Sistem rekomendasi telah menjadi topik menarik dalam bidang kecerdasan buatan dan analisis data. Di era sekarang ini, industri perfilman mengalami perkembangan pesat di dunia hiburan dan diminati oleh masyarakat yang tertarik menonton film. Namun, berbagai genre dan judul film yang beragam menjadi tantangan bagi pengguna dalam memilih film yang sesuai dengan preferensi masing-masing pengguna. Oleh karena itu, diperlukan sistem rekomendasi yang dapat memberikan rekomendasi film berdasarkan minat dan selera pengguna. Pada penelitian ini, penulis mengimplementasikan metode content-based filtering dengan menggunakan algoritma TF-IDF (Term Frequency - Inverse Document Frequency) dan cosine similarity menggunakan library Python, Gensim, untuk mengekstraksi keyword dari sinopsis film. Dataset yang digunakan berasal dari data yang tersedia untuk umum (MovieLens). Penulis membandingkan model rekomendasi berdasarkan genre, keyword, dan kombinasi keduanya. Dan untuk mengukur kinerja system rekomendasi, penulis menggunakan perhitungan metrik precision, recall, dan f1-score. Hasil eksperimen menunjukkan bahwa sistem rekomendasi film memiliki keterbatasan dalam memberikan rekomendasi yang akurat dan relevan kepada pengguna. Penelitian ini menunjukkan bahwa metode contentbased filtering dengan algoritma TF-IDF dan cosine similarity yang mengintegrasikan ekstraksi keyword menggunakan library Gensim, kurang efektif dalam menghasilkan rekomendasi film yang relevan.
Kata Kunci: sistem pemberi rekomendasi; ekstraksi keyword; content-based filtering; TF-IDF; cosine similarity