net/publication/353330691
CITATIONS READS
0 130
5 authors, including:
9 PUBLICATIONS 15 CITATIONS
Institut Teknologi Telkom Purwokerto
51 PUBLICATIONS 15 CITATIONS
SEE PROFILE
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Tri Ginanjar Laksana on 19 July 2021.
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
Penerbit
Wawasan Ilmu
Leler RT 002 RW 006 Desa Kaliwedi Kec. Kebasen Kab. Banyumas
Jawa Tengah 53172
Email : naskah.wawasanilmu@gmail.com
15 Februari 2021
Tim Penyusun
ABSTRAK
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).
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 :
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 :
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.
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 :
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 :
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 :
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 :
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)
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.
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.
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
250000
StDev
0.00000014
0.00000012
200000
0.00000010
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
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.
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).
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.
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
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
5. Uji Model
Perhatikan nilai pada Tabel 2 di bawah ini.
Jenis
No. Digunakan Oleh Keterangan
Aplikasi
Manfaat dan
No. Keterangan Dampak
Kemudahan
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) :
𝑍𝑡 = 𝐶 − 0.2052𝑎𝑡−1 + 𝑎1
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.
Gambar 24. Peramalan produksi daging sapi di tahun 2020 s.d. 2022.
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
A. Kesimpulan
Berdasarkan hasil Monograf yang telah dikaji dan dilakukan
pembasahan pada BAB IV sebelumnya, maka kesimpulan dalam Monograf ini,
sebagai berikut:
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 :
Arnas, M.F. et. al. (2019) “Peramalan Jumlah Konsumsi Daging Sapi Indonesia
dengan Menggunakan Metode ARIMA,”
Mulyana. (2004) Buku Ajar Analisis Data Deret Waktu. Bandung: Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Padjadjaran.
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.
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.
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
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