DAFTAR ISI

DAFTAR ISI i
DAFTAR TABEL i
DAFTAR GAMBAR ii
BAB 1. PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 1
1.3 Tujuan Program 1
1.4 Manfaat Program 1
1.5 Luaran yang Diharapkan 2
BAB 2. TINJAUAN PUSTAKA 3
BAB 3. TAHAP PELAKSANAAN 5
3.1 Waktu dan Tempat Pelaksanan 5
3.2 Alat dan Bahan 5
3.3 Prosedur Pelaksanaan 6
3.3.1 Perancangan Alat/Aplikasi/Pengembangan Metode 6
3.3.2 Pembuatan Alat/Aplikasi/Pengembangan Metode 6
3.3.2 Uji Kinerja Alat/Aplikasi/Pengembangan Metode 6
BAB 4. BIAYA DAN JADWAL KEGIATAN 8
4.1 Anggaran Biaya 8
4.2 Jadwal Kegiatan 9
DAFTAR PUSTAKA 9
LAMPIRAN 13
Lampiran 1. Biodata Ketua, Anggota, dan Dosen Pendamping 13
Lampiran 2. Justifikasi Anggaran Kegiatan 16
Lampiran 3. Susunan Organisasi Tim Pelaksana dan Pembagian Tugas 17
Lampiran 4. Surat Pernyataan Ketua Pelaksana 18
Lampiran 5. Gambaran Teknologi yang Akan Dikembangkan 19

DAFTAR TABEL

Tabel 1 Alat dan Bahan yang digunakan dalam pelaksanaan program 2

1
Tabel 2 Rekapitulasi Rencana Anggaran Biaya 2
Tabel 3 Jadwal Kegiatan 2

DAFTAR GAMBAR

Gambar 1. Diagram skematik teknologi…………………………………………...4

Gambar 2. Struktur Organisasi Tim ……………………………………………….4

2
 1

BAB 1. PENDAHULUAN

1.1 Latar Belakang

Burung puyuh merupakan salah satu produsen protein hewani yang sangat
potensial. Keunggulan yang dimiliki puyuh adalah cara pemeliharaannya mudah
dan produksi telur mencapai 130-300 butir/tahun dengan berat rata-rata 10 g/butir.
Selain itu, puyuh memiliki siklus hidup yang relatif pendek dengan laju
metabolisme yang tinggi dan kemampuan untuk menghasilkan keturunan sebanyak
3-4 generasi per tahun (Gubali et al. 2022). Beternak puyuh juga tidak
membutuhkan area yang luas dalam pemeliharaan dan biaya yang besar, sehingga
usaha peternakan burung puyuh ini dapat dilakukan oleh pemodal kecil dan
pemodal besar dengan skala komersial.
Produksi telur puyuh yang relatif tinggi menyebabkan adanya kemungkinan
perbedaan kualitas telur. Kualitas produk memiliki dampak langsung terhadap
penjualan dan daya saing suatu usaha. Untuk meningkatkan kualitas, perusahaan
perlu fokus pada pengurangan cacat produk. Pengendalian kualitas bertujuan
menekan jumlah produk cacat, menjaga sesuai standar, dan mencegah produk cacat
mencapai konsumen. Penurunan produk cacat tidak hanya meningkatkan kualitas,
tetapi juga mengurangi biaya proses produksi. Oleh karena itu, strategi bisnis yang
berfokus pada pengendalian kualitas dapat membantu perusahaan bertahan dalam
persaingan bisnis. Meningkatkan kualitas produk adalah langkah penting untuk
memenuhi kebutuhan konsumen dan mempertahankan posisi dalam pasar yang
kompetitif (Manaf dan Darajatun 2022).
Pengendalian mutu produksi kualitas telur dapat dikendalikan dengan
penggunaan teknologi berbasis machine learning. Penerapan machine learning
memberikan kontribusi signifikan dalam meningkatkan kualitas dan produktivitas
di berbagai sektor. Dengan kemampuannya untuk menganalisis data secara cepat
dan mengidentifikasi pola kompleks, machine learning dapat digunakan untuk
analisis prediktif dalam proses produksi. Ini memungkinkan pemantauan variabel,
mendeteksi anomali, dan memberikan peringatan, yang membantu dalam
meningkatkan kualitas telur yang dihasilkan. Selain itu, dalam konteks peningkatan
produktivitas, machine learning dapat diimplementasikan untuk otomatisasi tugas,
optimalisasi rantai pasokan, dan perencanaan sumber daya. Algoritma machine
learning menggunakan data historis dan real-time untuk membuat perkiraan akurat,
memfasilitasi pengelolaan persediaan yang efisien, serta mengoptimalkan jadwal
produksi dan distribusi. Secara keseluruhan, penerapan machine learning tidak
hanya meningkatkan kualitas telur, tetapi juga mempercepat proses dan
meningkatkan produktivitas.
Target yang akan dicapai melibatkan peningkatan kualitas telur puyuh dan
pengefisienan produksi. Telur puyuh yang berkualitas akan lebih meningkatkan
daya beli masyarakat dan kualitas puyuh yang dihasilkan. Selain itu, biaya dan
waktu yang digunakan dapat diminimalisir dengan penggunaan teknologi sehingga
 2

