Identifikasi Penyakit Pada Kambing Menggunakan Metode Fuzzy K- Nearest Neighbor (F-KNN )

  

Vol. 2, No. 10, Oktober 2018, hlm. 4312-4317 http://j-ptiik.ub.ac.id

Identifikasi Penyakit Pada Kambing Menggunakan Metode Fuzzy K-

  

Nearest Neighbor (F-KNN )

_{1 2 3} Basuki Rahmat Rialdi , Nurul Hidayat , Suprapto

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email : basuki1994@gmail.com, ntayadih@ub.ac.id, spttif@ub.ac.id

  

Abstrak

Kambing (Capra Aegragus Hircus) merupakan salah satu hewan yang diternakkan oleh manusia.

  Namun, usaha ternak kambing akan mengalami kendala ketika kambing terinfeksi penyakit. Selain menyebabkan kerugian, penyakit juga dapat menurunkan minat masyarakat untu beternak kambing. Maka dibuatlah sistem untuk mengidentifikasi penyakit pada hewan ternak kambing, sehingga peternak bisa mengetahui jenis penyakit yang menyerang dan menanganinya secara tepat. Metode yang digunakan adalah k-nearest neighbor dan fuzzy. Langkah awal metode ini memasukkan data latih yang berisi gejala penyakit. Kemudian pengklasifikasian menggunakan k-nearest neighbor. Setelah dilakukan implementasi dan pengujian, didapat hasil akurasi tertinggi sebesar 96 % pada K yang bernilai 9. Dari hasil tersebut dapat disimpulkan bahwa hasil dari sistem dan pakar sudah sejalan dan memiliki akurasi positif.

  Kata kunci: Kambing, Penyakit Kambing, klasifikasi, fuzzy, fuzzy k-nearest neighbor

Abstract

  

Goat (Capra Aegragus Hircus) is one of the animals raised by humans. However, goat cattle business

will experience constraints when the goats are infected with the disease. In addition to causing harm,

the disease can also reduce public interest to goat breeding. So the system was made to identify the

disease in goat farms, so the breeder could know the type of disease that attacked and handled it

appropriately. The method used is k-nearest neighbor and fuzzy. The first step of this method includes

trainer data that contains symptoms of the disease. Then the classification uses k-nearest neighbor. After

the implementation and testing, obtained the highest accuracy of 96% at K which is worth 9. From these

results can be concluded that the results of the system and experts are aligned and have positive

accuracy Keywords: Goats, Goat Diseases, clasification, fuzzy, fuzzy k-nearest neighbor

  Kurangnya pemahaman peternak tentang

1. PENDAHULUAN

  penyakit pada kambing menyebabkan banyak Kambing atau Capra Aegragus Hircus dari peternak yang kesulitan dalam menangani merupakan salah satu hewan yang diternakkan penyakit pada hewan ini. Tidak semua peternak oleh manusia. Hewan ternak ini prospeknya tahu akan macam-macam penyakit yang ada sangat menjanjikan di Indonesia. Selain pada hewan ternak kambing. Kebanyakan perawatannya mudah, Ketersediaan pangan juga peternak mencoba mengatasi masalah yang banyak di Indonesia. Makanan utama hewan ini timbul pada kambing dengan menggunakan adalah rerumputan dan dedaunan. Hewan ternak pengalaman yang dialami. Tak jarang solusi ini dibudidayakan untuk memperoleh susu, yang dipakai untuk menangani penyakit pada daging, bulu dan kulit. Bertambahnya penduduk kambing malah memperparah kondisi hewan ini di Indonesia adalah salah satu faktor kebutuhan sendiri. Meskipun terkadang banyak juga akan produk dari kambing terus meningkat. peternak yang berhasil mengatasi berbagai

  Namun, usaha ternak kambing akan mengalami macam penyakit pada kambing, akan tetapi kendala ketika kambing terinfeksi penyakit. pendapat serta informasi tersebut masih harus

  Selain menyebabkan kerugian, penyakit juga dipertimbangkan dengan baik. Sehingga untuk dapat menurunkan minat masyarakat untu beternak kambing (heriyadi, 2004).

