See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/353330691

MONOGRAF PENGEMBANGAN SISTEM BIG DATA PETERNAKAN SAPI

BERBASIS DUAL LAYER APPS DAN MACHINE LEARNING

Book · February 2021

CITATIONS READS

0 130

5 authors, including:

Novanda Alim Setya Nugraha Tri Ginanjar Laksana

9 PUBLICATIONS   15 CITATIONS   
Institut Teknologi Telkom Purwokerto
51 PUBLICATIONS   15 CITATIONS   
SEE PROFILE
SEE PROFILE

Achmad Zaki Yamani Ridho Ananda

Institut Teknologi Telkom Purwokerto Institut Teknologi Telkom
8 PUBLICATIONS   5 CITATIONS    15 PUBLICATIONS   16 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Artificial Neural Network View project

Project Reseacrh View project

All content following this page was uploaded by Tri Ginanjar Laksana on 19 July 2021.

The user has requested enhancement of the downloaded file.

 MONOGRAF
PENGEMBANGAN SISTEM BIG DATA
PETERNAKAN SAPI BERBASIS DUAL LAYER
APPS DAN MACHINE LEARNING

Novanda Alim Setya Nugraha, S.S., M.Hum.

Achmad Zaki Yamani, S.T., M.T.
Ridho Ananda, S.Pd., M.Si.
Arif Wirawan Muhammad, S.Kom., M.Kom.
Dr. (c) H. Tri Ginanjar Laksana, S.Kom, M.Kom, M.CS. M.Si
Undang-Undang Republik Indonesia Nomor 19 Tahun 2002 tentang Hak
Cipta
Lingkup Cipta
Pasal 2
1. Hak cipta merupakan hak ekslusif bagi Pencipta atau Pemegang Hak
Cipta untuk mengumumkan atau memperbanyak ciptaannya, yang
timbul secara otomatis setelah suatu ciptaan dilahirkan tanpa
mengurangi pembatasan menurut peraturan perundang-undangan yang
berlaku.
Ketentuan Pidana
Pasal 72
1. Barangsiapa dengan sengaja atau tanpa hak melakukan perbuatan
sebagaimana dimaksud dalam Pasal 2 ayat (1) atau Pasal 29 ayat (1) dan
ayat (2) dipidana dengan pidana penjara masing-masing paling singkat 1
(satu) bulan dan/atau denda paling sedikit Rp. 1.000.000,00 (satu juta
rupiah) atau pidana penjara paling lama 7 (tujuh) tahun dan/atau denda
paling banyak Rp. 5.000.000.000,00 (lima miliar rupiah).
2. Barangsiapa dengan sengaja menyiarkan, memamerkan, mengedarkan,
atau menjual kepada umum suatu ciptaan atau barang hasil pelangaran
Hak Cipta atau Hak Terkait sebagaimana dimaksud pada ayat (1)
dipidana dengan pidana penjara paling lama 5 tahun dan/atau denda
paling banyak Rp. 500.000.000,00 (lima ratus juta rupiah)
MONOGRAF PENGEMBANGAN SISTEM BIG DATA PETERNAKAN
SAPI BERBASIS DUAL LAYER APPS DAN MACHINE LEARNING
Edisi Pertama
Copyright©2021
ISBN: 978-623-95709-9-6
Cetakan Pertama: Februari, 2021
Halaman : viii + 91
Wawasan Ilmu.2021.0012

Penulis:
Novanda Alim Setya Nugraha, S.S., M.Hum.
Achmad Zaki Yamani, S.T., M.T.
Ridho Ananda, S.Pd., M.Si.
Arif Wirawan Muhammad, S.Kom., M.Kom.
Dr. (c) H. Tri Ginanjar Laksana, S.Kom, M.Kom, M.CS. M.Si

Editor : Nur Wahid

Cover : Irfa’il Mar’ie
Tata letak : Irfa’il Mar’ie

Penerbit
Wawasan Ilmu
Leler RT 002 RW 006 Desa Kaliwedi Kec. Kebasen Kab. Banyumas
Jawa Tengah 53172
Email : naskah.wawasanilmu@gmail.com

All Right Reserved

Hak Cipta pada Penulis
Hak Cipta Dilindungi Undang-undang
Dilarang memperbanyak sebagian atau seluruh isi buku ini dalam bentuk
apapun, baik secara elektronis maupun mekanis, termasuk memfotokopi,
merekam atau dengan sistem penyimpanan lainnya, tanpa izin tertulis dari
penerbit.
 PRA KATA

Assalamualaikum Warahmatullahi Wabarakatuh

Puji syukur, kami panjatkan kehadirat Allah SWT sehingga kami dapat
menyelesaikan buku monograf dengan judul “Pengembangan Sistem Big Data
Peternakan Sapi Berbasis Dual Layer APPS dan Machine Learning”. Buku ini
merupakan hasil konversi dari Laporan Riset Unggulan Daerah (RUD) tahun
2020, yang berjudul asli dalam penelitian “Pengembangan Sistem Big Data
Peternakan Sapi Berbasis Dual Layer APPS dan Machine Learning”
Adapun tujuan konversi Laporan Akhir Riset Unggulan Daerah (RUD)
menjadi sebuah buku monograf adalah sebagai salah satu upaya meningkatkan
kepustakaan, khususnya bidang peternak sapi di Kabupaten Kebumen. Isi dari
buku ini sebagian besar sama dengan hasil Laporan Akhir Riset Unggulan
Daerah (RUD) yaitu diperoleh berdasarkan observasi awal yang dilakukan
berupa wawancara, pengamatan, studi pustaka dan penelusuran melalui digital
literasi. Kami menyadari bahwa buku monograf ini dapat terselesaikan karena
adanya kerjasasama tim dan bimbingan serta dorongan dari semua pihak, oleh
karena itu, pada kesempatan ini, penulis menyampaikan ucapan terimakasih
kepada :

1. K.H. Yazid Mahfudz, Selaku Bupati Kabupaten Kebumen

2. Ir. Pudji Rahayu, Selaku Kepala BAP3DA Kab. Kebumen
3. Ir. H. Tri Haryono, Selaku Kepala Dinas Pertanian dan Pangan Kab.
Kebumen
4. Rekan-rekan tim yang banyak membantu

Serta semua pihak yang tidak disebutkan satu persatu, sehingga

terselesaikannya buku monograf ini.
Akhir kata semoga bermanfaat. Selamat membacaca.

15 Februari 2021

Tim Penyusun
 ABSTRAK

Banyaknya permasalahan mengenai pencatatan pemotongan sapi dan

manajemen monitoring sapi di Kabupaten Kebumen, mengakibatkan sulitnya
pemerintah daerah dalam menentukan kebijakan terkait kebutuhan
konsumsi daging sapi. Oleh karena itu dibutuhkan solusi secara optimal. Hal
tersebut, berdasarkan hasil yang diperoleh melalui verifikasi 2 Rumah
Pemotongan Hewan yang berada di gombong dan Kebumen terkait
pencatatan yang kurang maksimal mengenai data pemotongan sapi yang
belum tersaji secara up to date. Meskipun disisi lain sudah ada ketua
paguyuban sapi lokal serta 150 petugas rekorder kelompok pembibitan,
namun upaya pendataan seringkali menghadapi kendala, terkait metode
update data sapi yang masih manual dan rentan akan terjadinya
kesimpangsiuran data. Misalnya, ingin mengetahui update jumlah sapi lokal
yang beranak, mati atau bahkan sudah terjual karena alasan ekonomi,
keluarga peternak sapi. Berdasarkan kondisi tersebut, diusulkan optimalisasi
pencatatan dan monitoring sapi di Kabupaten Kebumen menggunakan
pendekatan model waterfall berbasis android. Model pengembangan waterfall
merupakan sebuah model pengembangan perangkat lunak yang
menggunakan prinsip secara berurutan, yang berarti bahwa selangkah
tahapan lanjut tidak akan dikerjakan jika tahapan sebelumnya belum
terselesaikan. Mengetahui informasi kebutuhan jumlah konsumsi daging sapi
masyarakat di Kabupaten Kebumen secara realtime. Merancang modul
informasi untuk menampilkan gambaran faktual tentang ketersediaan sapi
yang dipotong di Kabupaten pada aplikasi (SIDAK) Sistem Daging Sapi
Kebumen. Membuat aplikasi (SIDAK) Sistem Daging Sapi Kebumen berbasi
android guna mengoptimalkan pencatatan sapi yang telah dipotong secara
realtime di Kabupaten Kebumen.

Monograf ini berfokus pada proses identifikasi serta menciptakan

rancang bangun sistem big data peternakan sapi berbasis dual layer apps dan
machine learning yang bernama SIDAK (Sistem Informasi Daging Sapi
Kebumen), sehingga bisa digunakan sebagai alat bantu monitoring sapi lokal
secara periodik oleh petugas rekorder kelompok pembibitan. Hasil Monograf
ini berbentuk Sistem informasi Daging Sapi Kebumen (SIDAK) guna mencatat
secara uptodate dan memudahkan manajemen memonitoring pencatatan
sapi yang terintegrasi. Kemudian, model matematika untuk peramalan
produksi daging sapi dengan model ARIMA(0,2,1) ialah 𝑍𝑡 = 𝐶 −
0.2052𝑎𝑡−1 + 𝑎1 sedangkan model untuk populasinya ialah 𝑍𝑡 = 𝐶 −
0.0538𝑎𝑡−1 + 𝑎1 . Konsumsi daging sapi diperoleh dari populasi dikalikan
dengan kebutuhan konsumsi daging sapi normative yaitu 1.3 kg perkapita
pertahun. Hasil analisis menunjukkan bahwa untuk tahun 2020 s.d. 2022,
kebutuhan konsumsi daging sapi diprediksi dapat dipenuhi oleh produksi
daging sapi di Kebumen. kedepan aplikasi SIDAK (Sistem Informasi Daging
Sapi Kebumen) ini, dapat menjadi masukan terhadap perumusan arah
kebijakan pengendalian serta pengelolaan sapi di Kabupaten Kebumen.

