<![CDATA[Abstrak. Tingginya intensitas penggunaan media sosial di kalangan siswa SMK Bina Industri Cikarang berdampak pada menurunnya minat baca, namun belum tersedia sistem yang dapat mengukur pengaruh tersebut secara terstruktur dan terukur. Penelitian ini bertujuan merancang dan membangun sistem pakar berbasis web yang mampu mengidentifikasi tingkat pengaruh penggunaan media sosial terhadap minat baca siswa menggunakan metode Certainty Factor (CF). Basis pengetahuan sistem diperoleh melalui wawancara dengan guru Bimbingan dan Konseling serta guru Bahasa Indonesia SMK Bina Industri sebagai pakar domain. Sistem dibangun menggunakan framework Next.js dengan TypeScript dan database PostgreSQL, serta mengimplementasikan 22 indikator dan 10 aturan produksi (production rules). Setiap gejala diberi bobot CF pakar, kemudian dikombinasikan dengan nilai CF user menggunakan rumus kombinasi CF secara iteratif. Hasil nilai CF akhir diinterpretasikan ke dalam lima kategori pengaruh: Tidak Berpengaruh, Berpengaruh Rendah, Berpengaruh Sedang, Berpengaruh Tinggi, dan Berpengaruh Sangat Tinggi. Validasi model menunjukkan tingkat kesesuaian 90% terhadap penilaian pakar pada 30 skenario uji. Pengujian alpha menunjukkan seluruh fungsi berjalan sesuai kebutuhan, dan pengujian beta memperoleh persentase kelayakan sebesar 89,78% dengan kategori Sangat Baik. Abstract. The high intensity of social media usage among students of SMK Bina Industri Cikarang has negatively impacted their reading interest, yet no structured system exists to measure this influence objectively. This study aims to design and develop a web-based expert system capable of identifying the level of social media influence on students’ reading interest using the Certainty Factor (CF) method. The knowledge base was obtained through interviews with the school’s Guidance Counseling and Indonesian Language teachers as domain experts. The system was built using the Next.js framework with TypeScript and a PostgreSQL database, implementing 22 indicators and 10 production rules. Each symptom is assigned an expert CF weight, which is then combined with user CF values using an iterative CF combination formula. The final CF value is interpreted into five influence categories: No Influence, Low Influence, Moderate Influence, High Influence, and Very High Influence. Model validation yielded a 90% agreement rate with expert assessments across 30 test scenarios. Alpha testing confirmed that all core functions operate as required, while beta testing achieved a feasibility score of 89.78%, categorized as Very Good.]]>
