Dashboard Solusi AI Peternakan Ayam

Dashboard monitoring dan manajemen peternakan ayam berbasis web dengan integrasi IoT, AI, dan database PostgreSQL untuk penyimpanan data siklus produksi.

📋 Daftar Isi

• Fitur Utama
• Cara Kerja AI Insight
• Teknologi
• Deployment
• Persyaratan Sistem
• Instalasi
• Cara Menjalankan
• Struktur Proyek
• API Documentation
• Database Schema
• Troubleshooting

🚀 Fitur Utama

Frontend

• Dashboard Utama: Monitoring real-time KPI, alert, dan kondisi kandang
• Linimasa Siklus: Manajemen siklus produksi dengan timeline visual
• Hitung Ayam:
  • Dashboard perhitungan populasi
  • Manajemen Data: CRUD data mortalitas dengan penyimpanan database
• Monitoring Berat: Tracking berat ayam dengan distribusi dan statistik
• Standar Performa: Perbandingan dengan standar Cobb
• Penjadwalan Pakan: Rekomendasi jadwal pemberian pakan
• Feed Wastage: Monitoring pemborosan pakan
• AI Insight: Analisis per topik (dashboard, hitung ayam, berat, FCR, EEF, panel IoT, karung pakan) memakai LLM lokal + RAG buku standar CP 707. Setiap kartu menjelaskan penyebab dari angka yang menyimpang, bukan sekadar melaporkannya — lihat Cara kerja AI Insight. Dilengkapi pemilih hari, grafik pendukung, dan ekspor PDF berlabel lokasi & periode
• Behavior Analysis: Analisis perilaku ayam dengan AI
• Network Monitoring: Status koneksi IoT devices
• ERP Integration: Sinkronisasi dengan sistem ERP

Backend (PostgreSQL Database)

• Database: PostgreSQL untuk penyimpanan data siklus dan mortalitas
• RESTful API: Endpoint untuk CRUD operations
• Migrasi otomatis: Skema dan migrasi dijalankan sendiri saat backend start
• Data TIDAK terisi otomatis: tabel dibuat kosong. Isi dengan backup.sql (lihat SETUP.md) — tanpa itu dashboard terbuka tanpa data sama sekali
• Persistent Storage: Semua perubahan data tersimpan permanen

🧠 Cara Kerja AI Insight

AI Insight tidak hanya melaporkan angka — ia menjelaskan kenapa sebuah angka menyimpang dari standar CP 707. Contoh keluarannya:

Kesimpulan: Mortalitas kumulatif 11,68% (2.920 ekor) jauh lebih tinggi dari standar CP 707 3,52%, atau 3,3x standar. Penyebab utama adalah lonjakan kematian di hari ke-12 hingga 15, didahului suhu kandang 34,2°C dan penurunan konsumsi pakan.

PENYEBAB:

1. Suhu kandang di atas target CP 707 pada hari ke-11 s/d 15 mencapai 34,2°C (6,2°C di atas target 28°C) — [Terbukti dari data]
2. Penurunan konsumsi pakan >25% pada hari ke-12 — [Terbukti dari data]

TINDAKAN: 1. Kembalikan suhu ke 28°C … 2. Periksa sistem pemberian pakan …

Korelasi dihitung di kode, bukan oleh model

Model 7B tidak dapat diandalkan mengkorelasikan deret angka mentah — ia cenderung melewatkan polanya atau mengarang. Karena itu korelasinya dihitung lebih dulu secara deterministik, lalu model hanya diminta mengurutkan dan menuliskannya:

Berkas	Peran
utils/insightEvidence.ts	Mengumpulkan deret lintas-domain (kematian, suhu, bobot, pakan, FCR) jadi satu objek diagnostik, di-cache sekali per siklus/hari
backend/services/rootCauseAnalysis.js	Menghitung temuan: lonjakan kematian, deviasi terhadap standar CP 707, dan jeda 0–3 hari antara penyimpangan suhu/pakan dengan lonjakan kematian
backend/services/cp707Knowledge.js	Angka standar resmi dari Lampiran 2 & 3 buku CP 707
AI Insight/rag_service.py	Kutipan teks buku CP 707 (ChromaDB)

Setiap sebab wajib berlabel [Terbukti dari data] atau [Dugaan — perlu dicek: ...], dan metrik yang datanya kosong disebut terus terang di bagian BELUM DAPAT DIPASTIKAN — bukan disimpulkan aman diam-diam.

