from dotenv import load_dotenv
import os

# Gunakan `load_dotenv()` untuk memuat semua variabel dari file .env
load_dotenv()

# Ambil key tersebut dari environment dan simpan dalam variabel. 
# Gunakan `os.getenv("NAMA_VARIABEL")` untuk "ambil nilai dari variabel X"
SECTORS_API_KEY = os.getenv("SECTORS_API_KEY")

# Alamat utama API dan header otorisasi akan disimpan dalam variabel sehingga tidak perlu mengetiknya berulang kali.
BASE_URL = "https://api.sectors.app/v1"
HEADERS = {"Authorization": SECTORS_API_KEY}

from langchain_groq import ChatGroq
from langchain.prompts import PromptTemplate

GROQ_API_KEY = os.getenv("GROQ_API_KEY")

llm = ChatGroq(
    groq_api_key = GROQ_API_KEY,
    temperature=0.7,
    model_name="llama-3.3-70b-versatile"
)

llm

ChatGroq(client=<groq.resources.chat.completions.Completions object at 0x10efe35f0>, async_client=<groq.resources.chat.completions.AsyncCompletions object at 0x10efe2000>, model_name='llama-3.3-70b-versatile', model_kwargs={}, groq_api_key=SecretStr('**********'))

#Contoh penerapan sederhana prompt
pertanyaan1 = llm.invoke("Jelaskan apa itu API dalam satu kalimat saja")
pertanyaan1.content

'API (Application Programming Interface) adalah sebuah antarmuka pemrograman yang memungkinkan berbagai aplikasi atau sistem untuk berkomunikasi dan berbagi data satu sama lain.'

# `PromptTemplate` untuk membuat format prompt dengan variabel dinamis. 
# Perhatikan `{topic}`, ini adalah variabel yang bisa kita isi nanti.

template = PromptTemplate(
    input_variables=["topic"],
    template="Jelaskan apa itu {topic} dalam satu kalimat saja"
)

# Mengisi Variabel
# Isi variabel dinamis yang sudah kita definisikan sebelumnya menggunakan `.format`

prompt = template.format(topic="python")

# Jalankan LLM
llm.invoke(prompt).content

'Python adalah bahasa pemrograman tingkat tinggi yang mudah dipelajari dan digunakan untuk mengembangkan berbagai aplikasi, termasuk pengolahan data, machine learning, dan pengembangan web.'

# `/financials/quarterly/` merupakan endpoint yang didapat dari Sectors.app, silahkan mengunjungin websitenya untuk mendapatkan penjelasan dari endpoint tersebut.

# Import library `requests` yang berfungsi sebagai "kurir" untuk mengirim permintaan kita
import requests
# Gunakan `requests.get()` -> perintah untuk "Tolong ambilkan data dari URL ini".


# Import library `pandas` untuk mengubah data hasil tarikan menjadi sebuah dataframe
import pandas as pd

symbol = "CPIN.JK"
url_fin = f"{BASE_URL}/financials/quarterly/{symbol}/"
params = {"n_quarters" : "4",
          "report_date": "2024-09-30"}

# Sertakan `HEADERS` agar server tahu siapa kita.
response = requests.get(url_fin, headers=HEADERS, params=params)

#Ubah data tarikan (response) menjadi sebuah dataframe
financials = pd.DataFrame(response.json())

financials

prompt_summary_template = PromptTemplate.from_template(
    """
    Anda adalah seorang analis keuangan yang handal.
    Berdasarkan data keuangan kuartalan berikut (dalam miliar Rupiah):

    {data}

    Tuliskan ringkasan eksekutif dalam 3 poin singkat untuk seorang investor.
    Fokus pada:
    1. Tren pertumbuhan pendapatan (revenue)
    2. Tingkat profitabilitas
    3. Posisi arus kas operasi
    """
)


# Eksekusi dan hasilkan ringkasan dari LLM:
prompt_summary = prompt_summary_template.format(data = financials)
print(llm.invoke(prompt_summary).content)

Berikut adalah ringkasan eksekutif dalam 3 poin singkat untuk seorang investor:

1. **Tren Pertumbuhan Pendapatan (Revenue)**: Pendapatan perusahaan menunjukkan fluktuasi, dengan nilai tertinggi sebesar 17.759 triliun Rupiah pada kuartal Maret 2025 dan nilai terendah sebesar 16.757 triliun Rupiah pada kuartal September 2024. Ini menunjukkan bahwa perusahaan mengalami peningkatan pendapatan, tetapi dengan tingkat pertumbuhan yang tidak konsisten.

