Abstract:Abstract: On-time graduation is an important indicator in measuring the success of higher education and reflects the effectiveness of the academic process in higher education. Royal University, especially the Information…
Systems Study Program, still faces challenges in increasing the percentage of students who graduate on time. This study aims to identify factors that influence students' on-time graduation and build a prediction model using the multiple linear regression method. This method was chosen because it is able to analyze the simultaneous influence of several independent numeric variables on one dependent variable, making it suitable for studying the complex relationship between factors that influence student graduation. The independent variables analyzed in this study include GPA, parental income, and student part-time jobs with student graduation as the dependent variable. The results showed that parental income and part-time jobs had a significant positive effect on on-time graduation, while GPA had a negative effect. The model built had an R² value of 0.6153 and a standard error of 4.0653, indicating that the model was quite strong and accurate. These findings recommend Universitas Royal to strengthen the academic monitoring system and support working students, as well as design policies based on students' socio-economic conditions to increase the on-time graduation rate.
Keywords: multiple linear regression; on-time graduation; students.
Abstrak: Kelulusan tepat waktu merupakan indikator penting dalam mengukur keberhasilan pendidikan tinggi serta mencerminkan efektivitas proses akademik di perguruan tinggi. Universitas Royal, khususnya Program Studi Sistem Informasi, masih menghadapi tantangan dalam meningkatkan persentase mahasiswa yang lulus tepat waktu. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi kelulusan tepat waktu mahasiswa serta membangun model prediksi menggunakan metode regresi linear berganda. Metode ini dipilih karena mampu menganalisis pengaruh simultan beberapa variabel independen numerik terhadap satu variabel dependen, sehingga sesuai untuk mengkaji hubungan kompleks antar faktor yang memengaruhi kelulusan mahasiswa. Variabel independen yang dianalisis dalam penelitian ini meliputi IPK, penghasilan orangtua, dan pekerjaan sambilan mahasiswa dengan kelulusan mahasiswa sebagai variabel dependen. Hasil penelitian menunjukkan bahwa penghasilan orangtua dan pekerjaan sambilan berpengaruh positif signifikan terhadap kelulusan tepat waktu, sedangkan IPK justru memiliki pengaruh negatif. Model yang dibangun memiliki nilai R² sebesar 0,6153 dan standar error 4,0653, menandakan model cukup kuat dan akurat. Temuan ini merekomendasikan Universitas Royal untuk memperkuat sistem monitoring akademik dan mendukung mahasiswa yang bekerja, serta merancang kebijakan berbasis kondisi sosial-ekonomi mahasiswa guna meningkatkan angka kelulusan tepat waktu.
Kata kunci: kelulusan tepat waktu; mahasiswa; regresi linear berganda.
Abstract:Abstract: The inability to accurately monitor the lifespan of motorcycle batteries can lead to sudden failures, disrupt user activities, and increase maintenance costs. This issue is exacerbated by the absence of a predictive…
ctive system that can assist users and workshops in planning maintenance and managing battery inventory effectively. This study aims to develop a battery lifespan prediction model for motorcycles using the Double Moving Average (DMA) method. The model is built based on historical data from 12 motorcycle units, including usage frequency, duration, terrain conditions, and maintenance habits. Forecasting is conducted through two stages of moving averages followed by trend parameter calculations. Evaluation results show that the model has a high level of accuracy, with MAPE = 0.10, MAD = 1.68, and RMSE = 2.14, indicating very low prediction errors. In addition, DMA is also used to forecast product demand at PT Anugerah Karya Abiwara Kisaran to prevent stock shortages. The system is developed using Visual Studio 2010 and Microsoft Access and has proven effective in supporting maintenance planning and inventory control. With its high accuracy and efficiency, the results of this study provide tangible contributions to decision-making in battery maintenance and inventory management.
Keywords: battery; DMA; motorcycle; prediction.
