/a> adalah masa depan otomatisasi bisnis. Tapi pertanyaannya, gimana cara mulai bikinnya kalau kamu bukan data scientist senior?<\/p>\n<p>Jawabannya: <strong>LangChain<\/strong>.<\/p>\n<p>LangChain adalah framework Python (dan JavaScript) yang paling populer untuk membangun aplikasi berbasis LLM \u2014 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.<\/p>\n<p>Tapi masalahnya? Sebagian besar tutorial berbahasa Inggris. Buat developer Indonesia yang pengen cepat praktik, ini jadi hambatan.<\/p>\n<p>Makanya tutorial LangChain Bahasa Indonesia ini hadir. Langsung praktik, tanpa basa-basi.<\/p>\n<h2>Apa Itu LangChain?<\/h2>\n<p>LangChain adalah framework open-source yang dirilis oleh LangChain Inc. Fungsinya: <strong>memudahkan developer menghubungkan LLM dengan data eksternal, API, database, dan tools lain<\/strong>.<\/p>\n<p>Daripada kamu coding dari nol untuk:<\/p>\n<ul>\n<li>Mengelola prompt ke LLM<\/li>\n<li>Memanggil tools eksternal<\/li>\n<li>Menyimpan riwayat percakapan<\/li>\n<li>Membuat rantai pemrosesan multi-langkah<\/li>\n<\/ul>\n<p>\u2026LangChain sudah menyediakan semuanya dalam API yang rapi dan modular.<\/p>\n<h2>Komponen Utama LangChain<\/h2>\n<table>\n<tr>\n<td>\n<p><strong>Komponen<\/strong><\/p>\n<\/td>\n<td>\n<p><strong>Fungsi<\/strong><\/p>\n<\/td>\n<td>\n<p><strong>Contoh Penggunaan<\/strong><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Models<\/strong><\/p>\n<\/td>\n<td>\n<p>Antarmuka ke berbagai LLM<\/p>\n<\/td>\n<td>\n<p>OpenAI GPT, Gemini, Claude, Ollama<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Prompts<\/strong><\/p>\n<\/td>\n<td>\n<p>Template dan manajemen prompt<\/p>\n<\/td>\n<td>\n<p>Prompt templates, few-shot, dynamic variables<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Chains<\/strong><\/p>\n<\/td>\n<td>\n<p>Rangkaian pemrosesan<\/p>\n<\/td>\n<td>\n<p>LLMChain, SequentialChain, RouterChain<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Agents<\/strong><\/p>\n<\/td>\n<td>\n<p>Agent otonom dengan tools<\/p>\n<\/td>\n<td>\n<p>Web search, kalkulasi, API calls<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Memory<\/strong><\/p>\n<\/td>\n<td>\n<p>Penyimpanan konteks percakapan<\/p>\n<\/td>\n<td>\n<p>ConversationBufferMemory, summary memory<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Retrieval<\/strong><\/p>\n<\/td>\n<td>\n<p><a href=\"\/blog\/tutorial\/cara-bikin-rag-agent-dengan-langchain-panduan-step-by-step\/\">RAG (Retrieval-Augmented Generation)<\/a><\/p>\n<\/td>\n<td>\n<p>Document loaders, vector stores, text splitters<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p><strong>Callbacks<\/strong><\/p>\n<\/td>\n<td>\n<p>Logging dan monitoring<\/p>\n<\/td>\n<td>\n<p>Token usage tracking, custom handlers<\/p>\n<\/td>\n<\/tr>\n<\/table>\n<h2>Instalasi LangChain<\/h2>\n<p>Sebelum mulai pastikan Python 3.10+ sudah terinstal. LangChain versi terbaru (v0.3+) sudah mendukung Python 3.9 sampai 3.13.<\/p>\n<pre><code># Buat virtual environment (rekomendasi)\npython -m venv .venv\nsource .venv\/bin\/activate  # Linux\/Mac\n.venvScriptsactivate     # Windows\n\n<h1>Install LangChain core<\/h1>\npip install -U langchain\n\n<h1>Install integrasi model (pilih salah satu)<\/h1>\npip install langchain-openai    # Untuk OpenAI\npip install langchain-google-genai  # Untuk Gemini\npip install langchain-community  # Model komunitas + Ollama<\/code><\/pre>\n<h2>Setup API Key<\/h2>\n<pre><code># Linux\/Mac\nexport OPENAI_API_KEY=\"sk-your-api-key-here\"\nexport GOOGLE_API_KEY=\"your-gemini-api-key\"\n\n<h1>Windows PowerShell<\/h1>\n$env:OPENAI_API_KEY=\"sk-your-api-key-here\"<\/code><\/pre>\n<p><strong>Tips:<\/strong> Untuk development, pakai Ollama biar gratis. LangChain mendukung Ollama out-of-the-box.