<![CDATA[Perkembangan industri fashion yang pesat menuntut sistem rekomendasi yang tidak hanya akurat, tetapi juga mampu memahami preferensi visual pengguna. Sistem rekomendasi berbasis teks seringkali menghadapi keterbatasan dalam menangkap konteks visual yang kompleks, sehingga pendekatan berbasis citra menjadi solusi yang lebih relevan. Penelitian ini bertujuan untuk membangun sistem Smart Recommendation Search Engine berbasis visual dengan memanfaatkan model Convolutional Neural Network (CNN) ResNet50 sebagai feature extractor dan dataset DeepFashion. ResNet50 digunakan untuk mengekstraksi vektor fitur dari gambar produk fashion, yang kemudian dimanfaatkan dalam pencarian gambar serupa menggunakan algoritma K-Nearest Neighbors (KNN). Proses penelitian mencakup pra-pemrosesan data, ekstraksi fitur visual, pencarian kemiripan berbasis metrik kemiripan kosinus (cosine similarity), serta evaluasi sistem menggunakan metrik precision dan recall pada top-K results (hasil teratas). Hasil pengujian menunjukkan bahwa metrik cosine similarity memberikan performa terbaik dalam menemukan gambar dengan kemiripan visual tinggi, dengan nilai precision pada satu hasil teratas (precision at top-1) sebesar 0,230. Sistem yang dikembangkan berhasil mengidentifikasi produk fashion serupa secara visual dan mendukung pengalaman belanja yang lebih personal. Temuan ini menegaskan potensi pendekatan berbasis visual dalam meningkatkan akurasi sistem rekomendasi serta mendukung gaya hidup berkelanjutan.]]>
