File size: 15,885 Bytes
a479209 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 | import pandas as pd
import streamlit as st
from pandas.api.types import (is_categorical_dtype)
def app():
st.markdown(
"""
<style>
body {
background-color: #87CEEB; /* Ganti dengan warna atau gambar latar belakang yang diinginkan */
}
.skyblue-text {
color: #007bff; /* kode hex untuk skyblue */
}
</style>
""",
unsafe_allow_html=True
)
dataset1 = pd.read_csv('../dataset/hasil_clustering.csv')
dataset2 = pd.read_csv('../dataset/daily_stock_price_idx_30_dataset.csv')
dataset = pd.concat([dataset1, dataset2['stock_price']], axis=1)
def calculate_category(total_score):
if total_score >= 0 and total_score <= 7:
return "Conservative"
elif total_score >= 8 and total_score <= 22:
return "Moderate"
elif total_score >= 23 and total_score <= 37:
return "Balanced"
elif total_score >= 38 and total_score <= 48:
return "Growth"
elif total_score >= 49 and total_score <= 56:
return "Aggressive"
def calculate_score(question, options):
selected_option = st.radio(question, options)
score = options[selected_option]
return score
st.markdown(
"""
<h4>Pertanyaan 1 :</h4>
""",
unsafe_allow_html=True
)
q1 = calculate_score("Berapa lama jangka waktu investasi Anda - kapan Anda akan membutuhkan uang ini?", {
"Within 3 years": 0,
"3-5 years": 3,
"6-10 years": 5,
"11-15 years": 8,
"15+ years": 10,
})
st.markdown(
"""
<h4>Pertanyaan 2 :</h4>
""",
unsafe_allow_html=True
)
q2 = calculate_score("Apakah tujuan investasi penting Anda??", {
"Untuk menjaga uang Anda": 0,
"Untuk melihat pertumbuhan yang modera dalam akun Anda": 4,
"Untuk melihat pertumbuhan yang lebih signifikan dalam akun Anda": 7,
"Untuk mendapatkan pengembalian investasi yang tertinggi mungkin": 10
})
st.markdown(
"""
<h4>Pertanyaan 3 :</h4>
""",
unsafe_allow_html=True
)
q3 = calculate_score("Tolong tunjukkan pernyataan yang mencerminkan pandangan Anda secara keseluruhan terkait pengelolaan risiko!", {
"Saya tidak suka risiko dan tidak bersedia menghadapkan investasi saya pada fluktuasi pasar apa pun demi mendapatkan pengembalian jangka panjang yang lebih tinggi.": 0,
"Saya bersedia mengalami fluktuasi pasar yang moderat dalam jangka pendek untuk menghasilkan pertumbuhan modal.": 2,
"Saya bersedia mengalami fluktuasi pasar yang rata-rata dalam jangka pendek untuk mencapai pengembalian jangka panjang yang lebih tinggi.": 4,
"Saya ingin memaksimalkan pengembalian jangka panjang saya dan nyaman dengan fluktuasi pasar yang signifikan dalam jangka pendek.": 6,
})
st.markdown(
"""
<h4>Pertanyaan 4 :</h4>
""",
unsafe_allow_html=True
)
q4 = calculate_score("Jika Anda memiliki investasi yang mengalami penurunan sebesar 20 persen dalam waktu singkat, apa yang akan Anda lakukan?", {
"Menjual semua sisa investasi": 0,
"Menjual sebagian dari sisa investasi": 2,
"Menahan investasi dan tidak menjual apa pun": 4,
"Membeli lebih banyak dari investasi tersebut": 6
})
st.markdown(
"""
<h4>Pertanyaan 5:</h4>
""",
unsafe_allow_html=True
)
q5 = calculate_score("Jika Anda dapat meningkatkan peluang meningkatkan pengembalian investasi dengan mengambil risiko lebih besar, apakah Anda akan?", {
"Tidak mungkin mengambil risiko lebih besar": 0,
"Bersedia mengambil sedikit risiko dengan sebagian dari portofolio Anda": 2,
"Bersedia mengambil risiko lebih besar dengan sebagian besar portofolio Anda": 4,
"Bersedia mengambil risiko lebih besar dengan seluruh portofolio Anda": 6