Abstrak: Ketidakmampuan dalam memantau usia pakai aki sepeda motor secara akurat dapat menyebabkan kerusakan mendadak, mengganggu aktivitas pengguna, serta meningkatkan biaya perawatan. Permasalahan ini diperburuk oleh tidak tersedianya sistem prediktif yang membantu pengguna dan bengkel dalam merencanakan perawatan serta mengelola persediaan aki secara efisien. Penelitian ini bertujuan untuk mengembangkan model prediksi usia pemakaian aki sepeda motor dengan menggunakan metode Double Moving Average (DMA). Model dibangun berdasarkan data historis dari 12 unit sepeda motor yang mencakup frekuensi penggunaan, durasi, kondisi medan dan kebiasaan perawatan. Proses peramalan dilakukan melalui dua tahap perataan bergerak, yang kemudian diikuti dengan perhitungan parameter tren. Hasil evaluasi menunjukkan bahwa model ini memiliki tingkat akurasi yang tinggi, dengan nilai MAPE sebesar 0,10, MAD sebesar 1,68, dan RMSE sebesar 2,14, yang mengindikasikan tingkat kesalahan prediksi yang sangat rendah. Selain itu, metode DMA juga diterapkan untuk meramalkan permintaan produk pada PT Anugerah Karya Abiwara Kisaran guna mencegah terjadinya kekurangan stok. Sistem dikembangkan menggunakan Visual Studio 2010 dan Microsoft Access, serta terbukti efektif dalam mendukung perencanaan perawatan dan pengendalian persediaan. Dengan akurasi dan efisiensi yang tinggi, hasil penelitian ini memberikan kontribusi nyata dalam pengambilan keputusan terkait pemeliharaan aki dan manajemen inventori.
Kata kunci: baterai; DMA; prediksi; sepeda motor.
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM
Abstract:Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone…
rone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm.
Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4
Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan.
Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4
Abstract:Abstract: This research is driven by the challenges faced by Universitas Lancang Kuning (UNILAK) in attracting applicants amidst intense competition, especially after the government's policy opened independent pathways to…
o State Universities (PTN) from 2022-2023, which impacted private university applicant numbers. To address this and support strategic planning, this study aims to predict the trend of prospective students applying to all study programs at UNILAK for the period 2025-2027. Two time series models were employed: ARIMA (AutoRegressive Integrated Moving Average) and LSTM (Long Short-Term Memory). Applicant data from 2019 to 2024 was used to build the model. The Augmented Dickey-Fuller (ADF) test confirmed the data's stationarity with a p-value of 0.0. ACF and PACF analyses determined the ARIMA parameters as p=1, d=1, q=1. The LSTM model was trained to capture more complex data patterns. ARIMA predictions for 2025, 2026, and 2027 are 3298.66, 3362.33, and 3371.30, respectively. LSTM predictions for the same years are 3335.64, 3476.52, and 3518.42. Evaluation using Root Mean Squared Error (RMSE) showed ARIMA (RMSE=588.72) to be more accurate than LSTM (RMSE=653.96). Nevertheless, LSTM provided a more optimistic prediction. This study concludes that ARIMA is better suited for short-term planning, while LSTM can be used for more ambitious long-term strategies.
Keywords: arima; LSTM; applicants; prediction; university
Abstrak: Penelitian ini didorong oleh tantangan Universitas Lancang Kuning (UNILAK) dalam menarik pendaftar di tengah persaingan ketat, khususnya setelah kebijakan pemerintah membuka jalur mandiri ke Perguruan Tinggi Negeri (PTN) sejak 2022-2023, yang menyebabkan penurunan jumlah pendaftar di universitas swasta. Untuk mendukung perencanaan strategis, studi ini bertujuan memprediksi tren jumlah calon mahasiswa yang mendaftar ke seluruh program studi di UNILAK untuk periode 2025-2027.Dua model deret waktu digunakan: ARIMA (AutoRegressive Integrated Moving Average) dan LSTM (Long Short-Term Memory). Data jumlah pendaftar dari 2019 hingga 2024 digunakan untuk membangun model. Uji Augmented Dickey-Fuller (ADF) menunjukkan data stasioner dengan p-value 0,0. Analisis ACF dan PACF menentukan parameter ARIMA sebagai p=1, d=1, q=1. Model LSTM dilatih untuk menangkap pola data yang lebih kompleks.Prediksi ARIMA untuk 2025, 2026, dan 2027 adalah 3298.66, 3362.33, dan 3371.30. Prediksi LSTM untuk tahun yang sama adalah 3335.64, 3476.52, dan 3518.42. Evaluasi menggunakan Root Mean Squared Error (RMSE) menunjukkan ARIMA (RMSE=588.72) lebih akurat daripada LSTM (RMSE=653.96). Meskipun demikian, LSTM memberikan prediksi yang lebih optimis. Studi ini menyimpulkan ARIMA lebih cocok untuk perencanaan jangka pendek, sementara LSTM dapat digunakan untuk strategi jangka panjang yang ambisius.
