<![CDATA[Abstract: In managing its business strategy, PT. Halindo Berjaya Mandiri requires an intelligent computational approach to evaluate and predict the achievement level of sales targets based on historical data. This study aims to implement an Artificial Neural Network (ANN) using the Perceptron algorithm to classify overall fish sales data into two binary categories: 'Target Achieved' and 'Target Not Achieved'. The data used in this study relies on three independent input variables, namely the sales history in 2023, 2024, and 2025. The computational stages applied include data matrix preprocessing through the Min-Max Scaling normalization technique, linear combination calculation (Weighted Sum) mapped through the Sigmoid activation function, and an iterative optimization stage using the Delta Rule to update the weight and bias values. Based on the simulation and training conducted, the model was quantitatively evaluated using the Confusion Matrix method. The system testing results show that the Perceptron algorithm is capable of performing classification with a highly optimal accuracy rate of 94.81% and producing a very low error rate (Mean Squared Error) of 0.030291. This study proves that the ANN method with the Perceptron algorithm has high reliability and is highly feasible to be implemented as the foundation for a predictive decision support system at PT. Halindo Berjaya Mandiri. Keywords: Artificial Neural Network, Perceptron Algorithm, Classification, Delta Rule, Sigmoid Function, Fish Sales. Abstrak: PT. Halindo Berjaya Mandiri dalam mengelola strategi bisnisnya memerlukan pendekatan komputasi cerdas untuk mengevaluasi dan memprediksi tingkat pencapaian target penjualan berdasarkan data historis. Penelitian ini bertujuan untuk mengimplementasikan Jaringan Saraf Tiruan (JST) menggunakan algoritma Perceptron guna mengklasifikasikan data keseluruhan penjualan ikan ke dalam dua kategori biner, yaitu 'Mencapai Target' dan 'Tidak Mencapai Target'. Data yang digunakan dalam penelitian ini bertumpu pada tiga variabel masukan independen, yakni riwayat penjualan pada Tahun 2023, 2024, dan 2025. Tahapan komputasi yang diterapkan meliputi prapemrosesan matriks data melalui teknik normalisasi Min-Max Scaling, perhitungan kombinasi linear (Weighted Sum) yang dipetakan melalui fungsi aktivasi Sigmoid, serta tahapan optimasi iteratif menggunakan aturan Delta Rule untuk memperbarui nilai bobot dan bias. Berdasarkan simulasi dan pelatihan yang dilakukan, model dievaluasi secara kuantitatif menggunakan metode Confusion Matrix. Hasil pengujian sistem menunjukkan bahwa algoritma Perceptron mampu melakukan klasifikasi dengan tingkat akurasi yang sangat optimal sebesar 94,81% serta menghasilkan rasio tingkat kesalahan (Mean Squared Error) yang sangat rendah, yaitu 0,030291. Penelitian ini membuktikan bahwa metode JST algoritma Perceptron memiliki keandalan yang tinggi dan sangat layak untuk diimplementasikan sebagai landasan sistem pendukung keputusan prediktif pada PT. Halindo Berjaya Mandiri. Kata Kunci: Jaringan Saraf Tiruan, Algoritma Perceptron, Klasifikasi, Delta Rule, Fungsi Sigmoid, Penjualan Ikan.]]>