Generate bersifat manual

Kartu insight tidak pernah memanggil model dengan sendirinya. Membuka halaman hanya menampilkan hasil yang sudah pernah dibuat untuk periode itu (dari cache/database). Untuk membuat yang baru, tekan tombol ✨ Buat AI Insight atau ikon refresh di kartu. Alasannya: satu generate memakan waktu menit-an, jadi menjalankannya otomatis di setiap halaman yang dibuka hanya membuang waktu model.

Data diperbarui sekali sehari, pukul 17.00 WIB

Data operasional tidak mengalir terus menerus — sumbernya memperbarui sekali sehari pada pukul 17.00 WIB. Konsekuensinya: insight yang dibuat pagi hari memakai data pembaruan hari sebelumnya, dan angkanya baru berganti setelah pembaruan berikutnya. Kalau hari ini belum sempat generate, masih ada waktu sampai sebelum pukul 17.00 besok tanpa datanya berubah.

Karena itu setiap kartu AI Insight mencantumkan keterangan "Data diperbarui setiap hari pukul 17.00 WIB" di bawah judulnya, dengan penjelasan lengkap pada tooltip-nya. Teksnya ada di utils/insightDataSchedule.ts.

Batas jam yang sama sudah dipakai sebagai aturan D-1 di utils/dateFilter.ts dan backend/utils/dateUtils.js (CUTOFF_HOUR = 17): sebelum pukul 17.00, tanggal efektif untuk query data masih D-1. Kalau jam pembaruan berubah, ketiga berkas itu harus diubah bersamaan — insightDataSchedule.ts hanya keterangan untuk operator, bukan sumber aturannya.

Generate ulang memberi jawaban yang berbeda

Menekan generate untuk kedua kalinya pada periode data yang sama menghasilkan analisis yang berbeda — sudut pandang lain dan tindakan lain — dengan angka yang tetap sama, karena datanya memang tidak berubah.

Sebelumnya generate kedua mengembalikan teks yang sama persis. Penyebabnya bukan data: temperature 0.1 tanpa seed membuat Ollama memakai seed tetap, dan pada suhu serendah itu samplingnya praktis greedy. Gejalanya menyesatkan — kartu Hitung Ayam melempar pesan "Data belum diperbarui", seolah datanya yang salah.

Perbaikannya tiga lapis, dan lapisan ketiga yang menentukan:

1. Seed acak di setiap permintaan.
2. Temperature 0.7 hanya saat generate ulang — generate pertama tetap 0.1.
3. Sudut pandang yang dirotasi (backend/services/insightVariation.js): enam lensa berbeda — manajemen pakan, lingkungan kandang, kesehatan & biosekuriti, air & pencahayaan, operasional harian, kehilangan pakan — dan tindakan dari jawaban sebelumnya dikirim sebagai daftar yang dilarang diulang.

Lapisan 1 dan 2 saja tidak cukup untuk model 7B: terukur hasilnya masih 90,7% mirip dengan daftar tindakan yang identik. Menyuruh model "jangan sama" tidak berhasil; memberi lensa konkret berhasil. Setelah lapisan 3 ditambahkan, kemiripan turun ke 26,4% dengan tindakan yang berbeda seluruhnya dan nol angka karangan — angka baru yang muncul hanya turunan aritmetika yang benar dari data yang sama.

Pengaman angkanya adalah blok "ANGKA TIDAK BOLEH BERUBAH" di prompt variasi, bukan suhu yang rendah.

Backend tahu sebuah permintaan adalah generate ulang lewat dua jalur berbeda: jalur dashboard memeriksa apakah sudah ada baris tersimpan untuk kunci cache yang sama, sedangkan jalur proxy per-halaman tidak punya cache sehingga frontend yang mengirim previous_insight — teks yang sedang tampil di layar.

Kecepatan

Waktu generate ditentukan perangkat keras yang menjalankan Ollama:

• Ollama native di macOS memakai GPU (Metal) — paling cepat, disarankan untuk pengembangan
• Ollama di dalam Docker pada macOS berjalan CPU-only (~6 token/detik), sehingga satu insight bisa memakan beberapa menit

Periksa dengan curl -s http://localhost:11434/api/ps — "size_vram": 0 berarti model sedang berjalan di CPU.