Kata Kunci : Aplikasi, Android, Big data, Machine Learning, Sapi,

Waterfall.
 Daftar Isi

PRA KATA.................................................................................................... IV
ABSTRAK ....................................................................................................... V
DAFTAR ISI ................................................................................................ VII
BAB I PENDAHULUAN ............................................................................... 1
A. LATAR BELAKANG................................................................................................1
B. RUMUSAN MASALAH ...........................................................................................4
C. TUJUAN MONOGRAF ............................................................................................4
D. MANFAAT MONOGRAF ........................................................................................5
E. RUANG LINGKUP MONOGRAF............................................................................5
F. KERANGKA PIKIR/ ALUR PIKIR ........................................................................6
BAB II TINJAUAN PUSTAKA DAN KAJIAN TEORI .............................. 7
A. TINJAUAN PUSTAKA ............................................................................................7
B. KAJIAN TEORI .................................................................................................... 10
BAB III METODE PENYUSUNAN MONOGRAF ...................................17
A. LOKASI PENYUSUNAN MONOGRAF ............................................................... 18
B. JENIS DAN METODE PENGUMPULAN DATA ................................................. 18
C. PENGOLAHAN DATA ......................................................................................... 18
D. VALIDASI MODEL PERAMALAN...................................................................... 19
E. METODE ANALISIS SISTEM ............................................................................. 19
F. RANCANGAN SISTEM ........................................................................................ 21
BAB IV HASIL DAN PEMBAHASAN.......................................................23
A. HASIL MONOGRAF ............................................................................................ 23
B. PEMBAHASAN MONOGRAF.............................................................................. 46
BAB V KESIMPULAN, SARAN DAN REKOMENDASI .........................51
A. KESIMPULAN ..................................................................................................... 51
B. SARAN ................................................................................................................. 52
C. REKOMENDASI .................................................................................................. 52
DAFTAR PUSTAKA ....................................................................................53
LAMPIRAN...................................................................................................57
BIODATA TIM PENELITI .........................................................................63
 BAB I
PENDAHULUAN

A. Latar Belakang
Kabupaten Kebumen telah tumbuh menjadi wilayah sumber bibit sapi
peranakan ongole (PO) atau sapi lokal Kebumen berdasarkan Surat
Keputusan Menteri Pertanian RI No. 47/Kpts/SR.120/1/2015 pada tanggal
16 Januari 2015 silam. Kondisi tersebut mendorong Pemerintah Kabupaten
Kebumen untuk secara lebih serius mengelola usaha perbibitan sapi lokal
Kebumen yang berbasis masyarakat (Sugiarto et al, 2017). Sementara itu,
dalam dokumen rencana strategis Dinas Pertanian dan Pangan Kabupaten
Kebumen Tahun 2016–2021 menyebutkan bahwa penataan Rencana Tata
Ruang dan Wilayah (RTRW) menetapkan 9 kawasan peruntukan peternakan,
meliputi wilayah Kecamatan Puring, Ambal, Buluspesantren, Karanggayam,
Ayah, Sadang, Rowokele, Mirit dan Kecamatan Petanahan kemudian
didasarkan pada Peraturan Daerah Kabupaten Kebumen Nomor 8 Tahun
2016 tentang Penyelenggaraan Peternakan dan Kesehatan Hewan.
Upaya memperbaiki manajemen sapi lokal di Kabupaten Kebumen
belum dilakukan secara optimal, hal tersebut dapat diverifikasi melalui data
identitas di 2 RPH, yaitu RPH Gombong dan RPH Kebumen belum tersaji
secara uptodate. Meskipun disisi lain sudah ada ketua paguyuban sapi lokal
serta 150 petugas rekorder kelompok pembibitan, namun upaya pendataan
seringkali menghadapi kendala metode upgrade data sapi yang masih manual
dan rentan terjadinya kesimpangsiuran data. Misalnya, update berapa jumlah
sapi lokal yang beranak, mati atau bahkan sudah terjual karena alasan
ekonomi keluarga peternak sapi. Sementara itu, persoalan sapi lokal diperkuat
dengan adanya argument bahwa sapi potong di Indonesia sebagian besar
merupakan peternakan rumah tangga (RTP), dimana memelihara ternak
hanyalah sebagai komplemen (Fauzi dan Djajanegara, 2006).

Data Badan Pusat Statistika (BPS) Kebumen mengenai kebutuhan rata-

rata daging sapi perkapita dalam satu bulan pada tahun 2015 mencapai 1,38
ton atau 7.63% dari seluruh kebutuhan. Kebutuhan tersebut meningkat pada
tahun 2017 yakni sebesar 1.72 ton atau 12.57% dari seluruh kebutuhan. Pada
tahun 2020 tentunya diperkirakan kebutuhan daging sapi perkapita akan
meningkat. Adapun bank data digunakan untuk menampung data semua jenis
sapi yang dipotong sesuai rekomendasi dokter hewan sebelumnya. Bank data
juga akan berupaya menyajikan kebutuhan daging sapi di wilayah Kebumen
sehingga dapat dilakukan pencocokkan akhir daging sapi yang dipotong
sejalan dengan kebutuhan daging sapi masyarakat. Berangkat dari
latabelakang permasalahan data daging sapi yang dipotong pada 2 Rumah
Pemotongan Hewan (RPH) yang belum tersaji secara komprehensif, maka
perlu dilakukan Monograf untuk membangun sistem manajemen daing sapi
yang dipotong di Kabupaten Kebumen.

Demikian pula subsektor peternakan, selama ini telah memberikan

kontribusi cukup signifikan terhadap pembangunan pertanian. Subsektor
peternakan berperan dalam menyediakan bahan pangan sumber protein
hewani, bahan baku industri dan menyediakan lapangan pekerjaan. Namun
perkembangan subsektor peternakan belum didukung secara optimal oleh
sektor perbankan dalam penyediaan kredit untuk modal usaha peternakan
skala kecil (peternakan rakyat) (Basuno dan Suhaeti, 2007).

Adapun penelitian yang digunakan sebagai rujukan adalah penelitian

yang dilakukan oleh (Kumala, Borman dan Prasetyawan, 2018) tentang
Sistem Informasi Monitoring Perkembangan Sapi Dilokasi Uji Perfomrance
(Studi Kasus : Dinas Peternakan dan Kesehatan Hewan Provinsi Lampung),
disimpulkan agar monitoring perkembangan sapi menjadi lebih baik, cepat,
dan terintegritas maka dibutuhkan sebuah sistem informasi. Pengembangan
sistem informasi monitoring sapi ini dimaksudkan untuk membantu pegawai
atau Kelompok Jabatan Fungsional dalam proses pengolahan data
perkembanganan sapi, khususnya dalam penilaian tumbuh kembang sapi
pada saat di Lokasi Uji Perfomance, serta menghasilkan keluaran atau
infromasi akurat berupa Laporan Perkembangan Sapi dan Laporan
Keseluruhan yang akan diserahkan pada Kepala Dinas. Aplikasi monitoring
perkembangan sapi yang dikembangkan dilengkapi dengan informasi
spesifikasi sapi pada form perkembangan sapi yang secara otomatis
tervalidasi berdasarkan SNI tumbuh kembang sapi pada sistem.

Penelitian oleh (Budinuryanto, 2010) tentang Restrukturisasi Sistem

Produksi Usaha Peternakan Sapi Perah Rakyat dalam Sistem Pembangunan
Berkelanjutan ( Kasus di Daerah Hulu Sungai Citarum), disimpulkan bahwa
Agar monitoring perkembangan sapi menjadi lebih baik, cepat, dan
terintegritas maka dibutuhkan sebuah sistem informasi. Pengembangan
sistem informasi monitoring sapi ini dimaksudkan untuk membantu pegawai
atau Kelompok Jabatan Fungsional dalam proses pengolahan data
perkembanganan sapi, khususnya dalam penilaian tumbuh kembang sapi
pada saat di Lokasi Uji Perfomance, serta menghasilkan keluaran atau
infromasi akurat berupa Laporan Perkembangan Sapi dan Laporan
Keseluruhan yang akan diserahkan pada Kepala Dinas. Aplikasi monitoring
perkembangan sapi yang dikembangkan dilengkapi dengan informasi
spesifikasi sapi pada form perkembangan sapi yang secara otomatis
tervalidasi berdasarkan SNI tumbuh kembang sapi pada sistem.

Penelitian yang dilakukan oleh (Lasfeto dan Setyorini, 2017) tentang

Desain Sistem Monitoring Ternak Sapi Berbasis Jaringan Sensor Nirkabel
Untuk Sistem Pengemabalaan Lepas di Timor Barat Provinsi Nusa Tenggara
Timur, disimpulkan bahwa agar monitoring perkembangan sapi menjadi
lebih baik, cepat, dan terintegritas maka dibutuhkan sebuah sistem informasi.
Pengembangan sistem informasi monitoring sapi ini dimaksudkan untuk
membantu pegawai atau Kelompok Jabatan Fungsional dalam proses
pengolahan data perkembanganan sapi, khususnya dalam penilaian tumbuh
kembang sapi pada saat di Lokasi Uji Perfomance, serta menghasilkan
keluaran atau infromasi akurat berupa Laporan Perkembangan Sapi dan
Laporan Keseluruhan yang akan diserahkan pada Kepala Dinas. Aplikasi
monitoring perkembangan sapi yang dikembangkan dilengkapi dengan
informasi spesifikasi sapi pada form perkembangan sapi yang secara otomatis
tervalidasi berdasarkan SNI tumbuh kembang sapi pada sistem.

Rencana monograf tentang sistem manajemen monitoring sapi lokal di

Kabupaten Kebumen ini menggunakan pendekatan model waterfall. Model
pengembangan waterfall merupakan sebuah model pengembangan
perangkat lunak yang menggunakan prinsip pengembangan secara
berurutan, yang berarti bahwa selangkah tahapan lanjut tidak akan dikerjakan
jika tahapan sebelumnya belum terselesaikan. Monograf ini akan berfokus
pada proses identifikasi serta menciptakan rancang bangun sistem big data
daging sapi berbasis dual layer apps dan machine di Kabupaten Kebumen.
Selain itu, monograf ini tetap sejalan dengan program yang ada sebelumnya,
yaitu Kartu Ternak dan pencetakan Surat Keterangan Layak Bibit (SKLB) yang
telah dilakukan oleh Distapang Kab. Kebumen. Harapannya hasil monograf
sistem manajemen daging sapi yang terintegrasi ini dapat dijadikan masukan
terhadap perumusan arah kebijakan pengendalian serta pengelolaan sapi
lokal di Kabupaten Kebumen.

B. Rumusan Masalah
Berdasarkan uraian di atas, maka rumusan masalah yang diangkat
dalam monograf ini sebagai berikut :
1. Berapakah jumlah pemotongan sapi berdasarkan periode waktu di RPH
Gombong dan Kebumen guna memenuhi kebutuhan konsumsi daging
sapi masyarakat Kebumen ?
2. Bagaimana mengetahui gambaran faktual tentang ketersediaan sapi yang
dipotong secara uptodate ?
3. Bagaimana mengoptimalkan pencatatan sapi yang telah dipotong secara
realtime di Kabupaten Kebumen ?

C. Tujuan Monograf
Beberapa tujuan yang ingin dicapai pada monograf ini adalah sebagai
berikut:
1. Mengetahui informasi kebutuhan jumlah konsumsi daging sapi
masyarakat di Kabupaten Kebumen secara realtime.
2. Merancang modul informasi untuk menampilkan gambaran faktual
tentang ketersediaan sapi yang dipotong di kabupaten pada aplikasi
(SIDAK) Sistem Daging Sapi Kebumen.
3. Membuat aplikasi (SIDAK) Sistem Daging Sapi Kebumen berbasi android
guna mengoptimalkan pencatatan sapi yang telah dipotong secara
realtime di Kabupaten Kebumen.

