Sistem Rekomendasi Pemilihan Laptop Menggunakan Metode knowledge based dengan pendekatan Constraint Based pada Rizky Comp

Dalam era digital yang semakin berkembang, pemilihan laptop yang sesuai dengan kebutuhan individu menjadi tantangan tersendiri bagi konsumen. Beragamnya spesifikasi, merek, dan harga laptop di pasaran sering kali menyulitkan pelanggan dalam menentukan pilihan yang tepat. Di Rizky Comp, proses konsultasi yang masih dilakukan secara manual menyebabkan keterbatasan efisiensi serta ketergantungan pada pemilik toko. Hal ini berpotensi menghasilkan rekomendasi yang subjektif, kurang akurat, serta membutuhkan waktu yang cukup lama. Oleh karena itu, diperlukan suatu sistem rekomendasi berbasis teknologi yang dapat membantu pelanggan dalam memilih laptop sesuai dengan preferensi dan kebutuhan mereka.
Penelitian ini mengembangkan sistem rekomendasi laptop berbasis website dengan metode knowledge-based menggunakan pendekatan case-based. Sistem ini dirancang untuk menganalisis preferensi pengguna berdasarkan beberapa parameter utama, seperti merek, ukuran layar, dan harga laptop. Metode Rapid Application Development (RAD) diterapkan dalam pengembangan sistem guna mempercepat proses perancangan dan implementasi. Sistem ini memungkinkan pengguna memasukkan preferensi mereka, yang kemudian diproses menggunakan metode knowledge-based recommendation untuk memberikan rekomendasi laptop yang paling sesuai. Implementasi sistem dilakukan dengan framework Laravel dan database SQL untuk mengelola informasi produk secara efisien.
Pengujian sistem dilakukan menggunakan metode Black Box Testing serta evaluasi recall dan precision, yang menunjukkan bahwa sistem memiliki tingkat akurasi rekomendasi sebesar 85%, dengan beberapa kategori merek mencapai 100%. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan dapat meningkatkan efisiensi layanan Rizky Comp dengan mengurangi waktu yang diperlukan untuk konsultasi serta meningkatkan kepuasan pelanggan. Untuk pengembangan lebih lanjut, disarankan agar sistem dilengkapi dengan atribut tambahan seperti jenis prosesor dan kapasitas RAM, serta mengintegrasikan data historis pengguna guna menghasilkan rekomendasi yang lebih personal dan akurat.