🛠 Teknologi

Frontend

• React 18 dengan TypeScript
• Vite - Build tool & dev server
• Recharts - Data visualization
• Tailwind CSS - Styling
• Context API - State management

Backend

• Node.js dengan Express
• PostgreSQL (pg) - Database
• CORS - Cross-origin support

AI

• Ollama - LLM lokal (default qwen2.5:7b, ~5 GB)
• Python + FastAPI - layanan RAG di folder AI Insight/
• ChromaDB - penyimpanan vektor buku standar CP 707

Deployment

• Docker - Containerization
• Docker Compose - Orkestrasi 6 service: database, backend, frontend, rag, llm (Ollama), dan llm-model-downloader
• Nginx - Reverse proxy & static file serving
• PostgreSQL - Database container

🐳 Deployment

Docker Deployment (Recommended for Production)

Deploy dengan Docker Compose:

docker compose up -d --build

Di mode Docker penuh, frontend disajikan Nginx di port 5002, backend di 15001, dan RAG di 5005 — berbeda dari mode pengembangan native. Jangan menjalankan kedua mode bersamaan; keduanya berebut port yang sama.

Keuntungan Docker:

• ✅ Easy deployment dan scaling
• ✅ Isolated environment
• ✅ Consistent across different servers
• ✅ Automatic restarts
• ✅ Built-in health checks

📚 Complete Docker Guide: DOCKER.md

Setup dari nol sampai jalan: SETUP.md

Catatan teknis & pekerjaan yang masih terbuka: CATATAN-LANJUTAN.md

Manual Deployment

Untuk development atau testing lokal, lihat Instalasi dan Cara Menjalankan di bawah.

📦 Persyaratan Sistem

Untuk Docker Deployment

• Docker: v20.10+
• Docker Compose: v2.0+
• RAM: minimum 8GB (model LLM berjalan di CPU)
• Disk: 15GB free space — model qwen2.5:7b saja ~5GB
• Port: 5002 (frontend), 15001 (backend), 15432 (Postgres), 11434 (Ollama), 5005 (RAG)

Untuk Manual Installation

• Node.js: v18.0.0 atau lebih tinggi
• npm: v9.0.0 atau lebih tinggi
• Python: v3.10+ — untuk layanan RAG
• Docker: tetap dibutuhkan untuk PostgreSQL dan Ollama
• Port yang tersedia:
  • Frontend: 3000, mundur ke 3001/3002/… bila terpakai
  • Backend: 5001
  • RAG: 5002
  • PostgreSQL: 15432 (bukan 5432 — dipetakan begitu agar tidak bentrok)
  • Ollama: 11434

💿 Instalasi

Panduan lengkap dan berurutan ada di SETUP.md. Bagian di bawah ini hanya memasang dependensi JavaScript. Aplikasi belum bisa jalan hanya dengan ini — masih perlu file .env, container PostgreSQL dan Ollama, model LLM, dependensi Python untuk RAG, serta pengisian database dari backup.sql.

1. Clone Repository

git clone <repository-url>
cd dashboard-solusi-ai-peternakan-ayam

2. Install Dependencies Frontend

npm install

3. Install Dependencies Backend

cd backend
npm install
cd ..

▶️ Cara Menjalankan

Menjalankan backend dan frontend saja tidak cukup — AI Insight butuh layanan RAG (port 5002) dan Ollama (port 11434) ikut hidup. Cara termudah:

docker compose up -d database llm   # PostgreSQL + Ollama
bash start_all.sh                   # RAG + backend + frontend sekaligus

start_all.sh menampilkan alamat frontend yang benar-benar dipakai di akhir keluarannya. Bukalah alamat itu, jangan diasumsikan.

Opsi 1: Menjalankan Secara Manual (Recommended untuk Development)

Terminal 1 - Backend Server

cd backend
npm run dev

Backend akan berjalan di: http://localhost:5001

Output yang diharapkan:

========================================
🚀 Server running on http://localhost:5001
========================================

API Endpoints:
  GET    /health
  GET    /api/cycles
  GET    /api/cycles/active
  ...

Terminal 2 - Frontend Server

npm run dev

Frontend akan berjalan di: http://localhost:3000 — atau 3001, 3002, dan seterusnya kalau port itu sedang dipakai proses lain. Backend menerima port localhost mana pun saat NODE_ENV=development, jadi berapa pun portnya aplikasi tetap jalan.