})
st.markdown(
"""
<h4>Pertanyaan 6:</h4>
""",
unsafe_allow_html=True
)
q6 = calculate_score("Gambar berikut menunjukkan tiga portofolio model dan pengembalian tertinggi dan terendah yang mungkin diperoleh masing-masing dalam setiap tahunnya. Portofolio mana yang kemungkinan besar Anda pegang?", {
"Portofolio A (Pengembalian: -1 hingga 8%)": 0,
"Portofolio B (Pengembalian: -6 hingga 15%)": 3,
"Portofolio C (Pengembalian: -12 hingga 22%)": 6
})
st.markdown(
"""
<h4>Pertanyaan 7:</h4>
""",
unsafe_allow_html=True
)
q7 = calculate_score("Setelah beberapa tahun mengikuti rencana keuangan Anda, Anda meninjau kemajuan Anda dan menentukan bahwa Anda tertinggal jadwal dan perlu memodifikasi strategi Anda untuk mencapai tujuan. Apa yang akan Anda lakukan?", {
"Tetap memegang investasi yang saat ini Anda miliki, tetapi tingkatkan kontribusi sebanyak mungkin": 0,
"Sedikit meningkatkan paparan Anda terhadap investasi yang lebih berisiko dan sedikit meningkatkan kontribusi Anda": 3,
"Pindahkan seluruh portofolio Anda ke investasi yang lebih berisiko, dengan harapan mencapai pengembalian jangka panjang tertinggi": 6
})
st.markdown(
"""
<h4>Pertanyaan 8:</h4>
""",
unsafe_allow_html=True
)
q8 = calculate_score("Pernyataan mana yang paling cocok dengan pendekatan Anda dalam mencapai tujuan keuangan tepat waktu?", {
"Saya harus mencapai tujuan keuangan saya pada tanggal target": 0,
"Saya ingin mendekati pencapaian tujuan keuangan saya pada tanggal target": 2,
"Jika saya belum mencapai tujuan keuangan saya pada tanggal target, saya memiliki fleksibilitas untuk menunda tanggal target": 4,
"Saya secara teratur mengevaluasi tujuan keuangan dan tanggal target saya dan memiliki fleksibilitas untuk menyesuaikannya dengan kinerja investasi saya": 6
})
total_score = q1 + q2 + q3 + q4 + q5 + q6 + q7 + q8
category = calculate_category(total_score)
st.success(f"Total Skor Profiling Anda : {total_score} dengan Kategori {category}")
# Menampilkan informasi dari dataset berdasarkan kategori
if category == "Conservative":
st.markdown(
"""
<h4 class="skyblue-text" style="text-align:center">Profil Kategori: Conservative</h4>
""",
unsafe_allow_html=True
)
companies_in_cluster_1 = dataset.loc[dataset['cluster'] == 1, 'company_id']
st.markdown("""
<div style="font-size: 16px; text-align: justify; line-height: 1.5;">
<p>Profil kategori Conservative dalam berinvestasi menunjukkan perilaku yang lebih berhati-hati dan lebih memprioritaskan perlindungan modal. Investor ini cenderung memiliki pengalaman dan pengetahuan yang terbatas tentang investasi, dan mungkin bahkan tidak memiliki pengalaman atau pengetahuan sama sekali di bidang ini. Oleh karena itu, untuk investor kategori <b>Conservative</b> yang tertarik dengan emiten dari indeks IDX30, terdapat sejumlah rekomendasi kode emiten yang dapat dipertimbangkan untuk melakukan investasi, antara lain: </p>
</div>
""", unsafe_allow_html=True)
st.write(', '.join(map(str, companies_in_cluster_1)))
elif category == "Moderate":
st.subheader("Profil Kategori: Moderate")
companies_in_cluster_4 = dataset.loc[dataset['cluster'] == 4, 'company_id'].tolist()
st.markdown("""
<div style="margin-top: 10px; margin-bottom: 20px; font-size: 16px; text-align: justify; line-height: 1.5;">