D. Manfaat Monograf
Berdasarkan tujuan Monograf diatas, maka manfaat yang diperoleh
dalam Monograf ini adalah :

1. Memudahkan pemerintah Kabupaten Kebumen dalam menentukan

kebijakan dalam pemenuhan kebutuhan daging sapi di Kabupaten
Kebumen
2. Memudahkan monitoring yang dilakukan pemerintah Kabupaten
Kebumen secara faktual mengenai ketersediaan daging sapi
3. Memudahkan para recorder pencatatan pemotongan sapi baik TPH dan
RPH di Kabupaten Kebumen, agar data yang diperoleh valid dan dapat
dipertanggung jawabkan

E. Ruang Lingkup Monograf

Monograf ini memiliki ruang lingkup kajian sebagai berikut :

1. Monograf ini menggunakan pendekatan matematis untuk mendapatkan

asumsi kebutuhan daging di Kabupaten Kebumen.
2. Monograf ini dilakukan di 2 RPH, yaitu RPH Gombong dan RPH Kebumen
di Kabupaten Kebumen.
3. Monograf ini dilakukan dengan berfokus pada pencatatan dan monitoring
pemotongan sapi di 2 RPH.
F. Kerangka Pikir/ Alur Pikir
Dalam memperjelas tahapan-tahapan Monograf ini agar sesuai
dengan output yang diharapkan, maka kerangka berfikir dalam peneitian
yang akan dibangun seperti berikut :

Aspek Yang Diteliti Target Luaran Yang dicapai

Tahun ke – 1 : (i) Mengetahui jumlah

pemotongan sapi berdasarkan periode waktu di
RPH Gombong dan Kebumen guna memenuhi
kebutuhan konsumsi daging sapi masyarakat Menghasilkan aplikasi SIDAK (sistem Informasi
Kebumen, (ii) Mengetahui gambaran gambaran Daging Sapi Kebumen) Berbasis andorid
faktual ketersediaan daging sapi (iii) optimalisasi
pencatatan pemotongan sapi secara realtime
diKabupaten Kebumen

HASIL YANG DICAPAI DARI KEGIATAN MONOGRAF INI ADALAH :

1. Menghasilkan prediksi dalam memudahkan pemerintah Kabupaten Kebumen dalam

menentukan kebijakan dalam pemenuhan kebutuhan daging sapi di Kabupaten Kebumen
2. Menghasilkan rancangan aplikasi SIDAK dalam memudahkan monitoring yang dilakukan
pemerintah Kabupaten Kebumen secara faktual mengenai ketersediaan daging sapi
3. Menghasilkan produk aplikasi SIDAK dalam memudahkan para recorder pencatatan
pemotongan sapi baik TPH dan RPH di Kabupaten Kebumen, agar data yang diperoleh
valid dan dapat dipertanggung jawabkan
.

Gambar 1 Kerangka Pikir/ Alur Pikir Monograf

 BAB II
TINJAUAN PUSTAKA DAN KAJIAN TEORI

A. Tinjauan Pustaka
Monograf pemanfatan sistem informasi pencatatan dan monitoring
pemotongan sapi, telah banyak digunakan dalam berbagai bidang terutama
dalam bidang peternakan, berikut penelitian terkait tentang kajian
“Optimalisasi pencatatan dan sistem monitoring sapi”. Pada buku
monograf ini, untuk memperkuat kajian dalam memecahkan permasalahan
yang terjadi di Kabupaten Kebumen. Berikut penelitian yang telah dilakukan
oleh peneliti pendahulu yang menjadi rujukan pada penulisan buku monograf
ini :

1. Penelitian yang dilakukan oleh (Somya et al., 2015) tentang Perancangan

Sistem Pemantauan Pertumbuhan Ayam pada Peternakan Ayam
Boiler dengan Pola Kemitraan, disimpulkan bahwa Kebutuhan daging
ayam terus meningkat sehingga mendorong perusahaan peternakan
ayam broiler untuk meningkatkan produktivitasnya. Salah satu faktor
penting dalam menentukan produktivitas peternakan ayam broiler
adalah kualitas pemantauan perkembangan ayam selama masa
pemeliharaan. Sebagian besar perusahaan mengandalkan sistem
pemantauan secara manual yang melibatkan petugas penyuluh lapangan
(PPL) dimana laporan dievaluasi pada akhir pemeliharaan. Dalam
Monograf ini dirancang sistem pemantauan perkembangan ayam boiler
berbasis teknologi mobile yang memungkinkan perusahaan peternakan
memantau kondisi ayam broiler di kandang setiap hari.
2. penelitian yang dilakukan oleh (Amalia, 2014) tentang Sistem
Monitoring Perkembangan Produksi Telur Peternakan Ayam
Petelur Sumber Rezeki di esa Paleran Kabupaten Jember,
disimpulkan bahwa Sebuah sistem berbasis website yang akan
membantu peternak dalam proses pencatatan dan menampilkan hasil
laporan setiap kandangnya adalah solusi untuk masalah peternakan SR.
Pembangunan sistem monitoring yang tepat dan benar akan membantu
peternak untuk dapat mengawasi perkembangan produksi
peternakannya secara tepat dan cepat.

3. Penelitian yang dilakukan oleh (Munsyi, 2019) tentang Environement

Monitoring Berbasis Internet of Things Untuk Peternakan Cerdas,
disimpulkan bahwa Pemanfaatan IoT pada monitoring lingkungan dapat
di terapkan pada bidang peternakan. Hal ini dapat membantu seseorang
dalam mengetahui kualitas dari kondisi lingkungan yang akan
dimanfaatkan untuk peternakan. Dalam hal ini adalah bagaimana
mengetahui peternakan yang cocok untuk diterapkan dilingkungan yang
dia tuju untuk membangun peternakan sapi atau peternakan ayam.
Menggunakan perangkat wireless sensor networks (WSN) untuk
melakukan pengambilan nilai dari kondisi lingkungan tersebut dapat
membantu mengetahui kondisi dan kualitas lingkungan. IoT membantu
seseorang untuk membuka usaha dibidang peternakan yang cocok untuk
wilayah tersebut tanpa harus melakukan banyak survey yang menelan
banyak biaya. Hanya dengan menggunakan teknologi IoT siapapun dapat
mendapatkan data kualitas lingkungan yang cocok untuk membuka
sebuah peternakan dengan kondisi lingkungan yang sudah diketahui
sebelumnya..

4. Monograf yang dilakukan oleh (Pamungkas dan Sjaf, 2012) tentang

Sistem Monitoring dan Teknik Peramalan Harga Daging Sapi,
disimpulkan bahwa Pemanfaatan teknologi telah terbukti sangat
membantu kehidupan bermasyarakat dalam suatu negara. Sistem
monitoring harga daging sapi seperti yang diterapkan di dalam Sistem
Informasi Pasar, Kementerian Perdagangan Republik Indonesia
 merupakan salah satu contohnya. Langkah demikian dilakukan
mengingat peran dan nilai strategis daging sapi di Indonesia. Seperti
diketahui bahwa daging sapi merupakan sumber protein bagi sebagian
besar masyarakat Indonesia. Tujuan pusat monitoring harga ini adalah
untuk menyediakan informasi mengenai harga daging sapi di seluruh
wilayah Indonesia, memantau perkembangannya secara harian. Dengan
demikian, sistem informasi ini berfungsi untuk memberikan notifikasi
dini jika diprediksi akan terjadi gejolak perubahan harga, serta memantau
disparitas harga di provinsi-provinsi di seluruh Indonesia,
sehinggaPemerintah Indonesia, dalam hal ini yaitu Kementerian
Perdagangan Republik Indonesia dapat secara dini mengambil langkah-
langkah strategi yang sesuai untuk mengatasi gejolak tersebut. penelitian
ini dilakukan pada tahun 2010. Pengumpulan data dilakukan dari pasar-
pasar rujukan di setiap kota atau kabupaten di wilayah Indonesia,
sedangkan analisis harga dilakukan dengan identifikasi faktor-faktor
penentu harga komoditas. Rekomendasi akhir diusulkan sebagai langkah
mengidentifikasi faktor-faktor yang harus di-cek di lapangan jika terjadi
kenaikan harga daging sapi.

5. penelitian yang dilakukan oleh Arnas MF dkk (2019) mengenai

peramalan jumlah konsumsi sapi Indonesia dengan menggunakan
metode ARIMA yang digunakan untuk meramalkan jumlah konsumsi
daging sapi 12 bulan mendatang yakni bulan Januari 2016 s.d. Desember
2016 berdasarkan data runtun waktu. Data yang digunakan merupakan
data runtun waktu yang memiliki pola musiman. Hasil dari penelitian ini
ialah model ARIMA(1,1,0)(0,1,1)6 dan ARIMA(1,1,0)(1,1,1)6 untuk
taraf nyata 5% dan 10% dengan masing-masing bentuk persamaan,
adalah 𝑌𝑡 = 𝑌𝑡−1 − 0,3193𝑌𝑡−1 + 0,3193𝑌𝑡−2 + 𝑌𝑡−6 − 𝑌𝑡−7 +
0,3193𝑌𝑡−7 − 0,3193𝑌𝑡−8 + 𝑒𝑡 − 0,8599𝑒𝑡−6 dan 𝑌𝑡 =
43,640+1,3189𝑌𝑡−1 − 0,3189𝑌𝑡−2 + 0,6281𝑌𝑡−6 − 0,4278𝑌𝑡−7 −
0,2003𝑌𝑡−8 + 0,3189𝑌𝑡−12 − 0,2533𝑌𝑡−13 − 0,1186𝑌𝑡−14 + 𝑒𝑡 −
0,9706𝑒𝑡−6 .
B. Kajian Teori
1. Analisis runtun waktu
Analisis runtun waktu pertama kali diperkenalkan dan dikembangkan
pada tahun 1970 untuk menduga struktur atau mekanisme yang mendasari
terciptanya data runtun waktu yang terjadi (Soelaman, 2016). Data runtun
waktu yang dimaksud merupakan hasil pengamatan atas sebuah variable
yang terjadi pada sebuah kurun waktu tertentu. Misalkan notasi 𝑧𝑡
merupakan sebuah pengamatan saat 𝑡 maka runtun waktu saat 𝑛
pengamatan dinyatakan dengan 𝑧1 , 𝑧2 , … , 𝑧𝑛 . Dalam analisis runtun waktu,
diberikan dugaan bahwa setiap pengamatan dalam sebuah data runtun waktu
secara statistik saling bergantung atau memiliki korelasi. Untuk melihat
adanya korelasi tersebut, dapat dilakukan dengan uji korelasi
antarpengamatan yang sering dikenal dengan Autocorrelation Function (ACF)
dan Parsial Autocorrelation Function (PACF).

Menurut Makridakis dan Wheelwrigt (1999), pola pada data runtun

waktu dapat dibedakan menjadi empat jenis yaitu:

a. Pola Horisontal (H)

Pola ini terjadi apabila nilai data runtun waktu mengalami fluktuatif di
sekitar rataan.
b. Pola Musiman (S)
Pola ini terjadi apabila data runtun waktu membentuk pola yang
teratur yang bersifat musiman.
c. Pola Siklik (C)
Pola ini terjadi apabila data runtun waktu mengalami fluktuatif jangka
panjang.
d. Pola Trend (T)
Pola ini terjadi apabila data runtun waktu mengalami kenaikan atau
penurunan.

2. Metode Autoregressive Integrated Moving Average

Metode Autoregressive Integrated Moving Average (ARIMA)
merupakan metode yang dikembangkan oleh Box dan Jenkins tahun 1970
dimana didalamnya memuat dua proses yakni autoregressive (AR) dan
moving average (MA). Persamaan umum dari keduanya ialah:
 𝑧̂𝑡 = 𝐶 + 𝜙1 𝑧𝑡−1 + 𝑎𝑡 (2.1)

𝑧̂𝑡 = 𝐶 − 𝜃1 𝑎𝑡−1 + 𝑎𝑡 (2.2)

Dimana pada persamaan (2.1) merupakan persamaan umum proses AR

berorde 1 atau AR(1) dan persamaan (2.2) persamaan umum proses MA
berorde 1 atau MA(1). 𝑧̂𝑡 merupakan pengamatan yang mungkin dari variabel
acak runtun waktu 𝑧𝑡 . 𝜙1 dan 𝜃1 berturut-turut merupakan parameter dari
proses AR dan MA. 𝐶 merupakan konstanta yang berhubungan dengan rataan
proses. 𝑎𝑡 merupakan residual acak.