Output yang diharapkan:

VITE v6.4.1  ready in 155 ms

➜  Local:   http://localhost:3001/

Opsi 2: Menjalankan dengan satu perintah

Buka dua terminal secara terpisah:

Terminal 1:

cd backend && npm run dev

Terminal 2:

npm run dev

Atau gunakan terminal multiplexer seperti tmux atau screen.

📁 Struktur Proyek

dashboard-solusi-ai-peternakan-ayam/
├── backend/                      # Backend Node.js + PostgreSQL
│   ├── database/
│   │   ├── db.js                # PostgreSQL connection & pool setup
│   │   ├── schema.sql           # Database schema
│   │   ├── seed-postgres.js     # Data seeding script
│   │   └── migrations/          # Database migrations
│   ├── models/
│   │   ├── Cycle.js             # Cycle data model
│   │   └── Mortality.js         # Mortality data model
│   ├── routes/
│   │   ├── cycles.js            # Cycle endpoints
│   │   └── mortality.js         # Mortality endpoints
│   ├── server.js                # Express server
│   ├── package.json
│   └── .env                     # Environment variables
├── components/                   # React components
│   ├── counting/
│   │   └── DataManagementPage.tsx  # Mortality data management
│   ├── CycleTimeline.tsx        # Cycle timeline component
│   └── ...
├── context/                      # React context & stores
│   ├── AppContext.tsx
│   └── stores/
│       └── useStaticDataStore.ts # Store with DB integration
├── services/
│   └── apiService.ts            # API client with DB methods
├── scripts/                      # Database & deployment scripts
│   ├── backup-postgres.sh       # Backup database
│   ├── restore-postgres-local.sh # Restore from backup
│   └── fetch-prod-db.sh         # Fetch production data
├── mockData/                     # Mock data for demo mode
├── types/                        # TypeScript type definitions
├── public/                       # Static assets
├── utils/
│   ├── insightEvidence.ts       # Pengumpul data lintas-domain untuk analisis sebab
│   └── insightParse.ts          # Parser JSON toleran untuk jawaban model
├── AI Insight/                   # Layanan RAG (Python) + ChromaDB + dokumen CP 707
├── SETUP.md                      # Panduan setup dari nol
├── start_all.sh                  # Menyalakan RAG + backend + frontend
├── backup.sql                    # Data awal — WAJIB di-restore, tidak otomatis
├── docker-compose.yml            # Orkestrasi 6 service
├── package.json
└── README.md

📡 API Documentation

Base URL: http://localhost:5001/api

Health Check

GET /health

Response:

{
  "status": "ok",
  "timestamp": "2025-12-22T03:02:20.793Z"
}

Cycles Endpoints

Get All Cycles

GET /api/cycles

Response:

{
  "success": true,
  "data": [
    {
      "id": "CYCLE-JBW-2025-12-10",
      "totalDays": 42,
      "currentDay": 7,
      "startDate": "2025-12-10",
      "endDate": "2026-01-20",
      "chickInWeight": null,
      "docInCount": 20000,
      "status": "Active",
      "createdAt": "2025-12-22 02:59:17",
      "updatedAt": "2025-12-22 02:59:17"
    }
  ]
}

Get Active Cycle

GET /api/cycles/active

Get Cycle by ID

GET /api/cycles/:id

Update Cycle

PUT /api/cycles/:id
Content-Type: application/json

{
  "totalDays": 42,
  "currentDay": 7,
  "startDate": "2025-12-10",
  "endDate": "2026-01-20",
  "chickInWeight": 42,
  "docInCount": 20000,
  "status": "Active"
}

Delete Cycle

DELETE /api/cycles/:id

Mortality Endpoints

Get All Mortality Records for Cycle

GET /api/mortality/:cycleId

Response:

{
  "success": true,
  "data": [
    {
      "id": 1,
      "cycleId": "CYCLE-JBW-2025-12-10",
      "day": 0,
      "mortalityCount": 25,
      "isEdited": true,
      "createdAt": "2025-12-22 03:00:00",
      "updatedAt": "2025-12-22 03:00:00"
    }
  ]
}

Get Mortality Record for Specific Day

GET /api/mortality/:cycleId/:day

Update/Create Mortality Record

PUT /api/mortality/:cycleId/:day
Content-Type: application/json

{
  "mortalityCount": 30
}

Delete Mortality Record (Reset to Default)

DELETE /api/mortality/:cycleId/:day

🗄️ Database Schema

Table: cycles

Menyimpan informasi siklus produksi.