2. **Tingkat Profitabilitas**: Sayangnya, data keuangan yang disediakan tidak mencakup informasi tentang laba bersih atau margin keuntungan. Namun, kita dapat melihat bahwa pendapatan bunga non-opsional sebesar 33,952 miliar Rupiah hingga 34,199 miliar Rupiah menunjukkan potensi pendapatan yang stabil. Untuk menganalisis profitabilitas lebih lanjut, diperlukan data yang lebih spesifik tentang laba bersih dan biaya operasional.

3. **Posisi Arus Kas Operasi**: Arus kas operasi perusahaan menunjukkan tren yang positif, dengan nilai tertinggi sebesar 2,598 triliun Rupiah pada kuartal Maret 2025. Ini menunjukkan bahwa perusahaan memiliki kemampuan untuk menghasilkan arus kas yang cukup dari operasionalnya. Namun, perlu diwaspadai bahwa arus kas operasi pada kuartal Juni 2025 menunjukkan penurunan signifikan menjadi -464 miliar Rupiah, yang mungkin memerlukan perhatian lebih lanjut untuk memahami penyebabnya.

sample_data_viz = financials[['date','revenue']]
sample_data_viz.head()

template_viz = PromptTemplate.from_template(
    """
    Anda adalah seorang programmer Python yang ahli dalam visualisasi data.

    Berikut adalah data perdapatan perusahaan:

    {data}

    Buat sebuah skrip Python menggunakan matplotlib untuk menghasilkan line plot. 
    Instruksi:
    - Sumbu X adalah 'date'
    - Sumbu Y adalah 'revenue'

    Tulis HANYA kode Python yang bisa langsung dieksekusi. Jangan sertakan penjelasan apapun.
    """
)

#Minta LLM menghasilkan kodenya:
llm_viz = llm.invoke(template_viz.format(data=sample_data_viz)).content
print(llm_viz)

```python
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates

# Membuat dataframe
data = {
    'date': ['2025-06-30', '2025-03-31', '2024-12-31', '2024-09-30'],
    'revenue': [15356986000000, 17704697000000, 17759266000000, 16756753000000]
}
df = pd.DataFrame(data)

# Mengkonversi kolom 'date' ke datetime
df['date'] = pd.to_datetime(df['date'])

# Membuat line plot
plt.figure(figsize=(10, 6))
plt.plot(df['date'], df['revenue'], marker='o')

# Mengatur format sumbu X
plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))
plt.gcf().autofmt_xdate()

# Mengatur judul dan label sumbu
plt.title('Perdapatan Perusahaan')
plt.xlabel('Tanggal')
plt.ylabel('Pendapatan')

# Menampilkan plot
plt.show()
```

# Melakukan pembersihan output LLM karena kode masih terbungkus dalam ```python ... ```
clean_code = llm_viz.strip().strip("```python").strip()
clean_code

"import pandas as pd\nimport matplotlib.pyplot as plt\nimport matplotlib.dates as mdates\n\n# Membuat dataframe\ndata = {\n    'date': ['2025-06-30', '2025-03-31', '2024-12-31', '2024-09-30'],\n    'revenue': [15356986000000, 17704697000000, 17759266000000, 16756753000000]\n}\ndf = pd.DataFrame(data)\n\n# Mengkonversi kolom 'date' ke datetime\ndf['date'] = pd.to_datetime(df['date'])\n\n# Membuat line plot\nplt.figure(figsize=(10, 6))\nplt.plot(df['date'], df['revenue'], marker='o')\n\n# Mengatur format sumbu X\nplt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m-%d'))\nplt.gcf().autofmt_xdate()\n\n# Mengatur judul dan label sumbu\nplt.title('Perdapatan Perusahaan')\nplt.xlabel('Tanggal')\nplt.ylabel('Pendapatan')\n\n# Menampilkan plot\nplt.show()"