  Fakultas Ilmu Komputer Universitas Brawijaya

4312

  Nearest Neighbor (F-

  2.2 Penyakit Kambing 1.

  KNN)” pada sistem yang akan dibuat nantinya user dapat memasukkan gejala penyakit yang tampak pada hewan ternak kambing. Dari gejala penyakit yang di inputkan tersebut datanya akan diproses dengan metode

  Fuzzy K-Nearest Neighbor . Output dari sistem

  ini yaitu jenis penyakit pada hewan ternak Kambing. Sistem ini diharapkan mampu membantu peternak mengidentifikasi penyakit pada kambing dan memberikan saran serta solusi penanganannya secara cepat pada hewan ternak.

  2. TINJAUAN PUSTAKA

  2.1 Kambing

  Kambing merupakan hewan piaraan tertua yang didomestikasi setelah anjing dan domba. Domestikasi kambing pertama kali diperkirakan terjadi pada abad ke - 7 sebelum Masehi. Kambing yang berkembang sekarang berasal dari nenek moyang bangsa kambing yang hidup di daerah-daerah marginal dan berbatu / Capra

  Hircus Aegagrus (Heriyadi, 2004).

  Kembung atau juga disebut bloat Kembung atau juga disebut bloat adalah kondisi perut kambing berisi banyak gas yang diakibatkan proses fermentasi yang berjalan cepat dan tidak dapat mengeluarkannya dalam bentuk kentut. Tingginya akumulasi gas dalam perut menekan organ dalam tubuh yang lain dan menimbulkan kesakitan. Sehingga kambing pun melakukan pernapasan dengan mulut terbuka akibat frekuensi pernapasan yang tinggi.

  Berdasarkan uraian di atas, perlu dilakukan suatu penelitian tentang “Identifikasi Penyakit Pada Kambing Menggunakan Metode Fuzzy K-

  2. Cacingan Ada banyak jenis cacing yang bisa menyerang kambing, diantaranya adalah: haemonchus cocortus, Trichuris

  sp dan Oestophagostomum sp yang kemungkinan besar terdapat pada pakan.

  Cacing

• –cacing tersebut akan hidup sebagai parasit di saluran pencernaan, melekat di selaput usus dan menghisap sari makanan, cairan tubuh, darah serta mengeluarkan racun.

  3. Scabies Bahasa awamnya kudis dan kurap. Penyebabnya adalah ektoparasit atau tungau Sarcoptes scabei, Psoroptes communis

  varovis dan Chorioptes ovis. Biasanya penyakit

  ini akan menyerang area disekitar telinga dulu, kemudian baru menyebar. Tanda klinis terkena scabies biasanya timbul bercak

  4. Orf Sering disebut juga dakangan atau Ecthyma

  agar anggota yang ambigu tidak memainkan peranan penting dalam klasifikasi. Keunggulan kedua yaitu sebuah instance akan memiliki derajat nilai keanggotaan pada setiap kelas sehingga akan lebih memberikan kekuatan atau kepercayaan suatu instance berada pada suatu kelas (Putri, et al., 2010).

  Contagiosa , disebabkan oleh virus

  Neighbor diharapkan mampu memberikan hasil

  mengatasi masalah yang timbul dibutuhkan keahlian seorang pakar.

  Jumlah pakar yang mengetahui tentang penyakit kambing kurang memadai, sehingga membuat kebanyakan peternak kambing melakukan sendiri identifikasi penyakit dengan pengetahuan terbatas. Akhirnya penanganan penyakit kurang optinal.

  Penelitian dengan metode Fuzzy K-Nearest

  Neighbor (F-KNN) telah dilakukan sebelumnya

  oleh Restia Dwi Oktavianing dengan judul “Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong dengan Metode Fuzzy K-

  Nearest Neighbor

  ” dengan hasil uji akurasi sebesar 97,65%. Dengan akurasi seperti itu menggunakan metode Metode Fuzzy K-Nearest

  identifikasi yang cukup akurat (Tyas, 2015) Metode Fuzzy K-Nearest Neighbor (F-

  Algoritma ini telah dirancang sedemikian rupa

  KNN) merupakan metode klasifikasi dengan menggabungkan antara metode fuzzy dan metode

  K-Nearest Neighbor . Metode ini digunakan

  untuk mengatasi masalah dalam pengklasifikasian yang cenderung mengatur jumlah data latih yang memiliki nilai mayoritas (Wisdarianto, 2013). Akan tetapi metode tersebut masih memiliki kelemahan, yaitu dimana antar data latih belum diketahui kekuatan keanggotaan pada sebuah kelas tertentu, tapi hal ini dapat diatasi menggunakan inisialisasi fuzzy.