<\/p>\n<pre><code># Install Ollama, lalu jalankan model lokal\nollama pull llama3.1\nollama pull mistral<\/code><\/pre>\n<h2>Membuat Agent Pertama dengan LangChain<\/h2>\n<p>Ini bagian yang paling seru. Kita bikin agent sederhana yang bisa menjawab pertanyaan dan mencari informasi dari web.<\/p>\n<pre><code>from langchain.agents import create_agent\nfrom langchain.agents import Tool\n\n<h1>1. Definisikan tools yang akan digunakan agent<\/h1>\ndef get_waktu_jakarta(query: str) -&gt; str:\n    \"\"\"Dapatkan informasi waktu di Jakarta\"\"\"\n    from datetime import datetime\n    return f\"Sekarang di Jakarta: {datetime.now().strftime('%H:%M WIB')}\"\n\ndef hitung_pajak(omzet: str) -&gt; str:\n    \"\"\"Hitung estimasi pajak UMKM berdasarkan omzet\"\"\"\n    try:\n        angka = float(omzet.replace(\"juta\", \"000000\").replace(\"milyar\", \"000000000\"))\n        ppn = angka * 0.11\n        pph_final = angka * 0.005\n        return f\"PPN: Rp{ppn:,.0f}, PPh Final: Rp{pph_final:,.0f}\"\n    except:\n        return \"Format tidak dikenal. Contoh: 500juta\"\n\ntools = [\n    Tool(name=\"WaktuJakarta\", func=get_waktu_jakarta, description=\"Cek waktu di Jakarta\"),\n    Tool(name=\"HitungPajak\", func=hitung_pajak, description=\"Hitung pajak UMKM\"),\n]\n\n<h1>2. Buat agent dengan model OpenAI<\/h1>\nagent = create_agent(\n    model=\"openai:gpt-4o\",\n    tools=tools,\n    system_prompt=\"Kamu adalah asisten bisnis yang membantu pengguna dengan pajak dan waktu.\"\n)\n\n<h1>3. Jalankan agent<\/h1>\nresult = agent.run(\"Hitung pajak untuk omzet 500 juta\")\nprint(result)<\/code><\/pre>\n<p>Hasilnya? Agent akan otomatis memanggil fungsi <code>hitung_pajak(\"500juta\")<\/code>, lalu merangkum hasilnya dalam bahasa natural.<\/p>\n<h2>Membuat Rantai Prompt (Prompt Chain)<\/h2>\n<p>Salah satu fitur paling powerful dari LangChain adalah <strong>Chains<\/strong>. Kamu bisa menyusun beberapa langkah pemrosesan secara berurutan.<\/p>\n<pre><code>from langchain.prompts import ChatPromptTemplate\nfrom langchain.schema import StrOutputParser\n\n<h1>Rantai 1: Generate ide konten<\/h1>\nprompt_ide = ChatPromptTemplate.from_template(\n    \"Buat 3 ide artikel blog tentang {topik} untuk bisnis kecil.\"\n)\n\n<h1>Rantai 2: Expand ide menjadi outline<\/h1>\nprompt_outline = ChatPromptTemplate.from_template(\n    \"Buat outline detail untuk ide artikel berikut: {ide}\"\n)\n\n<h1>Gabungkan dengan pipe operator (LCEL)<\/h1>\nchain_ide = prompt_ide | model | StrOutputParser()\nchain_outline = prompt_outline | model | StrOutputParser()\n\n<h1>Jalankan berurutan<\/h1>\nide = chain_ide.invoke({\"topik\": \"AI untuk UMKM\"})\noutline = chain_outline.invoke({\"ide\": ide})<\/code><\/pre>\n<p><strong>LCEL (LangChain Expression Language)<\/strong> adalah cara baru dan direkomendasikan untuk membuat rantai di LangChain. Sintaksnya <code>|<\/code> mirip Unix pipe \u2014 sederhana dan intuitif.<\/p>\n<h2>Integrasi dengan Vector Store<\/h2>\n<p>Biar agent kamu bisa &#8220;membaca&#8221; dokumen perusahaan, kamu perlu vector store. Ini dasar dari RAG (Retrieval-Augmented Generation).