Kata kunci: arima; LSTM; pendaftar; prediksi; universitas
Abstract:Abstract: Face recognition based on deep learning has become an important technology in many areas. However, these systems often face challenges in real-world conditions, such as when the face is partially covered by accessories…
essories such as masks or glasses. This study aims to evaluate the effect of data augmentation by adding facial accessories (masks, glasses, and a combination of both) and geometric augmentation on the accuracy of face recognition systems. There are three types of datasets used in this method: the original dataset (category 1), the dataset with facial accessories augmentation (category 2), and the dataset with geometric augmentation (category 3). Data augmentation was performed on the training dataset to increase diversity, followed by the face detection process using SCRFD and feature extraction with ArcFace. The model was then trained using Multi-Layer Perceptron (MLP). Based on the results, adding face accessories (category 2) made the model a lot more accurate, hitting 99% accuracy. In category 3, adding geometric features improved accuracy to 91%. Other evaluation metrics, such as precision, recall, and F1-score, also showed improvement after augmentation. This study concludes that facial accessories augmentation is more effective in improving the accuracy and robustness of face recognition models compared to geometric augmentation.
Keywords: augmentation; deep learning; face recognition; glasses.
Abstrak: Pengenalan wajah berbasis deep learning telah menjadi salah satu teknologi penting dalam berbagai aplikasi. Namun, sistem ini sering kali menghadapi tantangan dalam kondisi dunia nyata, seperti saat wajah tertutup sebagian oleh aksesori seperti masker atau kacamata. Penelitian ini bertujuan untuk mengevaluasi pengaruh augmentasi data dengan menambahkan aksesori wajah (masker, kacamata, dan kombinasi keduanya) serta augmentasi geometris terhadap akurasi sistem pengenalan wajah. Metode yang digunakan melibatkan tiga kategori dataset: dataset asli tanpa augmentasi (kategori 1), dataset dengan augmentasi aksesoris wajah (kategori 2), dan dataset dengan augmentasi geometris (kategori 3). Augmentasi data dilakukan pada dataset pelatihan untuk meningkatkan keberagaman, diikuti dengan proses deteksi wajah menggunakan SCRFD dan ekstraksi fitur dengan ArcFace. Model kemudian dilatih menggunakan Multi-Layer Perceptron (MLP). Hasil penelitian menunjukkan bahwa augmentasi aksesoris wajah (kategori 2) memberikan peningkatan signifikan pada akurasi model, mencapai 99%, sedangkan kategori 3 dengan augmentasi geometris mencapai akurasi 91%. Metrik evaluasi lainnya, seperti precision, recall, dan F1-score, juga menunjukkan peningkatan setelah augmentasi. Penelitian ini menyimpulkan bahwa augmentasi aksesoris wajah lebih efektif dalam meningkatkan akurasi dan ketahanan model pengenalan wajah dibandingkan dengan augmentasi geometris.
Kata kunci: augmentasi; deep learning; kacamata; pengenalan wajah.
Abstract:Abstract: Air quality in urban areas is becoming an increasingly important issue considering its impact on human health and the environment. The rapid increase in air pollution requires effective methods to predict air quality…
uality in order to take appropriate mitigation measures. This study aims to analyze the use of Neural Network (NN) algorithms in predicting air quality in cities. The method used is the application of the NN model, especially the Multilayer Perceptron (MLP), which is trained using historical air quality data such as dust particle levels (PM10, PM2.5), carbon monoxide (CO) gas, and temperature. The data used in this study came from urban air quality monitoring stations collected over a period of time. The results show that the Neural Network algorithm can provide quite accurate predictions of air quality with a low Mean Absolute Error (MAE) value, showing the effectiveness of the model in predicting f fluctuations in air quality. The conclusion of this study is that Neural Network algorithms, specifically MLPs, are an effective tool for air quality prediction, which can be used as a basis for urban air quality management policies.