produksi telur dapat lebih produktif. Semakin tingginya daya beli masyarakat akan
memperluas potensi pasar, terutama dengan meningkatnya permintaan akan produk
telur yang berkualitas, membuat peternakan puyuh menjadi pilihan strategis.
Aspek pengembangan melibatkan implementasi machine learning dalam
monitoring dan manajemen produksi. Sistem ini akan mampu memprediksi
pemantauan variabel, mendeteksi anomali, dan memberikan peringatan dini yang
membantu dalam meningkatkan kualitas telur yang dihasilkan. Selain itu,
penggunaan teknologi ini juga diharapkan dapat meningkatkan kualitas produk
melalui pemantauan terhadap aspek-aspek seperti kualitas dan manajemen telur.
1.2 Rumusan Masalah
1. Bagaimana meningkatkan produktivitas telur sebagai produk utama dengan
memanfaatkan machine learning?
2. Bagaimana memanfaatkan machine learning untuk meningkatkan efisiensi
tenaga kerja dalam produktivitas telur puyuh?
3. Bagaimana pengaruh pemanfaatan machine learning dengan peningkatan kualitas
telur puyuh yang diproduksi?
4. Bagaimana pengaruh pemanfaatan machine learning dalam mengurangi biaya
produksi?
1.3 Tujuan Program
1. Meningkatkan produktivitas telur dengan memanfaatkan teknologi machine
learning.
2. Mengoptimalkan efisiensi tenaga kerja dalam manajemen pengelolaan hasil
produksi.
3. Meningkatkan kualitas telur puyuh melalui penerapan machine learning.
4. Meningkatkan efisiensi biaya produksi yang digunakan dalam pengelolaan hasil
produksi.
1.4 Manfaat Program
1. Peningkatan produksi telur puyuh.
2. Efisiensi pengelolaan tenaga kerja.
3. Peningkatan kualitas telur puyuh yang diproduksi.
4. Efisiensi biaya produksi yang dikeluarkan dalam produksi.
5. Penyediaan telur puyuh berkualitas untuk konsumsi masyarakat.
1.5 Luaran yang Diharapkan
1. Sistem manajemen produksi telur berbasis machine learning.
2. Panduan efisiensi tenaga kerja dan pengelolaan sumber daya peternakan.
3. Model machine learning untuk peningkatan kualitas produk peternakan.
4. Penyusunan buku panduan implementasi teknologi machine learning di sektor
produksi peternakan.
 3

BAB 2. TINJAUAN PUSTAKA

2.1 Machine Learning

Penggunaan perangkat sensor dalam kehidupan semakin berkembang dan
beberapa diantaranya digunakan pada proses monitoring. Seiring dengan
berjalannya waktu, mesin dengan sistem kecerdasan buatan dapat menguatkan dan
meningkatkan kemampuan manusia dalam berbagai bidang. Machine learning
dapat didefinisikan sebagai aplikasi komputer serta algoritma matematika yang
diadopsi dengan pembelajaran yang berasal dari data yang menghasilkan prediksi
di masa depan. Tahapan yang digunakan pada machine learning berupa latihan
(training) dan pengujian (testing). Machine learning merupakan bagian dari sub
bidang keilmuan kecerdasan buatan (AI) yang banyak digunakan dan diteliti untuk
memecahkan masalah (Roihan et al. 2019). menyebutkan bahwa machine learning
memiliki fokus terhadap pengembangan sistem yang mampu belajar sendiri dalam
memutuskan sesuatu tanpa harus berulang kali diprogram oleh manusia. Machine
learning berfokus pada penggunaan data dan algoritma untuk meniru cara manusia
belajar dan secara bertahap dapat meningkatkan akurasinya. Semakin bagus
algoritma machine learning yang digunakan maka semakin baik juga keputusan
yang keluar (Diana et al. 2017).
2.2 Computer vision
Computer vision merupakan suatu teknologi yang digunakan untuk
mendeteksi objek yang ada disekitarnya. Computer vision dapat digunakan untuk
mengenali gambar dari objek dan memanfaatkannya. Computer vision melihat
objek sebagai gambar dengan menggunakan intensitas nilai piksel yang tertangkap.
Cara kerja computer vision adalah dengan memecah gambar menjadi banyak
bagian-bagian yang berbeda dan akan mengidentifikasi setiap bagian-bagian yang
ada, dan menggabungkannya menjadi satu bagian yang utuh. Secara otomatis
komputer akan melabeli gambar tersebut. Computer vision dapat digunakan dalam
berbagai industri mulai dari energi dan manufaktur hingga aplikasi sehari-hari.
Untuk mengajarkan komputer untuk memahami data visual, digunakan teknologi
computer vision yang memanfaatkan pembelajaran mendalam dan algoritma untuk
mengidentifikasi dan memahami objek serta situasi visual. Semakin banyak data
yang dijadikan bahan pembelajaran oleh komputer, semakin baik pula kemampuan
computer vision dalam memahami data visual (Masril dan Caniago 2023).
2.3 Pi Raspberry
Saat ini, di era modern perkembangan dalam bidang teknologi telah
mengalami perubahan yang cukup pesat. Salah satu perkembangan teknologi yang
sedang berkembang saat ini yaitu Pi Raspberry yang merupakan sebuah komputer
kecil berukuran seperti kartu kredit. Meskipun memiliki ukuran yang kecil namun
Pi Raspberry dilengkapi dengan prosesor, RAM dan port hardware yang khas
sehingga dapat berfungsi seperti komputer pada umumnya. Pesatnya
perkembangan Internet of Things, maka internet pun dimanfaatkan untuk keperluan
 4

yang mendukung pembelajaran, salah satunya digunakan sebagai sistem kontrol

otomatis jarak jauh menggunakan microcontroller. Penerapan dari Internet og
Things ini berupa pengendalian perangkat elektronik rumah menggunakan
microcontroller Rasbery Pi 4 atau sering dikenal sebagai Home Automation atau
Smart Home (Mulyanto et al. 2021).
2.4 Produksi Telur Puyuh
Peternakan ternak unggas di Indonesia berkembang sangat pesat. Puyuh
merupakan salah satu ternak unggas yang memiliki potensi yang memiliki nilai
komoditas unggul dalam prospek pasar ternak unggas di Indonesia. Puyuh menjadi
ternak yang memberikan respon imun spesifik dan nonspesifik dengan pemberian
antigen (Ulfa et al. 2020). Puyuh memiliki ukuran tubuh kecil dan pemakan biji-
bijian. Beternak puyuh mempunyai nilai ekonomis dan mulai berkembang di
kalangan masyarakat. Puyuh memiliki potensi yang besar sebagai penghasil telur,
beberapa diantaranya dapat bertelur lebih dari 300 butir dalam satu tahun produksi
pertamanya. Kondisi tersebut terlihat dari kontribusi peternakan unggas dalam
menyumbangkan protein hewani berupa daging dan telur terutama dalam
pemenuhan kebutuhan makanan yang bernilai gizi tinggi. Jenis puyuh yang dapat
dibudidayakan adalah puyuh Jepang (Coturnix japonica), puyuh mulai bertelur
pada umur 42 hari dan memiliki keunggulan seperti produksi telurnya cepat dan
tinggi (Gubali et al. 2021).
Pengawasan mutu telur dapat dilakukan terhadap keadaan fisik, kesegaran
isi telur, pemeriksaan kerusakan dan komponen fisik. Keadaan fisik telur mencakup
ukuran, warna, kondisi kulit telur, rupa dan kebersihan kulit telur. Secara subjektif
mutu telur dapat dinilai dengan metode candling, yaitu dengan meletakkan telur
dalam jalur sorotan sinar sehingga memungkinkan pemeriksaan kulit dan bagian
dalam telur. Selain itu, metode ini juga dapat melihat keretakan pada kulit telur,
posisi kuning telur, ukuran dan posisi kantung udara, bintik darah, kerusakan oleh
mikroorganisme dan pertumbuhan jamur (Rahmad et al. 2019).
 5

BAB 3. TAHAP PELAKSANAAN

3.1 Waktu dan Tempat Pelaksanan

Pembuatan machine learning dan pemasukan data untuk pemantauan
produksi telur puyuh untuk meningkatkan produktivitas puyuh dan dilakukan secara
luring dan luar jaringan. Program ini dilakukan selama 5 bulan di Institut Pertanian
Bogor (IPB). Kecamatan Dramaga, Bogor. Kegiatan ini berhubungan dengan
pengujian kinerja prototipe. Keseluruhan pelaksanaan kegiatan menggunakan
Standar Operasional Produksi (SOP), protokol kesehatan, dan penerapan animal
welfare.
3.2 Alat dan Bahan
Alat dan bahan yang akan digunakan dalam pelaksanaan program dapat
dibuatkan dalam bentuk tabel. Contoh tabel seperti berikut.
Tabel 3.1. Alat dan Bahan yang digunakan dalam pelaksanaan program
No. Nama alat/bahan Jumlah Fungsi/Keterangan
1. Aktuator Konveyor Penggerak utama
2. Belt Konveyor Transportasi material
4. Servo PenahanTelur Melakukan penyortiran
5. Raspberry Pi 4 Model B Mikrokomputer penyimpan
Ram 4 GB program
6. Logitech C270 HD 720p Mengambil citra visual
7. Motor Penggerak Menggerakan konveyor
8. Alumunium Rangka konveyor
9. Roller konveyor Penyangga
10. Baut

3.3 Prosedur Pelaksanaan

Fase pra-pemrosesan gambar merupakan tahapan krusial yang melibatkan
beberapa langkah yang harus dilakukan secara berurutan. Pertama, deteksi telur
dilakukan dengan menerapkan algoritma seperti Haar Cascades, yang bertujuan
untuk mengenali telur dalam gambar. Setelah itu, bentuk wajah diidentifikasi dan
ditandai pada gambar guna memberikan konteks tambahan. Ukuran gambar
kemudian diubah menjadi standar untuk meningkatkan efisiensi komputasi.
Langkah berikutnya melibatkan penggunaan label encoding, di mana label kategori
dikonversi menjadi bentuk numerik agar dapat dipahami oleh model. Terakhir,
dilakukan augmentasi gambar untuk menciptakan variasi baru dari gambar yang
ada, dengan menerapkan transformasi seperti rotasi, translasi, zoom, dan flip.
Setelah melalui fase pra-pemrosesan, gambar tersebut menjalani proses
lebih lanjut menggunakan Convolutional Neural Network (CNN). CNN merupakan
jenis jaringan saraf tiruan yang sangat efisien untuk klasifikasi gambar. Struktur
arsitektur CNN terdiri dari serangkaian lapisan konvolusi dan pooling, diikuti oleh
 6

satu atau lebih lapisan sepenuhnya terhubung. Lapisan konvolusi berperan dalam
mengekstrak fitur dari gambar dengan menggunakan filter atau kernel, sedangkan
lapisan pooling digunakan untuk mereduksi dimensi gambar sambil
mempertahankan fitur-fitur penting. Setelah melalui serangkaian lapisan konvolusi
dan pooling, output kemudian diratakan (flattened) dan disalurkan ke lapisan
sepenuhnya terhubung. Lapisan ini bertanggung jawab untuk mengklasifikasikan
gambar berdasarkan fitur-fitur yang telah diekstrak sebelumnya. output dari
machine learning ini dapat dilihat pada aplikasi android berupa data pengendalian
seperti jumlah telur yang lolos serta memprediksi produksi telur puyuh.

Gambar . Diagram Alir Tahapan

3.3.1 PerancanganFungsional alat (gambar sketasa nya)

1. Konveyor Masuk
Konveyor masuk adalah suatu sistem transportasi yang dirancanguntuk
membawa telur puyuh menuju area atau stasiun penyortiran.
2. Roller Pengarah
Mengarahkan material atau barang yang bergerak di atas konveyor ke
jalur yang ditentukan.
3. Konveyor Sortir
setelah ditata dengan posisi searah, kemudian dibawah meja akan ada
lampu untuk melihat deffect pada telur, jika ada kerusakan pada telur, garpu-
garpu tersebut digunakan untuk menyeleksi telur yang rusak.

3.3.2 Perancangan Machine learning

Setiap tahap ini memainkan peran penting dalam pipeline computer
vision dan dapat membantu meningkatkan kinerja model secara signifikan.
 7

Tahap pra-pemrosesan gambar sangat penting dan melibatkan

beberapa langkah. Pertama, deteksi wajah dilakukan menggunakan algoritma
seperti Haar Cascades untuk mengidentifikasi wajah dalam gambar.
Kemudian, landmark wajah diidentifikasi dan digambar pada gambar untuk
memberikan konteks tambahan. Gambar kemudian diubah ukurannya
menjadi ukuran standar untuk meningkatkan efisiensi komputasi.
Selanjutnya, label encoding digunakan untuk mengubah label kategori
menjadi bentuk numerik yang dapat dipahami oleh model. Terakhir,
augmentasi gambar digunakan untuk menciptakan variasi baru dari gambar
yang ada dengan menerapkan transformasi seperti rotasi, translasi, zoom, dan
flip. Setelah tahap pra-pemrosesan, gambar tersebut kemudian dapat diproses
lebih lanjut menggunakan Convolutional Neural Network (CNN), sebuah
jenis jaringan saraf tiruan yang sangat efektif untuk klasifikasi gambar.
Arsitektur CNN terdiri dari beberapa lapisan konvolusi dan pooling yang
diikuti oleh satu atau lebih lapisan sepenuhnya terhubung (fully connected
layers). Lapisan konvolusi bertugas untuk mengekstrak fitur dari gambar
menggunakan filter atau kernel, sementara lapisan pooling digunakan untuk
mengurangi dimensi gambar sambil mempertahankan fitur penting. Setelah
melalui serangkaian lapisan konvolusi dan pooling, output kemudian
diratakan (flattened) dan diberikan ke lapisan sepenuhnya terhubung, yang
bertugas untuk mengklasifikasikan gambar berdasarkan fitur yang telah
diekstrak.
Dataset
Dataset yang digunakan berasal dari jurnal atau pengamatan langsung
pada Gambar 3 terlihat berbagai Untuk mencapai deteksi computer vision
yang akurat, penting untuk memasukkan dalam dataset gambar potret telur
payah yang mencakup kondisi dari berbagai sisi dan sudut.

3.3.2 Uji kinerja alat dan aplikasi

Pengambilan parameter produksi telur puyuh dilakukan dengan studi
literatur, lalu dikonsultasikan pada dosen pendamping dan pihak terkait
puyuh. Proses pengambilan data selanjutnya dilakukan dengan pencarian data
mengenai telur puyuh serta kualitas telur dilakukan pengamatan secara
langsung. Setelah purwarupa alat selesai dirakit, alat siap diuji cobakan
langsung pada puyuh. Uji coba dilakukan di IPB University. Uji ulang akan
 8

dilakukan kembali kembali untuk mendapatkan hasil yang optimal. Pengujian

alat dilakukan di tempat produksi telur puyuh. Hasil analisis data kemudian
dikomparasi dengan pengujian secara manual agar didapat tingkat akurasi
analisis data. Adapun aspek yang diuji pada tahap ini adalah, kemudian
mengetahui konektivitas alat dengan database, serta potensi yang dimiliki
oleh sistem sampai mengirimkan data pada software. Pengujian seluruh
sistem ini akan dapat menentukan nilai skala error pada alat ketika uji
implementasi.
 BAB 4. BIAYA DAN JADWAL KEGIATAN

4.1 Anggaran Biaya

Anggaran biaya yang diperlukan untuk pembuatan alat FEGG dengan rincian
sumber dana dijelaskan pada Tabel 4.1 berikut.
Tabel 4.1 Rekapitulasi Rencana Anggaran Biaya
Besaran
No Jenis Pengeluaran Sumber Dana
Dana(Rp)
Belmawa 4.000.000
1 Belanja Bahan Perguruan Tinggi 540.000
Instansi Lain 0
Belmawa 950.000
2 Belanja Sewa Perguruan Tinggi 200.000
Instansi Lain 0
Belmawa 1.350.000
3 Perjalanan Perguruan Tinggi 400.000
Instansi Lain 0
Belmawa 700.000
4 Lain-Lain Perguruan Tinggi 260.000
Instansi Lain 0
Jumlah 8.591.000
Belmawa 7.000.000
Perguruan Tinggi 1.400.000
Rekap Sumber Dana
Instansi Lain 0
Jumlah 8.591.000
4.2 Jadwal Kegiatan
Kegiatan pelaksanaan program akan dilakukan selama tiga bulan dengan
rincian dijelaskan pada Tabel 4.2 berikut.
Tabel 4.2 Jadwal Kegiatan
Bulan
Person
No Jenis Kegiatan Bulan 1 Bulan 2 Bulan 3 Penanggung-
Jawab
1 2 3 4 1 2 34 1 2 3 4
Konsultasi dengan
1
dosen pembimbing
Pembuatan
2
rancangan FEGG

