<![CDATA[Kebutuhan akan perangkat keras seperti mouse untuk bermain gim yang mendukung performa meningkat seiring dengan pertumbuhan industri gim dan teknologi digital. Fitur seperti DPI tinggi, tombol makro, sensor presisi, dan desain ergonomis menjadi daya tarik utama bagi pengguna. Namun, banyaknya variasi produk membuat konsumen kesulitan memilih mouse yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi mouse gaming berbasis pembelajaran mesin dengan membandingkan dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan K-Means. Metode penelitian meliputi pengumpulan data dari Kaggle, preprocessing data (pembersihan, normalisasi), reduksi dimensi dengan PCA, pengelompokan menggunakan K-Means, serta klasifikasi menggunakan K-NN dengan penerapan SMOTE untuk mengatasi ketidakseimbangan kelas. K-NN, sebagai algoritma supervised learning, memanfaatkan kedekatan antar data untuk menentukan label, sedangkan K-Means merupakan algoritma unsupervised yang mengelompokkan data berdasarkan kemiripan fitur. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa K-Means efektif dalam segmentasi produk, sementara K-NN memberikan akurasi tinggi dalam klasifikasi. Kombinasi keduanya menghasilkan sistem rekomendasi yang lebih akurat dan relevan bagi pengguna.]]>