Selanjutnya ada tiga proses tambahan yang perlu menjadi perhatian

antara lain:

𝑧̂𝑡 = 𝐶 + 𝜙1 𝑧𝑡−1 + 𝜙2 𝑧𝑡−2 + 𝑎𝑡 (2.3)

𝑧̂𝑡 = 𝐶 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 + 𝑎𝑡 (2.4)

𝑧̂𝑡 = 𝐶 + 𝜙1 𝑧𝑡−1 − 𝜃1 𝑎𝑡−1 + 𝑎𝑡 (2.5)

Persamaan (2.3) merupakan persamaan umum proses AR orde 2 atau AR(2).

Persamaan (2.4) merupakan persamaan umum proses MA orde 2 atau MA(2).
Sedangkan persamaan (2.5) merupakan persamaan gabungan antara AR(1)
dengan MA(1). Karakteristik dari ARIMA ditentukan oleh nilai-nilai 𝑝, 𝑞, dan 𝑑
atau ARIMA(𝑝, 𝑑, 𝑞). Persamaan (2.3) merupakan proses ARIMA(2,0,0)
karena hanya terjadi proses AR(2). Persamaan (2,4) merupakan proses
ARIMA(0,0,2) karena hanya terjadi proses MA(2). Sedangkan persamaan (2.5)
merupakan proses ARIMA(1,0,1) dikarenakan terjadi proses AR(1) dan
MA(1). Untuk keseluruhan persamaan umum di atas, nilai 𝑑 = 0 dikarenakan
belum ada informasi dilakukannya differencing. Jika dilakukan proses
differencing sebanyak n kali, maka 𝑑 = 𝑛.

Langkah-langkah dalam menentukan model ARIMA adalah

a. Mengidentifikasi data
Identifikasi data bertujuan untuk mengetahui pola data runtun waktu.
Identifikasi dapat dilakukan dengan memplot data terhadap waktunya.
b. Menguji kestasioneran data
Uji kestasioneran data dapat dilihat dari bentuk pola ACF, uji Dickey-
Fuller, atau melalui transformation box-cov. Apabila data tidak
stasioner terhadap varians maka perlu dilakukan transformasi box-cov.
Apabila data tidak stasioner pada rataan maka perlu dilakukan proses
differencing. Proses differencing bisa dilakukan lebih dari satu kali.
c. Membentuk ACF dan PACF untuk menentukan model ARIMA
ACF dan PCAF digunakan untuk menentukan orde modelnya. Apabila
dilakukan differencing 1 kali maka 𝑑 = 1. Jika pada 𝑑 = 1, ada 1 lag
ACF yang melewati batas garis maka dugaan orde 𝑞 = 1 atau MA(1).
Jika ada 1 lag PACF yang melewati batas garis maka dugaan orde 𝑝 = 1
atau AR(1). Pada umumnya orde AR dan MA seringkali tidak lebih dari
3.

3. Software Minitab
Monograf ini menggunakan perangkat lunak Minitab 16 dalam proses
komputasi dan visualisasi grafik. Minitab 16 merupakan salah satu perangkat
lunak statistika yang menyediakan beberapa fasilitas analisis statistik seperti
statistika inferensi, statistika multivariate, proses peramalan, dan lain
sebagainya. Minitab 16 merupakan perangkat lunak yang cukup popular dam
relatif sederhana dengan output yang sudah memadai untuk penggunaan
sehari-hari.

4. Daging Sapi Kebumen

Pada Monograf ini, definisi dari daging sapi Kebumen ialah daging sapi
yang berasal dari sapi yang dibesarkan di Kebumen. Sapi tersebut bisa berupa
sapi Ongole, sapi Limousin, sapi Brahmana, atau sapi Metal.

5. Kebutuhan konsumsi daging sapi di Kebumen

Kebutuhan konsumsi daging sapi di Kebumen diperoleh dari rata-rata
konsumsi daging sapi perkapita dalam satu tahun. Luqman (2017)
menyampaikan bahwa konsumsi daging sapi di Kabupaten Kebumen hanya
sekitar 1,3 kg per kapita/tahun. Monograf ini mengasumsikan konsumsi
daging sapi di Kabupaten Kebumen tidak mengalami peningkatan. Asumsi
tersebut juga diperkuat dengan hasil wawancara dengan kepala bidang
peternakan dinas Peternakan dan Pangan Kebumen bahwa konsumsi daging
sapi di Kebumen hingga saat ini masih relatif rendah.

6. Website
Berdasarkan penelitian sebelumnya yang dilakukan oleh Fitriana
Istiqomah, Hafidudin, S.T., M.T., Suci Aulia, S.T., M.T. dalam jurnal dengan judul
Sistem Informasi Pelayanan Data Pelanggan Pdam Tirta Intan Kabupaten
Garut Berbasis Website Dan Sms Gateway menjelaskan bahwa :

“Website atau situs merupakan kumpulan halaman yang menampilkan

informasi data teks, gambar, data animasi, suara, dan gabungan dari
semuanya, baik bersifat statis maupun dinamis yang membentuk sutau
rangkaian bangunan yang saling terkait dengan jaringan-jaringan
halaman (hyperlink).” (Istiqomah dan Aulia, 2015)

7. Sistem Informasi Geografis (GIS)

SIG adalah sistem berbasis komputer yang memiliki kemampuan
dalam menangani data bereferensi geografi yaitu pemasukan data,
manajemen data (penyimpanan dan pemanggilan kembali), memanipulasi
dan analisis data, serta keluaran sebagai hasil akhir (output). (Kupang, 2013)

8. Pengetahuan Peta
Peta merupakan suatu representasi konvensional (miniature) dari
unsur (Lasfeto dan Setyorini, 2017)-unsur (feature) fisik (alamiah dan buatan
manusia) dari sebagian atau keseluruhan permukaan bumi di atas media
bidang datar dengan skala tertentu. (Soyusiawaty, Umar dan Mantofani, 2007)

9. Map-Server
MapServer adalah aplikasi freeware dan open source yang
memungkinkan kita menampilkan data spasial (peta) di web . Aplikasi ini
pertama sebuah simpul yang sudah terpilih dengan simpul lain yang kali
dikembangkan di Universitas Minesotta, Amerika serikat untuk proyek
ForNet (sebuah proyek untuk menajemen sumber daya alam) yang
disponsori NASA (National Aeronautics and Space Administration). (Pugas,
Somantri dan Satoto, 2011)
10. HTML (Hypertext Markup Language)
Berdasarkan penelitian sebelumnya yang dilakukan oleh Fitriana
Istiqomah, Hafidudin, S.T., M.T., Suci Aulia, S.T., M.T. dalam jurnal dengan judul
Sistem Informasi Pelayanan Data Pelanggan Pdam Tirta Intan Kabupaten
Garut Berbasis Website Dan Sms Gateway menjelaskan bahwa :

“PHP (Hypertext Prepocessor) merupakan bahasa pemrograman

berbasis web yang memiliki kemampuan untuk memproses dan
mengolah data secara dinamis. PHP dapat dikatakan sebagai sebuah
server-side embedded script language, artinya semua sintaks dan
perintah program yang ditulis akan sepenuhnya dijalankan oleh server,
tetapi dapat disertakan pada halaman HTML biasa.” (Istiqomah dan
Aulia, 2015)

11. MySQL
Berdasarkan penelitian sebelumnya yang dilakukan oleh Fitriana
Istiqomah, Hafidudin, S.T., M.T., Suci Aulia, S.T., M.T. dalam jurnal dengan judul
Sistem Informasi Pelayanan Data Pelanggan Pdam Tirta Intan Kabupaten
Garut Berbasis Website Dan Sms Gateway menjelaskan bahwa :

“MySQL merupakan turunan dari SQL (Structured Query Language)

yang merupakan sebuah konsep pengoperasian database, terutama
untuk pemilihan atau seleksi dan pemasukan data, yang
memungkinkan pengoperasian data dikerjakan dengan mudah secara
otomatis.”(Istiqomah dan Aulia, 2015)

12. XAMPP
Berdasarkan penelitian sebelumnya yang dilakukan oleh Fitriana
Istiqomah, Hafidudin, S.T., M.T., Suci Aulia, S.T., M.T. dalam jurnal dengan judul
Sistem Informasi Pelayanan Data Pelanggan Pdam Tirta Intan Kabupaten
Garut Berbasis Website Dan Sms Gateway menjelaskan bahwa :

“XAMPP adalah sebuah software web server apache di dalamnya sudah

tersedia database server MySQL dan support PHP programming. Dengan
menginstal XAMPP maka tidak perlu lagi melakukan instalasi dan
konfigurasi web server Apache, PHP dan MySQL secara manual. XAMPP
akan menginstalasi dan mengonfigurasikannya secara otomatis.”
(Istiqomah dan Aulia, 2015)
13. Kemampuan Aplikasi
Kemampuan aplikasi yang paling menakjubkan adalah kecepatannya.
aplikasi dapat melakukan suatu operasi apapun, misalnya perhitungan,
penambahan atau pengurangan, dalam waktu yang sangat cepat, yaitu dalam
waktu mili second, mikro second, nano second atau piko second (Kumala,
Borman dan Prasetyawan, 2018). Komputer yang cepat dapat melakukan
operasi dalam waktu pico second. Komputer mainframe dapat mempunyai
kecepatan sampai dengan lebih dari 1000 MIPS (million instructions per
second). Komputer dengan kecepatan 1000 MIPS dapat mengolah sebanyak
1.000.000.000 (1 milyar) instruksi/perintah per detiknya. Kemampuan
komputer lainnya yang menakjubkan adalah ketepatannya. Kalau manusia
lelah, maka mentalnya akan luluh, yang akan berakibat kecenderungan untuk
melakukan kesalahan (Nugraha, 2012).

14. Webserver
Web server adalah software yang menjadi tulang belakang dari world
wide

web (www) yang pertama kali tercipta sekitar tahun 1980an (Pamungkas dan
Sjaf, 2012). Web server menunggu permintaan dari client yang menggunakan
browser seperti Netscape Navigator,Internet Explorer, Mozilla Firefox, dan
program browser lainnya. Jika ada permintaan dari browser, maka web server
akan memproses permintaan itu kemudian memberikan hasil prosesnya
berupa data yang diinginkan kembali ke browser. Web server, untuk
berkomunikasi dengan client-nya (webbrowser) mempunyai protokol
sendiri, yaitu HTTP (hypertext transfer protocol) (Tiffani, Putra dan Erlina,
2017)

15. Sistem Usaha Pertanian Berbasis Sapi

Berdasarkan pengamatan pada setiap penjualan ternak, rendahnya
produksi sapi bakalan setiap tahun. Oleh terlihat bahwa peternak menjual
ternaknya apabila karena itu, telah dilakukan pengkajian tentang perbaikan
ternak telah mencapai bobot badan penjualan dengan aspek penggemukan
serta pemeliharaan induk dan anak. standar ekspor minimal yaitu bobot 200
– 224 kg Pengkajian aspek penggemukan mencakup AKHIR (37,7%), 225 –
249 kg (24,9%) dan standar bobot 250 lain penyediaan pakan, serta
pemanfaatan kotoran – 274 kg (17,4%). Penjualan untuk standar bobot badan
ternak sebagai pupuk tanaman pangan dan hortikultura (Irdahayati, 2010).