<p>Investor dengan profiling Moderate cenderung memilih portofolio yang memiliki potensi pertumbuhan sedang, seperti saham perusahaan yang telah terbukti stabil dan memiliki potensi pertumbuhan. Oleh karena itu, untuk investor kategori 'Moderate' yang tertarik dengan emiten dari indeks IDX30, terdapat sejumlah rekomendasi kode emiten yang dapat dipertimbangkan untuk melakukan investasi, antara lain: </p>
</div>
""", unsafe_allow_html=True)
st.write(', '.join(map(str, companies_in_cluster_4)))
elif category == "Balanced":
st.subheader("Profil Kategori: Balanced")
companies_in_cluster_0 = dataset.loc[dataset['cluster'] == 0, 'company_id'].tolist()
st.markdown("""
<div style="margin-top: 10px; margin-bottom: 20px; font-size: 16px; text-align: justify; line-height: 1.5;">
<p>Profil kategori Balanced dalam investasi mencerminkan pendekatan yang seimbang antara pertumbuhan dan keamanan. Investor dengan profil ini mampu menerima sejumlah risiko demi potensi keuntungan, sambil tetap memperhitungkan peluang pertumbuhan. Oleh karena itu, untuk investor kategori 'Balanced' yang tertarik dengan emiten dari indeks IDX30, terdapat sejumlah rekomendasi kode emiten yang dapat dipertimbangkan untuk melakukan investasi, antara lain: </p>
</div>
""", unsafe_allow_html=True)
st.write(', '.join(map(str, companies_in_cluster_0)))
elif category == "Growth":
st.subheader("Profil Kategori: Growth")
companies_in_cluster_3 = dataset.loc[dataset['cluster'] == 3, 'company_id'].tolist()
st.markdown("""
<div style="margin-top: 10px; margin-bottom: 20px; font-size: 16px; text-align: justify; line-height: 1.5;">
<p>Investor dengan profil Growth memiliki fokus pada pertumbuhan investasi dengan tingkat pengembalian yang tinggi. Mereka cenderung memilih portofolio yang menjanjikan potensi pertumbuhan yang signifikan dalam jangka panjang dan umumnya memiliki pengalaman yang cukup dalam dunia investasi. Oleh karena itu, untuk investor kategori 'Growth' yang tertarik dengan emiten dari indeks IDX30, terdapat sejumlah rekomendasi kode emiten yang dapat dipertimbangkan untuk melakukan investasi, antara lain: </p>
</div>
""", unsafe_allow_html=True)
st.write(', '.join(map(str, companies_in_cluster_3)))
elif category == "Aggressive":
st.subheader("Profil Kategori: Aggressive")
companies_in_cluster_2 = dataset.loc[dataset['cluster'] == 2, 'company_id'].tolist()
st.markdown("""
<div style="margin-top: 10px; margin-bottom: 20px; font-size: 16px; text-align: justify; line-height: 1.5;">
<p>Investor dengan profil Aggressive memiliki orientasi pada risiko dan menekankan pertumbuhan investasi dengan tingkat pengembalian yang tinggi. Mereka cenderung memilih portofolio yang memiliki risiko tinggi, termasuk saham perusahaan inovatif atau sektor-sektor industri yang tengah berkembang secara agresif. Oleh karena itu, untuk investor kategori 'Aggressive' yang tertarik dengan emiten dari indeks IDX30, terdapat sejumlah rekomendasi kode emiten yang dapat dipertimbangkan untuk melakukan investasi, antara lain:</p>
</div>
""", unsafe_allow_html=True)
st.write(', '.join(map(str, companies_in_cluster_2)))
company_mapping = {
'BBCA': 'PT Bank Central Asia Tbk',
'BBRI': 'PT Bank Rakyat Indonesia Tbk',
'TLKM': 'PT Telekomunikasi Indonesia Tbk',
'BMRI': 'PT Bank Mandiri Tbk',
'ASII': 'PT Astra International Tbk',
'ADRO': 'PT Adaro Energy Tbk',
'UNVR': 'PT Unilever Indonesia Tbk',
'INDF': 'PT Indofood Sukses Makmur Tbk',
'ANTM': 'PT Aneka Tambang Tbk',
'PGAS': 'PT Perusahaan Gas Negara Tbk',
'PTBA': 'PT Bukit Asam Tbk',
