Perkembangan teknologi yang pesat pada era modern ini seakan mengharuskan masyarakat untuk mengikutinya, terutama teknologi komunikasi. Salah satu alat komunikasi yang dimiliki hampir semua orang adalah ponsel. Di Indonesia, pengguna ponsel terus meningkat dari tahun ke tahun. Hal ini membuat para perusahaan penyedia layanan jasa telekomunikasi berusaha memberikan produk yang mendukung kebutuhan masyarakat dalam penggunaan ponsel, salah satunya PT Telkomsel Indonesia. Untuk dapat mempertahankan penjualan dan tetap bersaing dengan kompetitor, salah satu strategi penjualan yang menjanjikan adalah product bundling. Telkomsel menawarkan product bundling berupa kartu SIM yang dijual bersama sebuah produk ponsel hasil kerjasama dengan perusahaan dengan perusahaan ponsel tersebut, yang disebut dengan paket Telkomsel Android United (TAU) Telkomsel. Banyaknya merek dan jenis ponsel yang ada kadangkala membuat perusahaan mengalami kesulitan menentukan ponsel apa yang ingin dibuat product bundling, karena banyaknya pertimbangan yang perlu diperhitungkan, seperti produk, pembeli, dan penjualan. Untuk itu, solusi yang ditawarkan adalah perancangan sistem rekomendasi untuk product bundling Telkomsel TAU. Sistem rekomendasi adalah jenis sistem penyaringan informasi yang bertujuan untuk memprediksi penilaian atau preferensi pengguna pada item yang diberikan. Sistem rekomendasi pada penelitian ini dibangun dengan menggunakan item-based collaborative filtering dengan algoritma K-Nearest Neighbors. Data yang digunakan adalah data pelanggan Telkomsel pada dua tanggal yang berbeda, berjarak 14 hari. Penelitian dilakukan dengan tahapan pemilihan data, data preprocessing, penetapan role pada tiap kolom yang dipilih, pemisahan data training dan testing, implementasi algoritma K-Nearest Neighbors, kemudian analisis hasil testing. Pengujian dilakukan dengan pengukuran Area Under Curve (AUC), Normalized Discounted Cumulative Gain (NDCG), dan Mean Average Precision (MAP) dengan tujuan mengukur kualitas item rekomendasi yang diberikan kepada user oleh sistem. Pengujian dilakukan dengan kondisi nilai k sebesar 10, 20, 30, 50, dan 80. Nilai performansi terbaik didapatkan pada saat k bernilai 10, dengan hasil nilai AUC sebesar 0.295, nilai NDCG sebesar 0.126, dan nilai MAP sebesar 0.025.