16. Ketentuan Bobot Sapi

Bobot merupakan parameter penting dalam peternakan. Dalam
menentukan harga sapi, bobo harus diketahui secara akurat. Apabila
perhitungan bobot tidak akurat, maka akan menyebabkan kerugian. Disisi
lain, peternak tidak memiliki cukup uang untuk membeli timbangan
konvensional. Bahkan di pasar ternak, peternak lebih umum memperkirakan
bobot ternak hanya dengan indera. Hal ini bukan hanya menyebabkan potensi
kerugian, namun juga tidak memiliki landasan Ilmiah (Riyanto, Kridalukmana
dan Windasari, 2016).
 BAB III
METODE PENYUSUNAN MONOGRAF

Berdasarkan Kerangka Acuan Kerja (KAK) Riset Unggulan Daerah

(RUD) tahun 2020 terkait analisa ketersediaan sapi lokal untuk pemenuhan
kebutuhan bibit dan daging di Kabupaten Kebumen, maka monograf ini
dilakukan sebagai upaya meramalkan potensi daging sapi lokal di kabupaten
tersebut terhadap kebutuhan yang ada. Pembahasan secara lengkap untuk
meneliti masalah ini digambarkan pada diagram kerangka pemikiran
Monograf pada Gambar 3.1.
 Gambar. 2 Alur Monograf

Berdasarkan kerangka pemikiran, Monograf ini bertujuan melakukan

proyeksi terhadap tingkat produksi dan konsumsi daging sapi. Analisis
dilakukan dengan menggunakan metode peramalan runtun waktu ARIMA.
Setelah menghasilkan nilai peramalan, selanjutnya ditentukan kesenjangan
hasil peramalan dari produksi daging sapi dengan konsumsinya pada kurung
waktu yang diramalkan.

A. Lokasi Penyusunan Monograf

Penyusunan monograf ini dilakukan di Rumah Potong Hewan (RPH)
Gombong dan Kebumen. Waktu Monograf diperkirakan sekitar Agustus –
November 2020.

B. Jenis dan Metode Pengumpulan Data

Jenis data dalam monograf ini ialah data sekunder yang bersifat
kuantitatif berupa data produksi dan konsumsi daging sapi di Kabupaten
Kebumen. Data diperoleh dari laporan produksi daging sapi di RPH Gombong
dan RPH Kebumen. Data penunjang lainnya dalam Monograf ini ialah data
jumlah produksi daging sapid an jumlah penduduk Kabupaten Kebumen yang
diperoleh dari Badan Pusat Statistika.

C. Pengolahan Data
Awal mula pengolahan data dilakukan dengan menggunakan
perangkat lunak Microsoft Excel, Minitab versi 16, dan Matlab. Penggunaan
Minitab versi 16 dengan matlab ini bertujuan membandingkan hasil dari kedua
software tersebut sebelum model matematikanya dimasukkan dalam sistem
aplikasi sebagai penerapan Machine learning. Metode analisis yang digunakan
ialah metode deskriptif dan metode peramalan. Metode deskriptif digunakan
untuk menjelaskan informasi-informasi mengenai konsumsi dan produksi
daging sapi serta informasi kesenjangan produksi dan konsumsi.

Metode peramalan digunakan untuk memperkirakan kebutuhan dan

produksi di masa yang akan datang. Peramalan pada jumlah konsumsi dan
jumlah produksi dilakukan dengan menggunakan data runtun waktu
menggunakan metode ARIMA (𝑝, 𝑞, 𝑟). Setelah model yang dibuat memiliki
validasi yang cukup baik, selanjutnya model tersebut akan dimasukkan dalam
sistem Aplikasi pendataan produksi dan konsumsi daging sapi.

D. Validasi Model Peramalan

Validasi model peramalan dilakukan dengan melihat nilai tengah galat
kuadrat (Mean Squared Error, MSE). Rumus dari MSE ialah
∑𝑛𝐼=1 𝑒𝑖
𝑀𝑆𝐸 =
𝑛
dimana

𝑒𝑖 = |𝑌𝑖 − 𝑌̂𝑖 |.

𝑌𝑖 merupakan nilai data aktual pada period ke-𝑖. 𝑌̂𝑖 merupakan nilai data hasil
peramalan pada period ke-𝑖. 𝑛 merupakan banyaknya periode yang
diramalkan.

E. Metode Analisis Sistem

Dalam melakukan pengembangan sistem manajemen peternakan sapi
di Kabupaten Kebumen digunakan model waterfall. Model pengembangan
waterfall adalah sebuah model pengembangan perangkat lunak yang
menggunakan prinsip pengembangan secara berurutan, yang berarti bahwa
sebuah tahapan lanjut tidak akan dikerjakan jika tahapan sebelumnya belum
terselesaikan. Sistem manajemen peternakan sapi di Kabupaten Kebumen ini
dikembangkan melalui lima tahapan sesuai dengan model yang tersaji pada
Gambar 3.1.
 Gambar 3 Alur Metode Pengembangan Waterfall

Rincian pada setiap tahapan adalah sebagai berikut:

1. Analisis Kebutuhan (Requirement)

Pada tahap ini dilakukan analisis kebutuhan untuk pengembangan
sistem manajemen peternakan sapi di Kabupaten Kebumen. Metode
yang digunakan dalam pengumpulan data yaitu, wawancara,
pengamatan secara langsung, dan literatur pustaka. Pengamatan secara
langsung dilakukan di sentra peternakan sapi Kabupaten Kebumen.
Setelah melakukan pengamatan dan wawancara secara langsung, pada
tahap analisis juga dilakukan analisis kebutuhan fungsional dan
kebutuhan non-fungsional untuk pengembangan sistem manajemen
peternakan sapi di Kabupaten Kebumen. Hasil analisis merupakan
acuan dalam pembuatan desain model proses, model data, dan
antarmuka pengguna.
2. Desain Sistem
Pada tahap ini akan dibuat desain model proses, model data, dan desain
antarmuka. Desain model proses digambarkan dengan United
Modelling Language (UML).
3. Implementasi (Implementation)
Tahap implementasi merupakan penerapan dari sistem manajemen
peternakan sapi di Kabupaten Kebumen yang telah dibangun
berdasarkan tahapan I dan II, sesuai dengan kebutuhan dari peternak
sapi di Kabupaten Kebumen.
4. Uji Coba (Verification)
Pada tahap ini, dilakukan uji coba sistem manajemen peternakan sapi
di Kabupaten Kebumen. Hasil uji coba digunakan untuk menilai
fungsionalitas sistem yang telah dikembangkan sebagai landasan
evaluasi untuk pengembangan lebih lanjut.
5. Maintenance
Pada tahap ini dilakukan pemeliharaan sistem manajemen peternakan
sapi di Kabupaten Kebumen, untuk memastikan bahwa sistem terus
berjalan sesuai dengan fungsionalitasnya.
F. Rancangan Sistem
Rancangan sistem manajemen peternakan sapi di Kabupaten
Kebumen yang akan dikembangkan dalam Monograf ini memiliki tiga
tier/bagian.

Gambar 4 Rancangan Sistem Manajemen Peternakan Sapi di Kabupaten

Kebumen
 BAB IV
HASIL DAN PEMBAHASAN

A. Hasil Monograf
Berdasarkan data runtun waktu produksi daging sapi dari tahun 2001
s.d. 2019 maka diperoleh beberapa hasil analisis sebagai berikut:

1. Identifikasi data
Time Series Plot of Daging Sapi (kg) Trend Analysis Plot for Daging Sapi (kg)
Linear Trend Model
2400000 Yt = 763895 + 59588*t
2500000 Variable
2200000
Actual
Fits
2000000
Daging Sapi (kg)

Accuracy Measures
2000000 MAPE 1.33215E+01
1800000
Daging Sapi (kg)

MAD 1.80008E+05
MSD 4.79045E+10
1600000

1400000 1500000

1200000

1000000 1000000

01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 2 4 6 8 10 12 14 16 18
Year Index

(a) (b)
Gambar 5. (a) Plot data runtun waktu dan (b) trend naik pada data daging
sapi Kebumen

Pada Gambar (5a) terlihat bahwa data tidak membentuk pola musiman. Tren
data terlihat pada Gambar (5b) dimana trend yang tampak adalah trend naik.
 Trend Analysis Plot for Daging Sapi (kg)
Quadratic Trend Model
Yt = 1068635 - 27481* t + 4353* t* * 2

2400000 Variable
A ctual
F its
2200000
A ccuracy Measures
2000000 MA PE 1.08900E+01
Daging Sapi (kg)

MA D 1.51707E+05
MSD 3.43725E+10
1800000

1600000

1400000

1200000

1000000

2 4 6 8 10 12 14 16 18
Index

Gambar 6. Pendekatan data produksi daging sapi dengan trend kuadratik

Gambar. 6 menunjukkan nilai MAPE pada Quadratic Trend Model (10.89)
lebih kecil daripada Linear Trend Model (13.32) maka pola data runtun waktu
tersebut lebih tepat dikatakan mengikuti trend kuadratik dibandingkan trend
linear sehingga ada kemungkinan data produksi daging sapi akan dilakukan
differencing sebanyak 2 kali sehingga 𝑑 = 2 pada model ARIMA.

2. Menguji stasioner data

Box-Cox Plot of Daging Sapi (kg) Box-Cox Plot of Daging Sapi - transformasi
Lower CL Upper CL Lower CL Upper CL
0.00000022 Lambda
Lambda
(using 95.0% confidence)
350000 (using 95.0% confidence)
0.00000020
Estimate -1.30 Estimate 1.30

Lower CL -3.27 0.00000018 Lower CL -0.59

300000 Upper CL 0.59 Upper CL 3.27

0.00000016 Rounded Value 1.00

Rounded Value -1.00
StDev

250000
StDev

0.00000014

0.00000012
200000
0.00000010

150000 Limit 0.00000008 Limit

0.00000006
100000
-5.0 -2.5 0.0 2.5 5.0
-5.0 -2.5 0.0 2.5 5.0 Lambda
Lambda

(a) (b)
Gambar 7. Grafik box-cov pada (a) data produksi daging sapi di Kebumen dan
(b) data produksi daging sapi di Kebumen yang telah ditranformasikan.
Karena Rounded value pada Gambar (7a) tidak bernilai 1 pada data asli
produksi daging sapi di Kebumen maka dapat dikatakan data runtun waktu
tidak stasioner terhadap varian. Agar data menjadi stasioner terhadap varians,
maka dilakukan proses transformasi box-cov sebagaimana ditunjukkan pada
Gambar (7b).
 Autocorrelation Function for Daging Sapi - Transformasi (kg)
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 2 3 4 5
Lag

Gambar 8. Pola ACF pada data produksi daging sapi di Kebumen

Gambar 8 menunjukkan data turun dengan pelahan lahan. Hal itu

menunjukkan bahwa data memiliki trend sehingga data dikatakan
belum stasioner terhadap rataan. Untuk membuat data stasioner
terhadap rataan maka perlu dilakukan proses differencing.