  Selain memiliki suatu kelemahan, metode

  Fuzzy K-Nearest Neighbor juga memiliki dua

  keunggulan utama jika dibandingkan dengan

  algoritma K-NN. Pertama, algoritma ini mampu

  mempertimbangkan sifat yang tidak jelas kelasnya (ambigu) dari tetangga jika ada.

• –bercak merah yang membentuk bisul pada kulit kambing, kemudian kulit yang berbercak akan mulai menebal, mengeras dan bersisik serta gatal.
• –lama bisa menyebar ke sela
• –sela kuku, akibatnya kambing menjadi kurus karena tidak selera makan.

  2.3 Fuzzy

• –kemerahan. Selanjutnya mata akan keruh dan timbul borok hingga mengalami pembengkakan Sapu setan ( Witches’ Broom).

  Sehingga data testing yang akan diklasifikasikan pada algoritma ini akan memiliki nilai keanggotaan pada semua kelas. Klasifikasi pada

  nearest neighbor dan pemberian nilai keanggotaan tetangga pada kelas tertentu.

  dikembangkan oleh James M.Keller. Konsep dasar dari algoritma ini adalah pemberian nilai keanggotaan yang berfungsi sebagai poia jarak ataupun kesamaan dari sejumlah himpunan k-

  Fuzzy k-nearest neighbor pertama kaii

  nearest neighbor dengan metode fuzzy. Metode

  2.5 Fuzzy K-Nearest Neighbor Fuzzy K-Nearest Neighbor merupakan algoritma hasil penggabungan dari metode k-

  Metode K-Nearest Neighbor (K-NN) adalah metode yang digunakan dalam klasifikasi dengan melakukakn prediksi pada data uji berdasarkan data uji terdekat. Jarak terdekat yang dimaksud adalah jarak terpendek. Metode K-Nearest Neighbor mengklasifikasikan objek berdasarkan jarak terdekat terhadap data training sehingga dapat memperkirakan objek tersebut masuk ke dalam sebuah kelas. Prinsip kerja metode K-Nearest Neighbor mencari jarak berdasarkan tetangga terdekat antara data uji dengan K tetangga terdekatnya terhadap data latih. Untuk dapat menghitung jarak antara jarak tetangga terdekat dapat menggunakan rumus Euclidean Distance (Beyan, 2014).

  2.4 K-Nearest Neighbor

  Logika fuzzy merupakan salah satu pembentuk soft computing. Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada thun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai atau derajat keanggotaan atau membership function sebagai ciri utama dari penalaran dari logika fuzzy tersebut (Kusumadewi, 2010).

  Umumnya disebabkan karena keadaan udara yang lembap, dingin dan kotor serta kambing yang tidak terpelihara dengan baik. Gejalanya: kambing sulit bernafas, nafsu makan hilang, sering batuk dan juga demam. Kandang di kondisikan agar tidak lembap, selalu bersih, tidak tergenang air, menutup kandang jika angin kencang dan lakukan karantina pada kambing sakit. Pengobatan yang dapat dilakukan adalah dengan memberikan preparat antibiotik.

  Parapoxvyrus yang bersifat zoonosis dan dapat menular ke manusia. Biasanya kambing terkena

  9. Pnemunia

  8. Mastitis Sering dijumpai pada kambing perah karena penyakit ini memang menyerang bagian puting kambing. Sering kali pemicunya adalah bakteri Staphylococcus Aureus atau bisa juga diakibatkan proses pemerahan yang kurang sempurna, sehingga susu belum habis diperah sepenuhnya. Mastitis berakibat pada penurunan jumlah produksi susu dan kualitas dari susu itu sendiri. Cara pengobatan: memberi antibiotik intra-mammary dan memperbaiki proses dari pemerahan susu.

