<![CDATA[Industri ritel modern, seperti Indomaret, sangat bergantung pada kecepatan dan efisiensi operasional yang didukung oleh sistem Point of Sale (POS) dan manajemen inventaris berbasis komputer. Di Indomaret Cabang Bogor 2, ribuan unit komputer aktif digunakan setiap hari untuk memproses transaksi dan mengelola persediaan. Namun, pemanfaatan data pemantauan perangkat—seperti suhu CPU, kecepatan jaringan, waktu booting, dan penggunaan CPU—belum optimal. Pemeliharaan masih bersifat reaktif, sehingga teknisi sering melakukan kunjungan berulang tanpa prioritas berbasis data, yang menyebabkan downtime, gangguan penjualan, dan peningkatan biaya perbaikan. Penelitian ini bertujuan untuk mengembangkan sistem otomatis untuk rekomendasi perawatan komputer dengan menerapkan algoritma K-Nearest Neighbors. Data historis kinerja perangkat dipra-proses dan dilabeli sesuai kebutuhan perawatan, kemudian digunakan sebagai basis klasifikasi kondisi komputer baru. Sistem ini dibangun dalam bentuk aplikasi web menggunakan framework Flask, yang memungkinkan teknisi mengakses rekomendasi melalui browser. Hasil pengujian menunjukkan bahwa model KNN memiliki performa tinggi dengan akurasi 97%, precision 100%, recall 67%, dan f1-score 80%. Sistem ini menyajikan daftar prioritas toko yang membutuhkan kunjungan berdasarkan kondisi perangkat, sehingga membantu teknisi melakukan perawatan secara lebih terencana dan efisien. Dengan demikian, penelitian ini membuktikan bahwa algoritma KNN efektif dalam mendukung pemeliharaan preventif perangkat komputer di lingkungan ritel modern.]]>
Copyrights © 2026
