Menonton film adalah salah satu hobi dari kebanyakan orang. Dengan zaman digitalisasi, sekarang menonton film dapat dilakukan dimana saja. Salah satu provider menonton film adalah Disney+. Setelah menonton, biasanya user akan memberikan opininya ke media sosial, seperti Twitter, dikarenakan kebebasan berpendapat. Seiring banyaknya film yang ada, kebanyakan user kebingungan untuk menonton film. Solusi dari permasalahan tersebut adalah dengan sistem rekomendasi, yang memudahkan user dalam memilih film yang relevan. Teknik populer pada sistem rekomendasi adalah Collaborative Filtering (CF), Content-Based Filtering (CBF), dan Hybrid Filtering. Dikarenakan CF dan CBF memiliki masalah cold start, sparse, dan overspecialization. Maka penelitian ini akan merancang sistem rekomendasi Hybrid Filtering berbasis pembobotan CF-CBF dengan klasifikasi Long Short-Term Memory (LSTM). Pengklasifikasian akan dilakukan dengan berbagai optimasi, seperti Adam, SGD, Nadam, RMSprop, dan Adamax. Dataset berasal dari website Kaggle yang mencakup tweet film terkait platform Disney+. Hasil pengujian mengindikasikan bahwa pembobotan CF-CBF dalam sistem rekomendasi Hybrid Filtering, dengan mengandalkan optimasi Adamax pada klasifikasi LSTM, menghasilkan metrik performansi tinggi, dengan nilai Precision 78%, Recall 79%, Accuracy 79%, dan F1-Score 77%.
Kata kunci : Disney+, sistem rekomendasi, CF, CBF, hybrid filtering, LSTM