  7. Diare Biasanya terjadi karena adanya gangguan pada saluran pencernaan yang bisa disebabkan oleh bakteri, makanan yang rusak, serta lingkungan atau udara dingin. Gejala klinisnya: kambing tampak lesu, lemah dan juga pucat. Kotoran kambing berwarna hijau muda, hijau mengkilap, hijau kekuningan, hijau kemerahan atau hijau kehitaman.

  adalah sejenis Korengan atau Belatungan, orang sering mengenalnya juga dengan sebutan Seten. Penyakit ini sering menyerang pada bagian paha kambing betina yang setelah melahirkan sisa darahnya tidak dibersihkan. Bisa juga terjadi pada anak kambing yang baru lahir karena tidak diberikan antiseptik atau anti lalat pada pusarnya.

  Miasis

  6. Miasis

  Disebut juga mata belekan, biasanya disebabkan iritasi akibat tertusuk benda seperti: duri, kayu, ujung rambut bahkan debu dari konsentrat. Tapi terkadang bisa juga disebabkan oleh bakteri, virus atau parasit. Gejala klinis yang terlihat biasanya mata kambing sering berkedip, mengeluarkan air dan mata berwarna kemerah

  5. Pink eye

  dari konsentrat. Gejala klinisnya adalah: luka disekitar mulut yang berupa keropeng hitam dan terdapat juga benjolan. Lama

  orf saat memakan rumput yang berbulu dan debu

  algoritma ini akan memilih nilai keanggotaan pada kelas dengan data testing yang paling besar.

  K-Nearest Neighb

  1

  5. Target output kelas mayoritas Dengan menggunakan mayoritas kategori k- nearest neighbor mka kelas target output data yng baru merupakan kelas mayoritas.

  4. Diambil sebanyak K tetangga Setelah data diurutkan, langkah selanjutnya diambll sebanyak k tetangga terdekat untuk memprediksi label kelas dari record baru menggunakan label kelas tetangga.

  Mengurutkan berdasarkan nilai jarak Euclidean Setelah memperoleh nilai jarak Euclidean. data diurutkan berdasar jarak euckidean terkecil. Hal ini menunjukkan kemiripan data uji terhadap data latih yang paling dekat. Semakin kecil nilai jarak eucliean maka akan semakin dekat kemiripan kelas pada data uji.

  ) = jarak Euclidean = nilai atribut ke r pada record 3.

  2

  ,

  = dua record dengan n atribut N = banyaknya data (

  Proses fuzzy k-nearest neighbor pada awalnya menggunakan proses. K-nearest neighbor, hanya saja yang membedakan pada penentuan hasil akhirnya yang menggunakan nilai keanggotaan kelas pada sejumlah k tetangga terdekat. Penentuan nilai keanggotaan kelas ke-l pada tetangga ke-j dihitung menggunakan persamaa 2.3 (Keller, et al., 1985).

  2

  1

  2 =1

  ))

  2

  ) − ( (

  2.6 Proses Fuzzy K-Nearest Neighbor

  { 0,51 + ( ) ∗ 0.49 , = 1

  ) = √∑ ( (

  ∑ (| − | −2 −1

  K-Nearest Neighbor adalah sebagai berikut:

  :selisih jarak data x ke data K : jumlah tetangga terdekat yang digunakan M : bobot pangkat (weight exponent) yang besarnya m>1 Langkah-langkah dari perhitungan Fuzzy

  ( ) : Nili kenggotaan data x kelas c −

  1

  (4)

  ) =1

  ) =1

  ∗ 0.49 , ≠ 2 (3)

  ∑ (| − | −2 −1

  ( ) =

  1

  Kemudian penentuan nilai keanggotaan kelas pada data uji x dihitung menggunakan persamaan 4

  K = banyaknya tetangga terdekat J = kelas target

  = nilai kenggotaan pada vector i kelas j = jumlah anggota kelas j pada suatu dataset k

  1

  2

  or merupakan sebuah metode algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data yang memiliki jarak terdekat dengan objek tersebut. k-nearest neighbor termasuk dalam algoritma supervised

  − −

  Perhitungan ini dengan tujuan untuk menentukan perbedaan antara nilai-nilai atribut pada record x1 dan x2. Persamaan 2.2 merupakan persamaan untuk menghitung jarak menggunakan Euclidean.