#Gunakan `exec()` untuk menjalankan kode yang berbentuk string

exec(clean_code)

template_trend = PromptTemplate.from_template(
    """
    Bertindaklah sebagai seorang analis keuangan.
    Berdasarkan data kuartalan berikut:
    {data}
    Analisis tren utama yang muncul dari data tersebut. Fokus pada pergerakan revenue, net_income, dan operating.
    Sajikan analisis dalam 3 poin. Tuliskan dalam bahasa yang singkat, padat, jelas
    """
)

interpretasi_tren = llm.invoke(template_trend.format(data=financials))
print(interpretasi_tren.content)

Berikut adalah analisis tren utama dari data keuangan:

* **Pendapatan**: Pendapatan (revenue) mengalami fluktuasi, dengan nilai tertinggi pada kuartal 2025-03-31 sebesar 17,704 triliun dan terendah pada kuartal 2024-09-30 sebesar 16,757 triliun.
* **Beban Operasional**: Beban operasional (operating_expense) juga mengalami fluktuasi, dengan nilai tertinggi pada kuartal 2024-12-31 sebesar 13,493 triliun dan terendah pada kuartal 2025-03-31 sebesar 10,869 triliun.
* **Arus Kas Operasional**: Arus kas operasional (operating_cash_flow) menunjukkan tren positif, dengan nilai tertinggi pada kuartal 2025-03-31 sebesar 2,598 triliun dan terendah pada kuartal 2025-06-30 sebesar -464 miliar.

template_risk = PromptTemplate.from_template(
    """
    Anda adalah seorang analis risiko keuangan yang skeptis.
    Periksa data keuangan berikut dengan teliti:
    {data}
    Indentifikasi 2-3 potensi risiko atau "red flags" yang perlu diwaspadai dari data tersebut. 
    Jelaskan dalam satu kalimat singkat

    """
)

llm_risiko = llm.invoke(template_risk.format(data=financials))
print(llm_risiko.content)

Beberapa potensi risiko atau "red flags" yang perlu diwaspadai dari data tersebut adalah adanya nilai-nilai kosong (None) pada beberapa kolom yang penting, seperti premium_income dan provision, serta fluktuasi besar pada beberapa jenis arus kas, seperti financing_cash_flow dan operating_cash_flow.

	symbol	financials_sector_metrics	date	premium_income	premium_expense	net_premium_income	non_interest_income	revenue	operating_expense	provision	...	cash_and_short_term_investments	non_loan_assets	total_current_asset	total_non_current_liabilities	financing_cash_flow	operating_cash_flow	investing_cash_flow	net_cash_flow	capital_expenditure	free_cash_flow
0	CPIN.JK	None	2025-06-30	None	None	None	33952000000	15356986000000	1134481000000	None	...	3381678000000	None	21712537000000	3992382000000	-1777007000000	-464647000000	-512128000000	-2753782000000	515220000000	-979867000000
1	CPIN.JK	None	2025-03-31	None	None	None	34199000000	17704697000000	1086894000000	None	...	5773705000000	None	22408711000000	4063046000000	-1020427000000	2598615000000	-270501000000	1307687000000	308390000000	2290225000000
2	CPIN.JK	None	2024-12-31	None	None	None	19598000000	17759266000000	1349338000000	None	...	4446488000000	None	21339691000000	3912506000000	-1330340000000	2237675000000	195336000000	1102671000000	347212000000	1890463000000
3	CPIN.JK	None	2024-09-30	None	None	None	10517000000	16756753000000	1088565000000	None	...	3300803000000	None	20815703000000	3872144000000	-8407000000	1411568000000	-176782000000	1226379000000	215159000000	1196409000000

🖥️ AI-Powered Financial Insights

Mengapa menggunakan Large Language Models (LLMs) pada Keuangan (Finance)?¶

Alur kerja (workflow) yang akan dilakukan:¶

Tools yang digunakan:¶

🔗 LangChain¶

⚡ Groq¶

🔌 What is an API and How It Works¶

🌐 Introduction to the Sectors API¶

1. Setting Up Python Environment¶

2. Setting Up LangChain and LLMs¶

🧪 Inisialisasi Model LLM¶

3. Building a Prompt-Driven Analysis Pipeline¶

📊 Exploring Financial Insights¶

📑 Creating an Automated Financial Summary¶

1. Mengambil Data Kuartalan¶

2. Prompt Template untuk Ringkasan Keuangan¶

3. 📈 Visualizing Revenue Trends¶

4. 🔎 Interpreting Key Financial Trends¶

5. ⚠️ Detecting Potential Financial Risks¶

Kesimpulan¶