Column	Type	Description
id	TEXT	Primary key, format: CYCLE-JBW-YYYY-MM-DD
total_days	INTEGER	Total hari dalam siklus (biasanya 42)
current_day	INTEGER	Hari saat ini dalam siklus
start_date	TEXT	Tanggal mulai (ISO format: YYYY-MM-DD)
end_date	TEXT	Tanggal akhir (ISO format: YYYY-MM-DD)
chick_in_weight	INTEGER	Berat DOC in (gram)
doc_in_count	INTEGER	Jumlah DOC in (ekor)
status	TEXT	Status: 'Active', 'Completed', 'Upcoming'
created_at	TEXT	Timestamp pembuatan
updated_at	TEXT	Timestamp update terakhir

Table: mortality_records

Menyimpan data mortalitas harian.

Column	Type	Description
id	INTEGER	Primary key (auto increment)
cycle_id	TEXT	Foreign key ke cycles.id
day	INTEGER	Hari ke berapa dalam siklus
mortality_count	INTEGER	Jumlah mortalitas hari ini
is_edited	BOOLEAN	Flag apakah data sudah diedit manual
created_at	TEXT	Timestamp pembuatan
updated_at	TEXT	Timestamp update terakhir

Constraints:

• UNIQUE(cycle_id, day) - Satu cycle hanya bisa punya satu record per hari
• FOREIGN KEY cascade delete - Jika cycle dihapus, mortality records ikut terhapus

Indexes

• idx_mortality_cycle_id - Index pada cycle_id untuk query cepat
• idx_mortality_day - Index pada day
• idx_cycles_status - Index pada status untuk filter cycle aktif
• idx_cycles_start_date - Index pada start_date untuk sorting

🔧 Troubleshooting

Port 5001 sudah terpakai

Jika port 5001 sudah digunakan oleh aplikasi lain (contoh: AirPlay on macOS):

1. Edit file backend/.env:

PORT=5002  # Ganti ke port lain yang tersedia

2. Update URL di services/apiService.ts:

const DB_API_BASE_URL = 'http://localhost:5002/api';

3. Restart backend server

Port 3001 sudah terpakai

Vite akan otomatis mencari port lain yang tersedia. Perhatikan output di terminal untuk melihat port yang digunakan.

Database tidak terbuat

Jika database tidak terbuat otomatis:

cd backend
node database/seed-postgres.js

CORS Error

Jika frontend tidak bisa mengakses backend, pastikan:

1. Backend server sudah berjalan
2. Port di backend/server.js sesuai dengan konfigurasi CORS:

origin: ['http://localhost:3001', 'http://localhost:5173'];

Frontend tidak load data dari database

1. Buka browser console (F12)
2. Cek apakah ada error dari API calls
3. Pastikan backend server berjalan: curl http://localhost:5001/health
4. Cek network tab untuk melihat request/response

Error "Failed to load cycles from database"

1. Pastikan backend server sudah berjalan
2. Test backend endpoint: curl http://localhost:5001/api/cycles
3. Cek backend logs untuk melihat error detail

Reset Database ke Data Awal

For Local PostgreSQL Development:

# Stop backend if running, then:
./scripts/restore-postgres-local.sh --reset

# Or manually run seed:
cd backend
node database/seed-postgres.js

For Docker:

# Reset database by removing volume and restarting:
docker-compose down -v
docker-compose up -d

📝 Fitur Database

Auto-Seeding

Database akan otomatis terisi dengan 4 siklus produksi saat pertama kali server backend dijalankan:

1. CYCLE-JBW-2025-05-20 - Completed (20 Mei - 30 Juni 2025)
2. CYCLE-JBW-2025-07-11 - Completed (11 Juli - 21 Agustus 2025)
3. CYCLE-JBW-2025-10-22 - Completed (22 Oktober - 2 Desember 2025)
4. CYCLE-JBW-2025-12-10 - Active (10 Desember 2025 - 20 Januari 2026) ✓

Data Persistence

Semua perubahan data akan tersimpan permanen di PostgreSQL database:

• ✅ Perubahan tanggal siklus di Linimasa
• ✅ Update DOC In dan Berat DOC di pengaturan siklus
• ✅ Edit data mortalitas di halaman Manajemen Data
• ✅ Reset data mortalitas ke nilai default