Keywords: air quality; neural network; prediction; multilayer perceptron (MLP)
Abstrak: Kualitas udara di perkotaan menjadi isu yang semakin penting mengingat dampaknya terhadap kesehatan manusia dan lingkungan. Peningkatan polusi udara yang pesat memerlukan metode yang efektif untuk memprediksi kualitas udara guna mengambil langkah mitigasi yang tepat. Penelitian ini bertujuan untuk menganalisis penggunaan algoritma Neural Network (NN) dalam memprediksi kualitas udara di perkotaan. Metode yang digunakan adalah penerapan model NN, khususnya Multilayer Perceptron (MLP), yang dilatih menggunakan data kualitas udara historis seperti kadar partikel debu (PM10, PM2.5), gas karbon monoksida (CO), dan suhu. Data yang digunakan dalam penelitian ini berasal dari stasiun pemantauan kualitas udara di perkotaan yang dikumpulkan selama periode waktu tertentu. Hasil penelitian menunjukkan bahwa algoritma Neural Network dapat memberikan prediksi yang cukup akurat terhadap kualitas udara dengan nilai Mean Absolute Error (MAE) yang rendah, menunjukkan efektivitas model dalam memprediksi fluktuasi kualitas udara. Simpulan dari penelitian ini adalah bahwa algoritma Neural Network, khususnya MLP, merupakan alat yang efektif untuk prediksi kualitas udara, yang dapat digunakan sebagai dasar untuk kebijakan pengelolaan kualitas udara di perkotaan
Kata kunci: kualitas udara; neural network; prediksi; multilayer perceptron (MLP)
Abstract:Abstract: The Halodoc application, as a digital healthcare service platform, has been widely used for various medical purposes, such as doctor consultations, medication purchases, and laboratory services. User interactions…
ns and reviews play a crucial role in enhancing service quality. Sentiment analysis was conducted using the Support Vector Machine (SVM) method to assess user perceptions and satisfaction based on reviews obtained from the Google Play Store platform. The analysis process included data collection, text preprocessing, data transformation using TF-IDF, and training an SVM model to predict sentiment. The model achieved its highest accuracy of 88.32% in the first scenario. However, accuracy slightly decreased in the second and third scenarios, reaching 86.25% and 86.94%, respectively. The analysis results indicated that the model performed best in the first scenario, with the lowest number of prediction errors. Additionally, the model was more accurate in classifying negative and positive sentiments than neutral ones.
Keywords: halodoc application; sentiment analysis; support vector machine algorithm
Abstrak: Aplikasi Halodoc, sebagai platform layanan kesehatan digital, telah banyak digunakan untuk berbagai keperluan medis seperti konsultasi dokter, pembelian obat, dan layanan laboratorium. Interaksi pengguna dan ulasan mereka memiliki peran krusial dalam meningkatkan mutu layanan. Analisis sentimen dilakukan dengan menggunakan metode Support Vector Machine (SVM) untuk mengetahui persepsi dan kepuasan pengguna berdasarkan ulasan yang diperoleh dari Platform Google Play Store. Proses analisis mencakup pengumpulan data, pra-pemrosesan teks, transformasi data menggunakan TF-IDF, dan pelatihan model SVM untuk memprediksi sentimen. Hasil pelatihan model dengan akurasi tertinggi sebesar 88,32% pada skenario pertama. Akurasi sedikit menurun pada skenario kedua dan ketiga, masing-masing sebesar 86,25% dan 86,94%, Hasil analisa menunjukkan bahwa model memiliki performa terbaik pada skenario pertama dengan jumlah kesalahan prediksi terkecil. Selain itu, model cenderung lebih akurat dalam mengklasifikasikan sentimen negatif dan positif dibandingkan netral..