<\/p>\n<pre><code>from langchain.text_splitter import RecursiveCharacterTextSplitter\nfrom langchain_chroma import Chroma\n\n<h1>1. Load dokumen<\/h1>\nwith open(\"dokumen-bisnis.txt\", \"r\") as f:\n    teks = f.read()\n\n<h1>2. Split teks jadi chunks<\/h1>\nsplitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)\nchunks = splitter.split_text(teks)\n\n<h1>3. Buat vector store<\/h1>\nvector_store = Chroma.from_texts(\n    texts=chunks,\n    embedding=embeddings,\n    collection_name=\"bisnis\"\n)\n\n<h1>4. Buat retriever<\/h1>\nretriever = vector_store.as_retriever(search_kwargs={\"k\": 3})<\/code><\/pre>\n<h2>Agent dengan Memory<\/h2>\n<p>Tanpa memory, agent kamu \u2014 amnesia \u2014 setiap percakapan dianggap baru. Tambahkan memory biar agent ingat konteks.<\/p>\n<pre><code>from langchain.memory import ConversationSummaryBufferMemory\n\nmemory = ConversationSummaryBufferMemory(\n    llm=model,\n    max_token_limit=500,\n    return_messages=True\n)\n\n<h1>Gunakan di agent<\/h1>\nagent = create_agent(\n    model=\"openai:gpt-4o\",\n    tools=tools,\n    memory=memory,\n    system_prompt=\"Kamu adalah asisten bisnis yang helpful.\"\n)<\/code><\/pre>\n<h2>LangChain vs Framework Lain<\/h2>\n<table>\n<tr>\n<td>\n<p><strong>Fitur<\/strong><\/p>\n<\/td>\n<td>\n<p><strong>LangChain<\/strong><\/p>\n<\/td>\n<td>\n<p><strong>CrewAI<\/strong><\/p>\n<\/td>\n<td>\n<p><strong><a href=\"\/blog\/ai-agent\/autogen-vs-langgraph-vs-crewai-pilih-framework-multi-agent-yang-mana\/\">AutoGen<\/a><\/strong><\/p>\n<\/td>\n<td>\n<p><strong>LangGraph<\/strong><\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Fokus Utama<\/p>\n<\/td>\n<td>\n<p>Aplikasi LLM umum<\/p>\n<\/td>\n<td>\n<p>Multi-agent teamwork<\/p>\n<\/td>\n<td>\n<p>Multi-agent conversation<\/p>\n<\/td>\n<td>\n<p>Graph\/state workflow<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Kurva Belajar<\/p>\n<\/td>\n<td>\n<p>Medium<\/p>\n<\/td>\n<td>\n<p>Medium<\/p>\n<\/td>\n<td>\n<p>Steep<\/p>\n<\/td>\n<td>\n<p>Medium-High<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Ekosistem Tools<\/p>\n<\/td>\n<td>\n<p>\u2705 Paling lengkap<\/p>\n<\/td>\n<td>\n<p>\u2705 Growing<\/p>\n<\/td>\n<td>\n<p>\u26a0\ufe0f Terbatas<\/p>\n<\/td>\n<td>\n<p>\u2705 Terintegrasi<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Cloud\/Production<\/p>\n<\/td>\n<td>\n<p>\u2705 LangSmith, LangServe<\/p>\n<\/td>\n<td>\n<p>\u2705 CrewAI Enterprise<\/p>\n<\/td>\n<td>\n<p>\u26a0\ufe0f Self-managed<\/p>\n<\/td>\n<td>\n<p>\u2705 LangGraph Platform<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Komunitas<\/p>\n<\/td>\n<td>\n<p>\ud83c\udf1f 100k+ GitHub stars<\/p>\n<\/td>\n<td>\n<p>\ud83c\udf1f 70k+<\/p>\n<\/td>\n<td>\n<p>\ud83c\udf1f 50k+<\/p>\n<\/td>\n<td>\n<p>\ud83c\udf1f 20k+<\/p>\n<\/td>\n<\/tr>\n<tr>\n<td>\n<p>Dokumentasi Bahasa Inggris<\/p>\n<\/td>\n<td>\n<p>\u2705 Sangat lengkap<\/p>\n<\/td>\n<td>\n<p>\u2705 Lengkap<\/p>\n<\/td>\n<td>\n<p>\u26a0\ufe0f Kurang<\/p>\n<\/td>\n<td>\n<p>\u2705 Lengkap<\/p>\n<\/td>\n<\/tr>\n<\/table>\n<p><strong>Bottom line:<\/strong> Kalau baru mulai, <strong>LangChain adalah pilihan paling aman<\/strong>. Dokumentasi paling banyak, komunitas paling besar, dan tools paling lengkap.<\/p>\n<h2>LangChain x KomuniTech: Belajar LangChain dengan Bimbingan Langsung<\/h2>\n<p>Pertanyaan besar setelah baca tutorial ini: <em>&#8220;Gimana cara implementasi LangChain di bisnis sungguhan?&#8221;<\/em><\/p>\n<p>Di KomuniTech, kamu nggak cuma belajar teori.