Backup Database

Production/Docker:

./scripts/backup-postgres.sh

Backups are saved in ./backups/ as dashboard_db-YYYYMMDD-HHMMSS.sql.gz

Fetch from production server:

REMOTE_USER=your-user \
REMOTE_HOST=your-host \
REMOTE_PROJECT_DIR=/path/to/project \
./scripts/fetch-prod-db.sh

🔐 Environment Variables

Backend (.env)

File: backend/.env

PORT=5001
NODE_ENV=development

# PostgreSQL Configuration
DB_HOST=localhost
DB_PORT=5432
DB_USER=dashboard_user
DB_PASSWORD=your_password
DB_NAME=dashboard_db
DB_SSL=false

Frontend (.env.local) - Optional

File: .env.local (create if needed)

VITE_API_URL=http://localhost:5001/api

🎯 Testing

Test Backend API

# Health check
curl http://localhost:5001/health

# Get all cycles
curl http://localhost:5001/api/cycles

# Get active cycle
curl http://localhost:5001/api/cycles/active

# Get mortality records
curl http://localhost:5001/api/mortality/CYCLE-JBW-2025-12-10

Test Frontend

1. Buka http://localhost:3001 di browser
2. Navigasi ke "Linimasa Siklus Produksi"
3. Klik "Edit" pada siklus aktif
4. Ubah tanggal atau DOC count
5. Save dan refresh - data harus tetap tersimpan
6. Navigasi ke "Hitung Ayam" > "Manajemen Data"
7. Edit nilai mortalitas
8. Save dan refresh - data harus tetap tersimpan

📚 Cara Menggunakan Aplikasi

1. Mengelola Siklus Produksi

Linimasa Siklus:

• Lihat semua siklus produksi (completed, active, upcoming)
• Edit tanggal mulai dan akhir
• Set DOC In count dan berat DOC
• Data tersimpan otomatis ke database

2. Manajemen Data Mortalitas

Hitung Ayam > Manajemen Data:

• Lihat data mortalitas per hari
• Edit nilai mortalitas dengan klik "Edit"
• Reset ke nilai default dengan klik tombol reset
• Lihat statistik: populasi awal, populasi saat ini, total mortalitas, tingkat mortalitas
• Filter data: cari per hari atau tampilkan hanya data yang diedit
• Data tersimpan permanen di database

3. Monitoring Standar Performa

Standar Performa > Cobb Standard:

• Kapasitas kandang otomatis sync dengan DOC In count dari linimasa
• Lihat grafik perbandingan berat aktual vs standar Cobb
• Analisis FCR (Feed Conversion Ratio)

🚦 Status Proyek

• ✅ Frontend Dashboard
• ✅ Backend API dengan PostgreSQL
• ✅ Database Schema & Models
• ✅ CRUD Cycles
• ✅ CRUD Mortality Records
• ✅ Frontend-Backend Integration
• ✅ Data Persistence
• ✅ AI Insight per topik dengan LLM lokal + RAG CP 707
• ✅ Analisis sebab-akibat berbasis data lintas-domain (mortalitas, suhu, pakan, bobot)
• ✅ Generate insight manual (tidak lagi otomatis saat halaman dibuka)
• ✅ Ekspor PDF berlabel lokasi, kandang, dan periode
• ✅ Docker Deployment (6 service)
• ✅ Database Backup & Restore Scripts
• ⏳ User Authentication (coming soon)
• ⏳ Real-time WebSocket (coming soon)
• ⏳ Data Export (CSV/Excel) (coming soon)

🤝 Kontribusi

Untuk berkontribusi pada proyek ini:

1. Fork repository
2. Buat branch feature (git checkout -b feature/AmazingFeature)
3. Commit perubahan (git commit -m 'Add some AmazingFeature')
4. Push ke branch (git push origin feature/AmazingFeature)
5. Buat Pull Request

📄 License

Proyek ini menggunakan lisensi MIT.

👥 Tim Pengembang

• Development Team - PT Cipta Pola Solusi Prima
• Dashboard & AI Integration - 2025

📞 Kontak

Untuk pertanyaan atau dukungan, silakan hubungi:

• Email: support@cpsp.id
• Website: https://dashboard.cpsp.id

---

Dibuat dengan ❤️ untuk kemajuan peternakan ayam Indonesia