3. Differencing 1
Autocorrelation Function for Differencing 1 Partial Autocorrelation Function for Differencing 1
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial A utocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 1 2 3 4 5
Lag Lag

(a) (b)
Gambar 9. (a) Pola ACF dan (b) PACF pada data differencing 1
Pada data hasil differencing 1 diperoleh pola ACF yang ditunjukkan pada
Gambar (9a) dan pola PACF ditunjukkan pada Gambar (9b). Apabila diamati
pada pola ACF dan PACF yang nilainya tidak turun menuju nol atau tiba-tiba
nol untuk perubahan lag. Hal itu mengindikasikan bahwa data pada 𝑑 = 1
tidak menggambarkan adanya proses AR maupun MA. Sehingga model
tentatif ARIMA pada differencing 1 tidak ada.
4. Differencing 2
Autocorrelation Function for Differencing 2 Partial Autocorrelation Function for Differencing 2
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 1 2 3 4
Lag Lag

(a) (b)
Gambar 10. (a) Pola ACF dan (b) PACF pada data differencing 2
Pada data hasil differencing 2 diketahui bahwa ACF turun tiba-tiba ke nol
setelah lag 1 begitu pula PACF sebagaimana ditunjukkan pada Gambar (10a)
dan Gambar (10b). Kondisi tersebut mengindikasikan adanya proses AR pada
orde 1 dan MA pada orde 1. Sehingga kombinasi model tentatif ARIMA yang
dapat diusulkan ialah ARIMA(1,2,0), ARIMA(0,2,1), dan ARIMA(1,2,1).

5. Differencing 3.
Autocorrelation Function for Differencing 3 Partial Autocorrelation Function for Differencing 3
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 1 2 3 4
Lag Lag

(a) (b)
Gambar 11. (a) Pola ACF dan (b) PACF pada data yang telah di
differencing 3 kali

Pada Gambar (11a) di pola ACF tersebut terlihat bahwa pola tidak
menunjukkan adanya trend sehingga data hasil differencing 3 telah stasioner
terhadap rataan. Apabila diasumsikan ada proses AR dan MA dikarenakan
masing-masing ACF maupun PACF ada 1 lag yang melewati batas garis, maka
diperoleh ordenya 1. Sehingga model tentative yang bisa dikombinasikan ialah
ARIMA(1,3,1), ARIMA(1,3,0), dan ARIMA(0,3,1).

6. Uji Model
Perhatikan nilai pada Tabel 1 di bawah ini.

Tabel 1 Sistem kerja aplikasi

No Model |𝑇| 𝑃 MSE

− 𝑉𝑎𝑙𝑢𝑒
1 ARIMA(1,2,0) AR = 0.847 65706992644
1.96
2 ARIMA(0,2,1) MA = 0.654 50515762496
4.39
3 ARIMA(1,2,1) AR = 0.71 53307301851
0.33
MA =
3.75
4 ARIMA(1,3,1) AR = 0.86 75180244644
1.88
MA =
8.94
5 ARIMA(1,3,0) AR = 0.54 142807535756
3.34
6 ARIMA(0,3,1) MA = 0.71 88244524108
7.30

Untuk memilih model yang tepat maka perlu dilakukan uji parameter,
uji residual, dan perbandingan nilai MSE.

a. Uji Parameter
Apabila pada suatu proses ARIMA memenuhi |𝑇| > 𝑇𝛼(𝑛−1) maka
2
parameternya signifikan untuk proses peramalan. Pada data daging
sapi Kebumen diketahui 𝑛 = 19 yakni banyak data runtun waktu.
Apabila dipilih 𝛼 = 0.05 maka diperoleh 𝑇𝛼(𝑛−1) = 2.1. sehingga dari
2
 nilai tersebut, maka beberapa model yang ada di Tabel 1 diketahui
model yang parameternya signifikan adalah model ARIMA(0,2,1),
ARIMA(1,3,0) dan ARIMA(0,3,1). ARIMA(1,2,1) tidak terhitung
signifikan dikarenakan ada proses AR yang parameternya tidak
signifikan begitu pula ARIMA (1,3,1).

b. Uji Residual
Uji residual bertujuan untuk menunjukkan asumsi white noise. Jika P-
Value > 0.05 (alpha) maka memenuhi asumsi tersebut. Pada model
yang parameternya signifikan yakni ARIMA(0,2,1), ARIMA(1,3,0) dan
ARIMA(0,3,1) diketahui bahwa ketiganya memenuhi asumsi white
noise.

c. Perbandingan MSE
Untuk melihat hasil model yang terbaik, maka dipilih nilai MSE terkecil.
Pada model-model yang parameternya signifikan dan memenuhi
asumsi white noise diketahui model terbaik ialah model ARIMA(0,2,1).

Selanjutnya dengan menggunakan data runtun waktu populasi

penduduk di Kabupaten Kebumen tahun 1986 s.d. 2019 yang diperoleh dari
BPS. Selanjutnya akan dibuat model peramalan untuk memprediksi
banyaknya konsumsi daging sapi. Langkah-langkah yang dilakukan seperti
pada penyusunan model untuk produksi daging sapi.

1. Identifikasi data
Time Series Plot of Jumlah Penduduk Trend Analysis Plot for Jumlah Penduduk
Linear Trend Model
1260000
Yt = 1158011 + 1555*t
1240000 1260000 Variable
A ctual
1220000 1240000 Fits

A ccuracy Measures
Jumlah Penduduk

1220000
1200000 MA PE 2
Jumlah Penduduk

MA D 24387
1200000 MSD 791396085
1180000
1180000
1160000
1160000
1140000
1140000
1120000 1120000

1100000 1100000
1986 1991 1996 2001 2006 2011 2016 3 6 9 12 15 18 21 24 27 30 33
Year Index

(a) (b)
Gambar 12.(a) Visualisasi data populasi penduduk Kebumen dan (b)
trend naik pada grafik linear
Gambar (12a) menunjukkan visualisasi dari data runtun waktu populasi
Kebumen di tahun 1986 s.d. 2019. Sedangkan Gambar (12b) menunjukkan
data tersebut naik pada trend linear.
2. Uji Stasioner data
Untuk menguji kestasioneran pada data populasi penduduk Kebumen,
digunakan analisis deskriptif melalui pola yang disajikan oleh ACF pada data
asal. Mulyana (2004) menyampaikan ada tiga kemungkinan pola
sebagaimana ditunjukkan pada gambar di bawah ini.

Pola menurun Pola altering Pola gelombang

Data tidak stasioner pada Data tidak stasioner pada Data tidak stasioner pada
rataan varians rataan dan varian

Selanjutnya hasil visualisasi pola ACF ditunjukkan pada Gambar 13.

Autocorrelation Function for Jumlah Penduduk
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

1 2 3 4 5 6 7 8 9
Lag

Berdasarkan pola ACF, diketahui bahwa pola lag menurun dengan

teratur sehingga terbentuk pola menurun. Pola tersebut menunjukkan bahwa
data tidak stasioner terhadap rataan sehingga perlu dilakukan differencing.
Sedangkan untuk stasioner terhadap varian, terlihat bahwa pola ACF tidak
terlihat jelas membentuk gelombang, sehingga dapat diasumsikan data
stasioner terhadap varian.

3. Differencing 1
Autocorrelation Function for Differencing 1 Partial Autocorrelation Function for Jumlah Penduduk
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0

1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 9
Lag Lag

(a) (b)
Gambar 13. (a) Pola ACF dan (b) PACF pada data differencing 1

Untuk data yang telah dilakukan differencing 1 diperoleh pola ACF yang
stabil dan tidak keluar dari garis batas. Karena ACF tidak ada lag yang melewati
garis batas, maka dapat diprediksi tidak ada proses MA dalam model.
Sedangkan pada PACF menunjukkan ada 1 lag yang nilainya menembus garis
batas, sehingga dapat disimpulan ada proses AR(1). Sehingga model
tentatifnya ARIMA(1,1,0).
4. Differencing 2
Autocorrelation Function for Differencing 2 Partial Autocorrelation Function for Differencing 2
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1.0 1.0
0.8 0.8
0.6 0.6

Partial A utocorrelation
0.4 0.4
A utocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6
-0.6
-0.8
-0.8
-1.0
-1.0
1 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8
Lag
Lag

(a) (b)
Gambar 14. (a) Pola ACF dan (b) pola PACF pada differencing 2

Disajikan data hasil differencing 2differencing 2 yang telah stasioner

terhadap rataan. Pada ACF dan PACF, diketahui bahwa nilai ACF tiba-tiba drop
menjadi nol dan PACF meluruh menuju nol maka dapat diasumsikan ada
proses MA dengan orde 1 atau MA(1). Pola ACF dan PACF tidak menunjukkan
adanya pola AR. Namun apabila ingin diuji dengan melibatkan pola AR maka
diambil pola AR(1) berdasarkan adanya 1 lag yang berada di luar garis batas
pada PACF. Model tentative yang diperoleh ARIMA(1,2,0), ARIMA(1,2,1) dan
ARIMA (0,2,1).

5. Uji Model
Perhatikan nilai pada Tabel 2 di bawah ini.

Tabel 2 Sistem kerja aplikasi

No Model |𝑇| 𝑃 − 𝑉𝑎𝑙𝑢𝑒 MSE

1 ARIMA(1,1,0) AR = 0.19 0.419 423102856
2 ARIMA(1,2,0) MA = 0.058 673420800
3.22
3 ARIMA(1,2,1) AR = 0.24 0.355 433856885
MA =
19.19
4 ARIMA(0,2,1) MA = 0.420 420745915
18.92
 Seperti halnya pada pemilihan model produksi daging sapi di
Kebumen, maka diperoleh fungsi-fungsi yang parameternya signifikan ialah
ARIMA(1,2,0) dan ARIMA(0,2,1). Sehingga kedua model itu yang tentunya
akan dipilih. Selanjutnya untuk uji residual, diketahui bahwa kedua model
tersebut memenuhi sifat kestasioneran. Dari kedua model itu, terlihat bahwa
ARIMA (0,2,1) memiliki MSE terkecil. Jadi model yang digunakan adalah
model ARIMA(0,2,1) untuk proses peramalan populasi penduduk di
Kabupaten Kebumen.

Berdasarkan hasil kajian dan Monograf yang dilakukan selama di

labratorium dan observasi dilapangan, maka hasil yang diperoleh dalam
pembuatan aplikasi SIDAK (Sistem Daging Sapi Kebumen) ini, sebagai berikut
:

Tabel 3 Sistem kerja aplikasi

Jenis
No. Digunakan Oleh Keterangan
Aplikasi

1. Aplikasi 1. RPH Sebagai client untuk

SIDAK Kebumen mengirimkan data-data dasar
(Sistem 2. RPH kepada aplikasi yang terpasang
Informasi Gombong agar tersimpan di database
Daging Sapi) (manajemen dashboard)

2. Dashboard 1. Stakeholder Aplikasi dashboard manajemen

Manajemen yang dan monitoring berbasis web
Aplikasi memiliki service berfungsi sebagai
SIDAK (web kepentinga visualisasi dari data yang
Service API) n dikirimkan oleh aplikasi android
yang terpasang di sisi RPH.