  Menghitung kuadrat jarak Euclidean Langkah selanjutnya adalah menghitun gjarak terdekat antara data uji dengan data latih.

  = nilai minimum dari suatu atribut, A = nilai maksimum dari suatu atribut, A 2.

  = hasil normalisasi yang nilainya berkisar antara 0 dan 1 V= nilai atribut A yang akn dinormalisasi

  1

  (1)

  =

  = (

  1

  Dalam penelitian kali ini menggunkan min-max. Persamaan 2.1 merupakan persamaan yang digunakan untuk menghitung normalisasi.

  1. Normalisasi Langkah awal yang dilakukan yaitu menormalisasl parameter terhadap nilai data uji dan data latih. Hai tersebut dilakukan karena atribut cenderung memiliki rentang nilai yang bervariasi. Atribut yang telah dinormalisasi nantinya akan digunakan pada proses klasifikasi.

  Langkah-langkah pada algoritma k-Nearest Neighbor adalah sebagai berikut (Meristika, 2013) :

  baru akan diklasifikasikan berdasarkan dari mayoritas kategori yang ada. dan nantinya kelas yang paling banyak akan menjadi kelas dari hasil klasifikasi (Anggraeni. 2014).

  learning dimana hasil dari query instance yang

  1

  11

  ,

  ,

  1

  (

  ) (2)

  2

  , … ,

  22

  21

  ,

  = (

  2

  )

  1

  , … ,

  12

  1. Normalisasi data 2. inisialisasi Fuzzy

  3. Menghitung jarak Euclidean data uji terhadap terhadap data latih dan data uji yang digunakan. data latih. Saat K bernilai kecil, perhitungan menjadi

  4. Mengurutkan berdasarkan nllaiEuclidean kurang akurat karena kurangnya jumlah dari terkecil. tetangga terdekat. Namun, saat K bernilai tepat

  5. Menentukan K record terdekat dengan komposisi yang digunakan, maka akan

  6. Menghitung derajat keanggotaan data baru mendapatkan akurasi yang tepat. Kemudian terhadap masing-masing kelas menggunakan setelah mencapai nilai yang tepat, akurasi persamaan 4. menurun dikarenakan terlalu banyaknya

  7. Memiliki kelas yang memiliki nilai tetangga terdekat. Hal ini memungkin akurasi keanggotaan terbesar sebagai hasil menjadi turun.

3 PENGUJIAN DAN ANALISIS

  Dari Gambar 1 terlihat pengujian Pengujian dalam penelitian ini menggunakan menunjukkan bahwa hasil terbaik terletak pada pengujian akurasi. Proses pengujian dilakuka

  K yang bernilai 9, 12, dan 15 yang mencapai dalam 3 tahap yaitu, pengujian nilai K, dan akurasi 96%. pengujian variasi jumlah data.

  2. Pengujian Jumlah Variasi Data

  Pada skenario ini dilakukan dengan Pengujian tingkat akurasi dilakukan untuk menggunakan K yang bernilai 9 dan nilai bobot mengetahui performa dari sistem Identifikasi pangkat adalah 2. Skenario dilakukan sebanyak penyakit pada kamning menggunakan metode 6 kali percobaan dengan 6 jumlah data latih.

3.1 Pengujian Akurasi

  Fuzzy K-Nearest Neighbor. Pengujian akurasi

  Jumlah data latih yang digunakan , 50, 60, 70, dilakukan dalam 3 tahap yaitu, pengujian nilai 80, 90, dan 100 dan jumlah data uji adalah 30. K, pengujian variable m (bobot pangkat), dan

  Hasil pengujian ditunjukkan grafik pada Gambar pengujian variasi jumlah data.

