<![CDATA[Penerapan algoritma Perceptron dalam jaringan saraf tiruan (Artificial Neural Networks/ANN) menawarkan solusi inovatif untuk klasifikasi program studi siswa baru, yang sering kali bergantung pada data subjektif dan kompleks. Penelitian ini mengembangkan model klasifikasi menggunakan algoritma Perceptron sebagai komponen inti ANN, dengan fokus pada fitur input seperti skor tes akademik, preferensi minat, dan riwayat pendidikan siswa. Proses pelatihan melibatkan arsitektur multilayer perceptron yang dioptimalkan melalui algoritma backpropagation, memanfaatkan dataset historis untuk memprediksi program studi yang paling sesuai. Model evaluasi dilakukan dengan kinerja metrik seperti akurasi, sensitivitas, dan spesifisitas, menghasilkan tingkat akurasi klasifikasi sekitar 87% pada data uji independen. Meskipun model ini efektif dalam mengurangi bias manusia dalam penentuan program studi, tantangan seperti variabilitas data dan risiko overfitting diatasi melalui teknik validasi silang dan regularisasi. Kontribusi utama penelitian ini terletak pada peningkatan efisiensi proses orientasi siswa baru, mendukung personalisasi pendidikan, dan memberikan landasan untuk integrasi ANN dalam sistem informasi akademik. Hasilnya juga membuka peluang eksplorasi lebih lanjut dengan algoritma canggih seperti deep learning untuk aplikasi klasifikasi yang lebih luas di bidang pendidikan.]]>
Copyrights © 2026