Berdasarkan Tabel 1 aplikasi android digunakan sebagai client yang

mengirimkan data yang akan disimpan dan diolah oleh cloud server, data yang
dikirimkan meliputi :
a. Data tambahan laporan sapi yang dipotong identitas dasar peternak
sapi seperti (Jenis Hewan, Jenis Kelamin, Bobot hidup, Karkas, Daging,
umur asal hewan)
b. Input data dapat di lakukan berdasarkan :
1) Input Data Harian
2) Input Data Mingguan
3) Input Data Bulanan
c. Report data lapora
Dengan adanya data yang dikirimkan dari aplikasi android yang
terpasang pada sisi RPH, maka pihak yang berwenang (pemerintahan dan
dinas terkait) dapat terbantu dalam menentukan kebijakan daerah dengan
adanya manfaat dan kemudahan yang terangkum pada Tabel 3.2

Tabel 4 Manfaat Sistem Manajemen

Manfaat dan
No. Keterangan Dampak
Kemudahan

1. Visualisasi lokasi real- aplikasi android yang Dengan adanya

time data pemotongan terpasang pada setiap RPH,
berdasarkan RPH RPH, dimungkinkan memudahkan
untuk membentuk pengambilan
sebuah peta visual kebijakan
wilayah peternak (per pemerataan
desa/ per kecamatan) peternakan
yang dilengkapi dengan
warna misalnya hijau
(dalam satu
desa/kecamatan
peternak <10), kuning
(dalam satu
desa/kecamatan
peternak >10 dan <25),
atau merah (dalam satu
 desa/kecamatan
peternak >25).

2. Sebaran ternak yang Dengan adanya sistem Memudahkan

dimiliki oleh peternak maka dimungkinkan dalam
adanya visualisasi real- menunjang
time : pengambilan
kebijakan
a. Jenis kultur
misalnya :
b. Jumlah indukan
c. Jumlah anakan a. Bantuan
d. Jumlah total peternaka
ternak n
yang dimiliki oleh setiap b. Manajem
peternak dan en
sebarannya di daerah kebijakan
Kabupaten Kebumen indukan
ternak
c. Manajem
en
kebijakan
peningkat
an
kapasitas
ternak
d. Manajem
en
kebijakan
variasi
kultur
ternak
3. Kapasitas produksi Dengan adanya aplikasi Memudahkan
daging/susu oleh setiap SIDAK maka dimungkin dalam
peternak kan adanya pembagian dukungan :
zonasi kapasitas
a. Kebijakan
produksi peternak sapi
kecukupa
 n pangan
dan
ekonomi
masyarak
at
b. Penentua
n sasaran
kebijakan
peningkat
an
produksi
ternak
4. Kapasitas pakan yang Memudahkan Memudahkan
dibutuhkan pemantauan jumlah dalam
serapan pakan ternak dukungan
yang dibutuhkan oleh kebijakan
setiap peternak yang pertanian
ada di Kabupaten untuk
Kebumen memproduksi
pakan alami,
dan kebijakan
subsidi pakan
pabrikan

5. Jumlah karyawan yang Memudahkan Memudahkan

dimiliki oleh peternak pemantauan jumlah dalam
serapan tenaga kerja dukungan
oleh setiap peternak kebijakan
yang ada di Kabupaten pemberdayaan
Kebumen manusia dan
ketenagakerjaa
n

Seluruh data yang dikirimkan oleh aplikasi android yang ada di setiap
RPH dikirimkan kepada cloud server seperti yang tersaji pada Gambar
dibawah ini.
Gambaran menu aplikasi SIDAK (Sistem Informasi Daging Sapi) :

a. Menu/ tampilan Laporan pada RPH Kebumen

Gambar 15 Menu Laporan RPH Kebumen

Berdasarkan Gambar 15, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak RPH Kebumen untuk melihat laporan pemotongan
hewan di RPH Kebumen, yang sudah di inputkan, untuk mengetahui data
pemotongan dengan uptodate.
b. Menu tambah laporan

Gambar 116 Menu Tambah Laporan RPH Kebumen

Berdasarkan Gambar 16, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak RPH Kebumen menginputkan laporan pemotongan
hewan di RPH Kebumen. Dimana terdapat tombol tambah laporan, yang
dapat digunakan, apabila ada pemotongan hewan.

c. Menu/ tampilan Laporan didasarkan waktu

 Gambar 17 Menu Laporan didasarkan waktu RPH Kebumen

Berdasarkan Gambar 17, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak RPH Kebumen untuk melihat laporan pemotongan
hewan di RPH Kebumen berdasarkan waktu, yang sudah di inputkan, untuk
mengetahui data pemotongan dengan uptodate.
d. Menu/ tampilan Laporan pada RPH Gombong

Gambar 18 Menu Laporan RPH Gombong

Berdasarkan Gambar 18, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak RPH Gombong untuk melihat laporan pemotongan
hewan di RPH gombong, yang sudah di inputkan, untuk mengetahui data
pemotongan dengan uptodate.

e. Menu tambah laporan

Gambar 19 Menu Tambah Laporan RPH Gombong

 Berdasarkan Gambar 19, dapat dijelaskan bahwa menu yang dapat
digunakan untuk pihak RPH Gombong menginputkan laporan pemotongan
hewan di RPH Gombong. Dimana terdapat tombol tambah laporan, yang
dapat digunakan, apabila ada pemotongan hewan.

f. Menu/ tampilan Laporan didasarkan waktu

 Gambar 20 Menu Laporan didasarkan waktu RPH Kebumen

Berdasarkan Gambar 20, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak RPH Gombong untuk melihat laporan pemotongan
hewan di RPH Gombong berdasarkan waktu, yang sudah di inputkan, untuk
mengetahui data pemotongan dengan uptodate.

g. Menu/ tampilan Laporan data statistik pada Admin

 Gambar 21 Menu Laporan Data Statistik admin

Berdasarkan Gambar 21, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak admin untuk melihat laporan secara keseluruhan
pemotongan hewan di RPH gombong dan RPH Kebumen, yang sudah di
inputkan, untuk mengetahui data pemotongan dengan uptodate.

h. Menu Detail Laporan

Gambar 22 Menu Tambah Laporan RPH Gombong

Berdasarkan Gambar 22, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak admin untuk melihat laporan detail pemotongan
hewan di RPH Gombong dan RPH Kebumen.
i. Menu/ tampilan Laporan didasarkan waktu

Gambar 23 Menu Laporan didasarkan waktu bagi admin

Berdasarkan Gambar 23, dapat dijelaskan bahwa menu yang dapat

digunakan untuk pihak admin untuk melihat laporan pemotongan hewan di
RPH Gombong dan RPH Kebumen didasarkan pada waktu, yang sudah di
inputkan, untuk mengetahui data pemotongan dengan uptodate.
B. Pembahasan Monograf
Berdasarkan hasil analisis yang telah dilakukan maka diperoleh hasil
model peramalan untuk produksi daging sapi ialah model ARIMA(0,2,1)
sedangkan untuk model peramalan populasi penduduk di Kabupaten
menggunakan ARIMA(0,2,1). Sehingga model matematika dari peramalan
produksi daging sapi ialah:

𝑍𝑡 = 𝐶 − 0.2052𝑎𝑡−1 + 𝑎1

Sedangkan model matematika dari peramalan populasi pendudukn di

Kebumen ialah:

𝑍𝑡 = 𝐶 − 0.0538𝑎𝑡−1 + 𝑎1

Berdasarkan model tersebut, maka hasil peramalan di tahun 2020, 2021, dan
2022 untuk produksi daging sapi ditunjukkan pada Tabel 4 dan Gambar 24.

Tabel 4 Peramalan produksi daging sapi di tahun 2020 s.d. 2022

Tahun Nilai Ramalan Batas Bawah Batas Atas

2020 2,524,048.88 2,083,436 2,964,662

2021 2,641,532.07 1,986,768 3,296,296

2022 2,759,015.25 1,917,854 3,600,176

 Permalan Produksi Daging
Sapi
5000000
0

Produksi daging sapi (kg)

Bawah
Atas

Gambar 24. Peramalan produksi daging sapi di tahun 2020 s.d. 2022.

Sedangkan hasil peramalan populasi penduduk di Kebumen

ditunjukkan pada Tabel 5 dan Gambar 25.

Tabel 5 Peramalan opulasi penduduk Kebumen di tahun 2020 s.d. 2022

Tahun Populasi Batas bawah Batas atas

Ramalan

2020 1,202,240 1,162,028 1,242,452

2021 1,206,498 1,150,152 1,262,844

2022 1,210,756 1,142,385 1,279,128

 Peramalan Populasi Penduduk di Kebumen
1300000

1250000

1200000

1150000

1100000

1050000

1000000

2018
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016

2.020
2.022
Series1 Series2 Series3

Gambar 25. Peramalan populasi penduduk Kebumen di tahun 2020 s.d. 2022

Setelah mengetahui hasil peramalan dari populasi penduduk di Kebumen

serta asumsi bahwa kebutuhan konsumsi daging sapi di Kebumen sebesar 1.3
kg perkapita tiap tahun, maka akan diketahui ramalan kebutuhan daging di
tahun 2020, 2021, dan 2022 sebagai berikut:
 Tabel 6 Peramalan konsumsi daging sapi di tahun 2020 s.d. 2022

Tahun Populasi Batas bawah Batas atas

Ramalan

2020 1,562,912 1,510,636 1,615,188

2021 1,568,447 1,495,198 1,641,697

2022 1,573,983 1,485,101 1,662,866

Berdasarkan hasil Tabel 6 mengenai hasil peramalan konsumsi daging

sapi tahun 2020 s.d. 2022 dengan Tabel 4 mengenai hasil peramalan produksi
daging sapi di tahun yang sama, maka diperoleh kesimpulan untuk setiap
tahunnya di tahun 2020, 2021, dan 2022 kebutuhan daging sapi penduduk
Kebumen diprediksi dapat dipenuhi oleh produksi daging sapi dalam negeri
di Kebumen.
 BAB V
KESIMPULAN, SARAN DAN REKOMENDASI

A. Kesimpulan
Berdasarkan hasil Monograf yang telah dikaji dan dilakukan
pembasahan pada BAB IV sebelumnya, maka kesimpulan dalam Monograf ini,
sebagai berikut:

1. Model matematika untuk peramalan produksi daging sapi yang

diperoleh ialah 𝑍𝑡 = 𝐶 − 0.2052𝑎𝑡−1 + 𝑎1 sedangkan model untuk
populasinya ialah 𝑍𝑡 = 𝐶 − 0.0538𝑎𝑡−1 + 𝑎1 .
2. Berdasarkan data yang diperoleh dilapangan, dan hasil analisis
diperoleh prediksi bahwa kebutuhan konsumsi daging sapi tahun
2020, 2021, dan 2022 diprediksi dapat dipenuhi oleh produksi daging
sapi lokal di Kebumen.
3. Setelah dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi
Kebumen) diharpkan dapat membantu tim recorder, khususnya admin
pencatatan di RPH Kebumen dan Gombong menjadi lebih optimal.
4. Dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen),
dimana aplikasi tersebut membantu stakeholder, khususnya
pemerintah kabumpten Kebumen dalam menentukan kebijakan
pengelolaan kebutuhan daging sapi diwilayah Kabupaten Kebumen.
B. Saran
Adapun saran yang dapat dilakukan pada Monograf selanjutnya, bagi
para peneliti yang ingin mengkaji dari hasil Monograf ini, maka yang harus
dilakukan untuk Monograf selanjutnya, yaitu :

1. Ruang lingkup pengambilan sampel data sebaiknya bisa diperoleh

secara lebih detail untuk setiap bulannya, sehingga hasil peramalan
akan lebih akurat. Hal itu dikarenakan diprediksi aka nada pola
musiman yang tentunya memiliki banyak informasi yang bisa diambil.
2. Aplikasi yang sudah di bangun, tidak hanya dapat menampilkan
monitoring data secara realtime, namun harus adanya pengukuran
yang divalidasi oleh tim khusus (Satgas dalam pengelolaan daging sapi
Kebumen).
3. Database yang tersimpan sementara di IT Telkom Purwokerto, terkait
aplikasi yang sudah di bangun. Mohon dapat segera di pindahkan, guna
keamanan dan ketertiban data.