  2. Pada Gambar 2 ditunjukkan bahwa

  1. Pengujian Akurasi Nilai K pengaruh variasi jumlah data. Terjadi kenaikan Skenario pengujian akurasi nilai K akurasi jika data latih yang digunakan semakin menggunakan nilai K mulai dari 3 sampai 18. besar. Variasi dari data latih tersebut memungkin

  Nilai K tersebut tidak secara berurutan namun terjadinya perbedaan hasil akurasi. Pengujian diambil pada nilai ganjil. Nilai m (bobot jumlah data latih dan data uji menunjukkan hasil pangkat) yang digunakan adalah 2. Data latih terbaik terletak pada rasio jumlah data latih 100 yang digunakan berjumlah 100 dan data uji yang mencapai akurasi 96%. berjumlah 30 dengan komposisi yang sama pada setiap percobaan. Skenario pengujian dilakukan 6 kali percobaan dengan kombinasi Chart Title nilai K yang berbeda pada setiap percobaan. ₁₀₀ Hasil dari pengujian ditunjukkan grafik pada ₉₅ Gambar . _{85 90 50 60 70 80 90 100 96 98} Akurasi _{96 96 96 Akurasi Column1 Column2 92 94 93 93 93} Gambar 2 Variasi Data

  4 KESIMPULAN ₉₀ Hasil dari perancangan, implementasi, dan _{K = 3 K = 6 K = 9 K = 12 K = 15 K = 18} pengujian yang sudah dilakukan pada penelitian _Akurasi ini, maka kesimpulan yang diperoleh adalah sebagai berikut :

  1. Rancangan sistem identifikasi penyakit pada Gambar 1 Akurasi Nilai K kambing terdiri dari 4 user interface yaitu antarmuka identifikasi, daftar gejala, daftar

  Kecendurangan pada grafik yang ditunjukkan penyakit, dan hasil identifikasi. pada Gambar 6.1 terjadi karena penyesuaian

  2. Metode Fuzzy K-Nearest Neighbour".

  Hasil pengujian sistem identifikasi penyakit pada kambing dengan metode Fuzzy K-

  Nearest Neighbor di penelitian ini dengan

  data latih sebanyak 100 dan data uji sebanyak 30, dengan nilai K = 9 diperoleh akurasi sebesar 96%.

  3. Saat K bernilai kecil, perhitungan menjadi kurang akurat karena kurangnya jumlah dari tetangga terdekat. Namun, saat K bernilai tepat dengan komposisi yang digunakan, maka akan mendapatkan akurasi yang tepat. Kemudian setelah mencapai nilai yang tepat, akurasi menurun dikarenakan terlalu banyaknya tetangga terdekat.

DAFTAR PUSTAKA

  Anggraeni, D., 2015. Sistem Pakar untuk Identifikasi Hama dan Penyakit Tanaman Tebu dengan Metode Fuzzy- AHP. Skripsi mahasiswaa PTIIK Universitas Brawijaya

  Asri, R. M., Hidayat, N., Fauzi, A. M., 2016., "Pemodelan Sistem Pakar Untuk Identifikasi Penyakit Pada Tanaman Kedelai Menggunakan Metode Fuzzy K-Nearest Neighbor"., Skripsi Mahasiswa Filkom Universitas Brawijaya.

  Heriyadi, D., A. Sarwestri,, dan D.C.

  Budinuryanto., 2001. Ngawangkong Peternak Domba Tangkas. Fakultas Peternakan, IKA Fakultas Peternakan, Pusat Dinamika Pembangunan, Universitas Padjadjaran. Bandung.

  Heriyadi, D., dan W.S. Budi. 2004. Sertifikasi Bibit Domba Garut Tahap II.

  Kerjasama Dinas Peternakan Provinsi Jawa Barat dengan Himpunan Peternak Domba dan Kambing Indonesia (HPDKI) Jawa Barat. Bandung.

  Meristika, Y. S., 2013 Perbandingan K-nearst Neighbor dan Fuzzy K-Nearst Neighbor pada Diagnosis penyakit Diabetes Melitus

  Nugraha, D. S., Putri, R. R. M., dan Wihandika, R. C., 2017., "Penerapan Fuzzy K- Nearest Neighbor (FK-NN) Dalam Menentukan Status Gizi Balita ".

  Putri, Y. C. M., Atasnina, I. &Yulita, I. N., 2010 Analisis dan Implementasi Teknik Fuzzy K-Nearst Neighbor Pada kasus Imbalance class. Tyas, R. D. O., Soebroto, A. A., Furqon, M. T.,

  2015., "Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan