ANALISIS KESESUAIAN LAHAN MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS (SIG) UNTUK LOKASI PENGGEMUKAN SAPI DI KECAMATAN CIRACAP, KABUPATEN SUKABUMI SEBAGAI UPAYA SWASEMBADA DAGING SAPI
Bibliographic record
Abstract
Pada tahun 2016, Kementerian Pertanian melakukan perhitungan terhadap kebutuhan daging sapi di Indonesia, yaitu mencapai 490.000 ton dan baru terpenuhi 441.000 ton atau kekurangan sekitar 48.000 ton. Swasembada daging adalah suatu upaya pemerintah dalam merencanakan program pemenuhan kebutuhan daging dalam negeri yang melibatkan seluruh lapisan masyarakat Indonesia dan mengurangi impor sapi. Untuk membantu program berkelanjutan swasembada daging di Indonesia, maka salah satu solusinya adalah penggemukan sapi potong (DPAK Bank Indonesia, 2013). Penggemukan sapi potong adalah salah satu solusinya karena lebih menguntungkan dari usaha pembesaran sapi potong. Hal ini disebabkan karena pada penggemukan sapi potong yang ingin dicapai adalah peningkatan bobot daging sapi dalam waktu tiga bulan (Purnawan Yulianto dan Cahyo Saparinto, 2014). Kemudian, kabupaten Sukabumi adalah salah satu daerah yang ditargetkan akan dijadikan sentra wilayah penggemukan sapi setelah Bogor (Kompas, 2016). Wilayah sukabumi sendiri memiliki dua daerah yang akan dijadikan sentra peternakan, yaitu di Daerah Purbaya dan Ciracap (Dinas Peternakan Sukabumi dalam Neraca, 2016). Kemudian, penelitian ini akan dilakukan di daerah Ciracap, yaitu dengan mengetahui tingkat kesesuaian lahan pada peternakan penggemukan sapi. Tujuan dari penelitian ini adalah untuk mengetahui pemenuhan kebutuhan daging sapi dengan cara pemilihan lahan penggemukan sapi melalui Sistem Informasi Geografis (SIG). Hasil dari penelitian ini adalah dari 8 desa di daerah Ciracap 5 desa mayoritas memiliki kelas S2 atau sesuai dan di arah selatan, tepatnya di desa Ujung Genteng hampir seluruh wilayah nya memilki kelas S1 atau sangat sesuai. Dari hasil penelitian ini bisa disimpulkan bahwa 6 desa di daerah Kecamatan Ciracap, sesuai untuk digunakan sebagai lokasi peternakan penggemukan sapi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".