Sistem rekomendasi merupakan sebuah teknik yang memberikan saran berupa item yang mungkin disukai pengguna. Ada banyak domain yang dapat direkomendasikan, salah satu domain yang paling banyak diminati oleh pengguna saat ini adalah makanan. Di era big data saat ini, pilihan makanan dari jumlah data yang besar membuat pengguna mengalami kesulitan dalam memilih makanan yang tepat untuk mereka. Pendekatan collaborative filtering (CF) dinilai mampu memberikan saran item yang akurat dan berkualitas tinggi. Salah satu algoritma yang dapat memberikan hasil performansi yang baik dari pendekatan CF adalah Matrix Factorization (MF). Penelitian ini bertujuan untuk menguji dataset yang berisi penilaian produk berupa item makanan dengan menggunakan tiga algoritma MF yaitu Singular Value Decompostion (SVD), SVD with Implicit Feedback (SVD++), dan Non-negative Matrix Factorization (NMF). Faktor laten yang berbeda juga digunakan untuk meningkatkan kinerja algoritma sistem rekomendasi yang diusulkan. Dataset yang digunakan adalah Amazon Fine Food Review. Penelitian ini menunjukkan NMF dan SVD++ sebagai algoritma terbaik dalam menghasilkan prediksi peringkat pengguna terhadap item. NMF memiliki rata-rata kesalahan prediksi terkecil yang diukur dengan MAE yaitu sebesar 0,7311. Sedangkan SVD++ memperoleh nilai kesalahan prediksi terkecil sebesar 1,0607 yang diukur menggunakan RMSE. Selain hasil tersebut, evaluasi top-n juga menunjukkan bahwa algoritma yang diusulkan memiliki kinerja yang cukup baik. Nilai hit ratio untuk setiap n-item yang berbeda selalu meningkat secara proporsional dengan jumlah n-item yang direkomendasikan. Nilai hit ratio tertinggi dihasilkan dari algoritma SVD++ sebesar 0,0025 pada rekomendasi n-item sebanyak 25 item. Secara keseluruhan dapat dikatakan bahwa algoritma yang diusulkan memiliki kinerja yang baik dalam memberikan rekomendasi item.