Kata kunci: algoritma support vector machine; analisis sentimen; aplikasi halodoc
Abstract:Abstract: Secondary education plays an important role in shaping students' academic, social, and emotional skills and preparing them for further education or entering the workforce. One important aspect of education is the…
he application of discipline through sanctions for violations of school rules. SMA Negeri 1 Kisaran currently still uses a manual system in recording and imposing sanctions, which is prone to errors, data loss, and is less efficient in decision making. This study aims to propose the implementation of a decision support system based on the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) method to determine more objective and transparent sanctions. The results of the application of the TOPSIS method in the process of determining objective sanctions for students at SMA Negeri 1 Kisaran are based on factors such as attendance, neatness, diligence, and student behavior, resulting in more accurate and systematic decisions. This study shows that the application of the TOPSIS method increases efficiency in determining sanctions for students and supports a fairer and data-based coaching process in schools.
Keywords: decision support system; discipline; sanctions; TOPSIS.
Abstrak: Pendidikan menengah memiliki peran penting dalam membentuk keterampilan akademik, sosial, dan emosional peserta didik serta mempersiapkan mereka untuk pendidikan lebih lanjut atau masuk ke dunia kerja. Salah satu aspek penting dalam pendidikan adalah penerapan disiplin melalui sanksi terhadap pelanggaran aturan sekolah. SMA Negeri 1 Kisaran saat ini masih menggunakan sistem manual dalam pencatatan dan pemberian sanksi, yang rentan terhadap kesalahan, kehilangan data, serta kurang efisien dalam pengambilan keputusan. Penelitian ini bertujuan mengusulkan penerapan sistem pendukung keputusan berbasis metode Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) untuk menentukan sanksi yang lebih objektif dan transparan. Hasil dari penerapan metode TOPSIS dalam proses penentuan sanksi objektif pada peserta didik di SMA Negeri 1 Kisaran didasarkan pada faktor-faktor seperti kehadiran, kerapian, kerajinan, serta kelakuan siswa, sehingga menghasilkan keputusan yang lebih akurat dan sistematis. Studi ini menunjukkan bahwa penerapan metode TOPSIS meningkatkan efisiensi dalam menentukan sanksi bagi siswa serta mendukung proses pembinaan yang lebih adil dan berbasis data di sekolah.
Kata kunci: kedisiplinan; sanksi; sistem pendukung keputusan; TOPSIS.
Abstract:Abstract: This research aims to optimize the provision of incentives to employees (sales team) in a company using a multi-criteria approach. Many companies face challenges in determining criteria and mechanisms for providing…
ding incentives that are effective and fair to improve work performance and motivation. The multi-criteria approach used is Multi-Attribute Utility Theory (MAUT) which can assess various aspects of employee performance comprehensively and objectively. Factors considered include productivity, quality of work, attendance, innovation and overall turnover. The research results show that the multi-criteria approach provides a more comprehensive and accurate assessment, so that companies can develop a more transparent and effective incentive system. Implementation of this approach is expected to increase employee motivation and productivity, help companies achieve their business goals more efficiently, and provide long-term benefits in the form of increased employee loyalty and competitiveness in the field.
Keywords: optimization; incentives; multi criteria; maut method
Abstrak: Penelitian ini bertujuan untuk mengoptimalkan pemberian insentif kepada karyawan (tim sales) di sebuah perusahaan dengan menggunakan pendekatan multikriteria. Banyak perusahaan menghadapi tantangan dalam menentukan kriteria dan mekanisme pemberian insentif yang efektif dan adil untuk meningkatkan kinerja dan motivasi kerja. Pendekatan multikriteria yang digunakan adalah Multi-Attribute Utility Theory (MAUT) dapat mengevaluasi berbagai aspek kinerja karyawan secara menyeluruh dan objektif. Faktor-faktor yang dipertimbangkan meliputi produktivitas, kualitas kerja, kehadiran, inovasi dan omset keseluruhan. Hasil penelitian menunjukkan bahwa pendekatan multikriteria memberikan penilaian yang lebih komprehensif dan akurat, sehingga perusahaan dapat mengembangkan sistem insentif yang lebih transparan dan efektif. Implementasi pendekatan ini diharapkan dapat meningkatkan motivasi dan produktivitas karyawan, membantu perusahaan mencapai tujuan bisnisnya dengan lebih efisien, serta memberikan manfaat jangka panjang berupa peningkatan loyalitas karyawan dan daya saing di lapangan.
Kata kunci: optimalisasi; insentif; multi kriteria; metode maut