3 Pencarian Dataset

Pemasangan Solar
4
Panel

Melakukan Proses
5
Training

6 Pembuatan Program

7 Pembuatan Website

8 Uji Coba Alat

 9

LAMPIRAN

Lampiran 1. Biodata Ketua, Anggota, dan Dosen Pendamping

10
11
12
13
 14

Biodata Dosen Pendamping

A. Identitas Diri
1 Nama Lengkap (dengan gelar)
2 Jenis Kelamin
3 Program Studi
4 NIP/NIDN
5 Tempat dan tanggal lahir
6 Alamat Email
7 Nomor telepon/Hp
B. Riwayat Pendidikan
No Jenjang Bidang Ilmu Institusi Tahun Lulus
1 Sarjana (S1)
2 Magister (S2)
3 Doktor (S3)

C. Rekam Jejak Tri Dharma PT

C.1. Pendidikan/Pengajaran
No. Nama Mata Kuliah Wajib/Pilihan SKS
1
2
3
C.2. Penelitian
No. Judul Penelitian Penyandang Dana Tahun
1
2
3
C.3. Pengabdian Kepada Masyarakat
No. Judul Pengabdian Kepada Masyarakat Penyandang Dana Tahun
1
2
3
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan PKM-KC.
Kota Bogor, 3 Februari 2024
Dosen Pendamping

(Dr. Dilla Mareistia Fassah S.Pt., M.Sc.,)

Lampiran 2. Justifikasi Anggaran Kegiatan

No Jenis Pengeluaran Volume Harga Satuan Total (Rp)

(Rp)
1 Belanja Bahan

Raspberry Pi 3 Model B 1 buah 950.000 950.000

Ov7670 7670 Kamera Modul 1 buah 390.000 390.000

Cmos Camera Module
Micro SD 32 GB 1 buah 70.000 70.000

LED Philips 40W 1 buah 400.000 400.000

Motor Servo PenahanTelur 3 buah 40.000 120.000

Belt Konveyor 1 buah 216.000 216.000

Aktuator Konveyor 1 Buah 1.700.000 1.700.000

Baut JP M2.5x5 Stainless 304 100 Buah 1.500 150.000
Phillips Head M2.5*5 Sekrup
2.5mm x 5mm
Kaca akrilik lembaran/acrylic 2 4 buah 80.000 320.000
mm (50cm x 50cm)
Plat Alumunium 0.5mm (1x2m) 5 lembar 175.000 875.000
Kabel 3 meter 30.000 90.000
Kabel pelangi 3 set 30.000 90.000
Kabel jumper 6 set 10.000 60.000
SUB TOTAL (Rp) 5.431.000
2 Sewa dan Jasa
Sewa Domain 6 bulan 50.000 300.000
Sewa Hosting 3 bulan 150.000 450.000
Biaya Pemotongan Akrilik 1 kali 200.000 200.000
Biaya Pemotongan Alumunium 1 kali 200.000 200.000
SUB TOTAL (Rp) 1.150.000
3 Perjalanan
Perjalanan membeli bahan 4 kali 200.000 800.000
Perjalanan ke Kandang 5 kali 50.000 250.000
SUB TOTAL (Rp) 1.050.000
4 Lain-lain
Biaya Berlangganan Internet 4 bulan 100.000 400.000
Dokumentasi 2 kali 50.000 100.000
Jasa Potong Akrilik 1 kali 100.000 100.000
Jasa Potong Alumunium 1 kali 100.000 100.000
ATK 2 set 50.000 100.000
Protokol Kesehatan (Masker, 2 buah 80.000 160.000
Sanitizer, dll)
SUB TOTAL 960.000
GRAND TOTAL 8.591.000
GRAND TOTAL (Terbilang Delapan Juta Lima Ratus Sembilan Puluh
Satu Ribu Rupiah)
 15

Lampiran 4. Surat Pernyataan Ketua Pelaksana

 16

Lampiran 5. Gambaran Teknologi yang Akan Dikembangkan

Lampiran 6. Aplikasi yang Akan Dikembangkan