'KLBF': 'PT Kalbe Farma Tbk',
'BBNI': 'PT Bank Negara Indonesia Tbk',
'ITMG': 'PT Indo Tambangraya Megah Tbk',
'UNTR': 'PT United Tractors Tbk',
'SMGR': 'PT Semen Indonesia Tbk',
'GOTO': 'PT GoTo Indonesia Tbk',
'CPIN': 'PT Charoen Pokphand Indonesia Tbk',
'HRUM': 'PT Harum Energy Tbk',
'INCO': 'PT Vale Indonesia Tbk',
'MEDC': 'PT Medco Energi Internasional Tbk',
'BRPT': 'PT Bumi Resources Tbk',
'ARTO': 'PT Aneka Roda Tbk',
'MDKA': 'PT Merdeka Copper Gold Tbk',
'BUKA': 'PT Bukalapak.com Tbk',
'AKRA': 'PT AKR Corporindo Tbk',
'TOWR': 'PT Tower Bersama Infrastructure Tbk',
'EMTK': 'PT Elang Mahkota Teknologi Tbk',
'AMRT': 'PT Sumber Alfaria Trijaya Tbk',
'ESSA': 'PT Sri Rejeki Isman Tbk'
}
dataset['company_name'] = dataset['company_id'].map(company_mapping)
def filter_dataframe(df: pd.DataFrame, category: str) -> pd.DataFrame:
global column
global left
global right
if category == "Balanced":
list_recomendation = companies_in_cluster_0
elif category == "Conservative":
list_recomendation = companies_in_cluster_1
elif category == "Aggressive":
list_recomendation = companies_in_cluster_2
elif category == "Growth":
list_recomendation = companies_in_cluster_3
elif category == "Moderate":
list_recomendation = companies_in_cluster_4
modification_container = st.container()
with modification_container:
show = ['company_id', 'company_name', 'stock_price', 'share_outstanding_q3_2023', 'eps_q3_2023', 'pe_ratio_q3_2023', 'price_to_sales_q3_2023', 'ebitda_q3_2023', 'return_on_assets_q3_2023', 'return_on_equity_q3_2023', 'return_on_capital_employed_q3_2023', 'interest_coverage_q3_2023']
to_filter = st.multiselect("Filter column", options=list(df.columns), default=show)
df = df[to_filter]
to_filter_columns = ['company_id']
for column in to_filter_columns:
left, right = st.columns((1, 40))
left.write("↳")
if is_categorical_dtype(df[column]) or df[column].nunique():
user_cat_input = right.multiselect(
f"Values for {column}",
list_recomendation,
default=list_recomendation,
)
df = df[df[column].isin(user_cat_input)]
else:
user_text_input = right.text_input(
f"Substring or regex in {column}",
)
if user_text_input:
df = df[df[column].astype(str).str.contains(user_text_input)]
return df
def filter_dataframe_show(df: pd.DataFrame, category: str) -> pd.DataFrame:
global column
global left
global right
if category == "Balanced":
list_recomendation = companies_in_cluster_0
elif category == "Conservative":
list_recomendation = companies_in_cluster_1
elif category == "Aggressive":
list_recomendation = companies_in_cluster_2
elif category == "Growth":
list_recomendation = companies_in_cluster_3
elif category == "Moderate":
list_recomendation = companies_in_cluster_4
modification_container = st.container()
with modification_container:
show = ['company_id', 'company_name', 'stock_price', 'share_outstanding_q3_2023', 'eps_q3_2023', 'pe_ratio_q3_2023', 'price_to_sales_q3_2023', 'ebitda_q3_2023', 'return_on_assets_q3_2023', 'return_on_equity_q3_2023', 'return_on_capital_employed_q3_2023', 'interest_coverage_q3_2023']
df = df[show]
to_filter_columns = ['company_id']
for column in to_filter_columns:
if is_categorical_dtype(df[column]) or df[column].nunique():
df = df[df[column].isin(list_recomendation)]
return df
modify = st.checkbox("Add filters")
df = dataset
if modify:
return st.dataframe(filter_dataframe(dataset, category))
else:
st.dataframe(filter_dataframe_show(dataset, category))
|