Implementasi Algoritma Perceptron dalam Klasifikasi Data Biner Menggunakan Pendekatan Jaringan Saraf Tiruan

Perkembangan kecerdasan buatan telah mendorong pemanfaatan metode pembelajaran mesin dalam berbagai proses klasifikasi dan pengambilan keputusan berbasis data. Salah satu model dasar dalam jaringan saraf tiruan adalah perceptron, yang dirancang untuk melakukan klasifikasi data biner melalui mekanisme pembobotan input dan fungsi aktivasi. Penelitian ini bertujuan untuk mengimplementasikan algoritma perceptron dalam klasifikasi data biner menggunakan pendekatan jaringan saraf tiruan. Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan eksperimen komputasional pada data simulasi berbasis parameter biner. Proses analisis dilakukan melalui perhitungan jumlah tertimbang input, penerapan fungsi aktivasi step, serta evaluasi hasil berdasarkan nilai ambang (threshold). Hasil penelitian menunjukkan bahwa model perceptron mampu menghasilkan klasifikasi yang sesuai dengan target, dengan skor akhir 1,7 yang melebihi threshold 1,5 sehingga dikategorikan ke kelas positif. Temuan ini membuktikan bahwa perceptron efektif digunakan sebagai model klasifikasi sederhana pada data yang bersifat linearly separable. Meskipun memiliki keterbatasan dalam menangani pola non-linear, perceptron tetap berperan penting sebagai fondasi konseptual dalam pembelajaran mesin dan pengembangan jaringan saraf tiruan.