<\/p>\n<p>Kurikulum KomuniTech mencakup:<\/p>\n<ul>\n<li><strong>Fundamental LangChain<\/strong> \u2014 Instalasi, Chains, Agents, Memory<\/li>\n<li><strong>RAG Implementation<\/strong> \u2014 Integrasi LangChain dengan vector store dan database<\/li>\n<li><strong>Production Deployment<\/strong> \u2014 Deploy LangChain agent ke cloud dengan monitoring<\/li>\n<li><strong>Multi-Agent System<\/strong> \u2014 Orchestration menggunakan LangGraph terintegrasi LangChain<\/li>\n<\/ul>\n<p>Robbie Jeo, CEO KomuniTech, menegaskan,<\/p>\n<h2>FAQ<\/h2>\n<h3>Q: Apakah LangChain gratis?<\/h3>\n<p>A: LangChain adalah framework open-source (lisensi MIT) \u2014 gratis digunakan. Biaya yang perlu kamu keluarkan hanya untuk API LLM seperti OpenAI, Gemini, atau hosting model sendiri.<\/p>\n<h3>Q: Bahasa pemrograman apa yang didukung LangChain?<\/h3>\n<p>A: LangChain tersedia dalam Python (paling lengkap) dan JavaScript\/TypeScript. Python adalah pilihan terbaik untuk production-grade application.<\/p>\n<h3>Q: Berapa lama belajar LangChain sampai bisa bikin agent?<\/h3>\n<p>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.<\/p>\n<h3>Q: Apakah LangChain support model open-source seperti Llama 3?<\/h3>\n<p>A: Ya. LangChain mendukung Ollama, HuggingFace, Replicate, dan berbagai provider open-source. Kamu bisa pakai Llama 3, Mistral, Falcon, dan lainnya.<\/p>\n<h3>Q: Apa bedanya LangChain sama ChatGPT?<\/h3>\n<p>A: ChatGPT adalah produk akhir. LangChain adalah framework untuk membangun aplikasi LLM \u2014 termasuk yang mirip ChatGPT \u2014 dengan kontrol penuh atas data, prompt, dan tools.<\/p>\n<h2>Disclaimer<\/h2>\n<p>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.<\/p>\n<h2>dYOR (Do Your Own Research)<\/h2>\n<p>Sebelum mengimplementasikan LangChain di production, lakukan riset mandiri:<\/p>\n<ul>\n<li>Baca dokumentasi resmi: <a href=\"https:\/\/python.langchain.com\" target=\"_blank\" rel=\"noopener nofollow\">python.langchain.com<\/a><\/li>\n<li>Pelajari LangChain Expression Language (LCEL) untuk production-grade chain<\/li>\n<li>Bandingkan dengan framework alternatif seperti Haystack atau LlamaIndex<\/li>\n<li>Uji coba berbagai model LLM dan ukur performa<\/li>\n<\/ul>\n<h2>Referensi<\/h2>\n<ul>\n<li><a href=\"https:\/\/python.langchain.com\/docs\/introduction\/\" target=\"_blank\" rel=\"noopener nofollow\">LangChain \u2014 Documentation<\/a> \u2014 dokumentasi resmi framework, sumber paling akurat<\/li>\n<li><a href=\"https:\/\/python.langchain.com\/docs\/concepts\/lcel\/\" target=\"_blank\" rel=\"noopener nofollow\">LangChain \u2014 LCEL Concepts<\/a> \u2014 referensi resmi LangChain Expression Language<\/li>\n<li><a href=\"https:\/\/ollama.com\/\" target=\"_blank\" rel=\"noopener nofollow\">Ollama<\/a> \u2014 jalankan model LLM lokal gratis buat development<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>tl;dr: LangChain = framework open-source (Python &amp; JS) paling populer buat bangun aplikasi berbasis LLM \u2014 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 [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":416,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[75],"tags":[],"class_list":["post-415","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tutorial"],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/415","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=415"}],"version-history":[{"count":1,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/415\/revisions"}],"predecessor-version":[{"id":417,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/415\/revisions\/417"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/416"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}