C. Rekomendasi
Berdasarkan hasil Monograf yang telah dipaparkan, adapun
rekomendasi yang harus dilakukan dalam menunjang Monograf kedepan
dalam pengelolaan sapi diKebumen agar menjadi lebih baik, adalah sebagai
berikut :

1. Diharapkan pada Monograf selanjutnya, dukungan dari pihak – pihak

terkait yang bersinggungan dengan kajian Monograf yang sedang
dilaksanakan, sebaiknya pihak – pihak terkait memudahkan dalam
memberikan data yang sesuai yang didasarkan pada Monograf yang
dikaji. Selain hal terebut, pemerintah harus membangun satgas
tersendiri mengenai pengelolaan kebutuhan daging sapi di Kabupaten
Kebumen.
2. Diharapkan dalam Monograf terkait aplikasi yang sudah dibangun,
mohon kiranya pihak yang berkepentingan, agar terus melakukan
koordinasi dan memperkuat hubungan baik khususnya sesama
institusi agar lebih bersinergi kedepan.
 DAFTAR PUSTAKA

Amalia, R. (2014) Sistem Monitoring Perkembangan Produksi Telur Peternakan

Ayam Petelur Sumber Rezeki di esa Paleran Kabupaten Jember.

Ari, R. et. al. (2018) “Hasil Pengujian Cemaran Mikroba Listeria

monocytogenes pada Susu Sapi di Wilayah Pulau Jawa Kegiatan
Pengawasan dan Monitoring Produk Pangan Tahun 2016-2017,”
Kivnas PDHI, 1(1), hal. 282–284.

Arnas, M.F. et. al. (2019) “Peramalan Jumlah Konsumsi Daging Sapi Indonesia
dengan Menggunakan Metode ARIMA,”

Basuno, E. dan Suhaeti, N. (2007) “( BPLM ) : Kasus Pengembangan Usaha

Ternak Sapi di Provinsi Sulawesi selatan berpenghasilan
menengah . Angka kemiskinan yang meningkat lebih dari
sepertiga Rencana Pembangunan Jangka Menengah ( RPJM )
2005-2009 yang mengacu pada Strategi Nasional Penanggu,”
Prosiding Seminar Ilmiah Nasional, 5(2), hal. 150–166.

Budianita, E. dan Handayani, L. (2015) “Implementasi Pengolahan Citra dan

Klasifikasi K- Nearest Neighbour Untuk Membangun Aplikasi
Pembeda Daging Sapi dan Babi,” Jurnal Sains dan Industri, 12(2),
hal. 242–247.

Budinuryanto, D. C. (2010) “Restrukturisasi Sistem Produksi Usaha

Peternakan Sapi Perah Rakyat dalam Sistem Pembangunan
Berkelanjutan ( Kasus di Daerah Hulu Sungai Citarum ),”
Universitas Padjajaran, 1(1), hal. 1–51.

Handayani, K. S. dan Purwanti, M. (2020) “Kesehatan Kambing dan Higiene

Pemerahan dan Peternakan Sapi Perah di Desa Pasir Buncir
Kecamatan Caringin,” Jurnal Penyuluhan Pertanian, 5(1), hal. 47–
54.

Irdahayati, W. R. B. (2010) “Penerapan Teknologi Dalam Upaya Meningkatkan

Produktivitas Sapi Potong di Nusa Tenggara Timur,” Wartazoa,
20(1), hal. 12–20.
Istiqomah, F. dan Aulia, S. (2015) “Sistem Informasi Pelayanan Data Pelanggan
Pdam Tirta Intan Kabupaten Garut Berbasis Website Dan Sms
Gateway Information System for Data Customer Service of Pdam
Tirta,” 1(2), hal. 1465–1471.

Kumala, A. E. et al. (2018) “Sistem Informasi Monitoring Perkembangan Sapi

Dilokasi Uji Perfomrance (Studi Kasus : Dinas Peternakan dan
Kesehatan Hewan Provinsi Lampung),” Teknopark, 12(1), hal. 5–
9.

Kupang, P. K. (2013) “SISTEM INFORMASI GEOGRAFIS PARIWISATA KOTA

KUPANG Oleh,” Jurnal Nasional Pendidikan Teknik Informatika, 1,
hal. 142–152.

Lasfeto, D. B. dan Setyorini, T. (2017) “Desain Sistem Monitoring Ternak Sapi

Berbasis Jaringan Sensor Nirkabel Untuk Sistem Pengemabalaan
Lepas di Timor Barat Provinsi Nusa Tenggara Timur,” Universitas
Muhammadiyah Jakarata, 1(1), hal. 1–2.

Hakim, L. (2017) Ekonomi Warga Rendah, Rata-rata Konsumsi Daging Sapi di

Kebumen Kecil, Website: http://Kebumen.sorot.co/berita-2549-
ekonomi-warga-rendah-rata-rata-konsumsi-daging-sapi-di-
Kebumen-kecil.html [Diakses tanggal 10 September 2020].

Makridakis dan S. Wheelwrigt. (1999). Metode dan Aplikasi Peramalan.

Jakarta: Binarupa Aksara.

Mulyana. (2004) Buku Ajar Analisis Data Deret Waktu. Bandung: Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran.

Munsyi, M. S. F. dan N. S. (2019) “Environement Monitoring Berbasis Internet

of Things Untuk Peternakan Cerdas,” Teknik Lingkungan, 5(1), hal.
56–64.

Nugraha, D. W. (2012) “PRIM UNTUK MENGHITUNG KEMAMPUAN

KOMPUTER DALAM MELAKSANAKAN PERINTAH,” 2(2).

Pamungkas, W. W. dan Sjaf, S. (2012) “Sistem Monitoring dan Teknik

Peramalan Harga Daging Sapi,” Seminar Nasional Informatika,
2012(12), hal. 110–116.
Pugas, D., Somantri, M. dan Satoto, K. (2011) “Pencarian Rute Terpendek
Menggunakan Algoritma Dijkstra dan Astar (A*) pada SIG
Berbasis Web untuk Pemetaan Pariwisata Kota Sawahlunto,”
Transmisi, 13(1), hal. 27–32.

Riyanto, A. et. al. (2016) “Perancangan Aplikasi Pendugaan Berat Badan Sapi
dengan Memanfaatkan Kamera pada Smartphone Berbasis
Android,” Teknologi dan Sistem Komputer, 4(September), hal. 491–
496. doi: 10.14710/jtsiskom.4.4.2016.491-496.

Syaiful, F. L. dan Agustin F. (2019) “Deseminasi Teknologi Pakan Komplit

Berbasis Bahan Baku Lokal pada Sapi Potong di Daerah Kenali,
Pasaman Barat,” Hilirisasi Iptek, 2(1), hal. 79–87.

Siregar, S. B. dan Kusnadi, U. (2004) “Peluang Pengembangan Usaha Sapi

Perah di Daerah Dataran Rendah Kabupaten Cirebon,” Media
Peternakan, 27(1), hal. 77–87.

Somya, R. et al. (2015) “Perancangan Sistem Pemantauan Pertumbuhan Ayam

pada Peternakan Ayam Boiler dengan Pola Kemitraan,” Seminar
Nasional Teknologi Informasi dan Multimedia, 1(1), hal. 4.3-1-4.3-
5.

Soyusiawaty, D. et. al. (2007) “Sistem Informasi Geografis Objek Wisata

Propinsi Kepulauan,” Seminar Nasional Aplikasi Teknologi
Informasi 2007, 2007(Snati).

Tiffani, A. et. al. (2017) “Sistem Monitoring Suhu, Kelembaban dan Gas Amonia
Pada Kandang Sapi Perah Berbasis Teknologi Internet Of Thing,”
Journal of Information Technology and Computer Engineering
(JITCE), 01(1), hal. 33–39.

Wahyupradipta, E. dan Taufiqurrohman, M. (2018) “Rancang Bangun Alat Uji

Kualitas Air Susu Sapi Berbasis Arduino Menggunakan Metode
Fuzzy Logic,” Semnas Kelautan XIII, 1(1), hal. 40–48.

Sugiarto, S. N. et. al. (2017) “Optimalisasi curahan waktu kerja dan

penambahan skala usaha perbibitan sapi PO Kebumen. ” Prosiding
Seminar Nasional dan Call For Paper Pengembangan Sumber
Daya Perdesaan dan Kearifan Lokal Berkelanjutan VII 17-18
 November 2017.

Soelaman, I. (2016) Analisis Runtun Waktu, Penerbit Universitas Terbuka:

Banten-Indonesia

Peraturan Kepala Dinas Pertanian dan Pangan Kabupaten Kebumen

Nomor 1636.1 Tahun 2017.
 LAMPIRAN

Data Pendukung Monograf

Dokumentasi Pelaksanaan
Pengambilan Data dan Wawancara Di Lapangan

Koordinasi dengan Distapang Kab. Kebumen dalam hal ini Kabid Peternakan
dan Kesehatan Hewan Distapang Kebumen, Ir. Ika Rahmawati
 Wawancara dan Pengambilan Data dengan
Ketua Kelompok Perpokep Asosiasi/Perkumpulan Peternak Pembibit Sapi
PO Kebumen

Pengambilan Data dan Wawancara di salah satu peternakan sapi

Yaitu Avika Farm yang berada di Desa Kemujan, Kec. Adimulyo
Pengambilan Data dan Wawancara
Di RPH Gombong
 Pengambilan Data dan Wawancara di RPH Kebumen
Pengambilan Data dan Wawancara di Puskeswan Alian

Pengambilan Data dan Wawancara di Pasar Hewan Kebumen

 Koordinasi dengan Distapang dalam hal ini bidang Peternakan dan
Kesehatan Hewan Terkait Proses Pengerjaan Aplikasi Sidak.Id

Jadwal Kegiatan Monograf

Pelaksanaan penelitian sebagai bahan monograf dilaksanakan pada rentan
waktu 15 Juni s.d. 30 Oktober 2020. Berdasarkan rentan waktu tersebut maka
jadwal kegiatan Monograf diuraikan sebagai berikut.

Bulan
No Kegiatan Septemb
Juni Juli Agustus Oktober
er
1 Pengambilan
data
2 Analisis Data
3 Penyusunan
Desain UML
4 Implementasi
Sistem
5 Uji Coba Sistem
6 Penyusunan
Laporan
 7 Penyusunan
Publikasi
8 Laporan Akhir

View publication stats