Saat ini, akses melalui internet telah mempermudah budaya menonton acara TV dan film. Kemudahan ini terlihat dalam platform seperti Disney+, yang memungkinkan penonton menikmati film di mana pun mereka berada. Namun, terkadang banyaknya pilihan genre dan judul film di platform ini membuat penonton kesulitan memilih tontonan yang tepat. Salah satu solusi untuk tantangan ini adalah penggunaan sistem rekomendasi berdasarkan rating. Pada konteks ini, penelitian mengusulkan penggunaan tiga pendekatan rekomendasi: Collaborative Filtering, Content-Based Filtering, dan Hybrid Filtering. Di sini, Collaborative Filtering dan Content-Based Filtering dihadapkan pada tantangan seperti masalah cold start, sparse data, dan overspesialisasi. Oleh karena itu, tujuan penelitian ini adalah mengembangkan sistem rekomendasi berbasis Hybrid Filtering yang digabungkan dengan metode Support Vector Machine. Dalam metode ini, teknik klasifikasi dengan kernel poly, linear, dan rbf digunakan dengan berbagai parameter yang berbeda. Selain itu, teknik seperti TF-IDF, RMSE, tuning parameter, dan penyeimbangan data dengan SMOTE diterapkan untuk meningkatkan akurasi dalam proses klasifikasi. Penilaian kinerja model menggunakan confusion matrix. Hasil menunjukkan bahwa Support Vector Machine dengan tuning dan penerapan SMOTE mampu mencapai hasil yang signifikan, terutama pada kernel rbf dengan nilai presisi mencapai 0,94, recall tertinggi pada kernel poly dengan nilai 0,93, akurasi paling tinggi pada kernel rbf sebesar 0,93, serta nilai F1-Score tertinggi pada kernel rbf dengan nilai 0,93. Hal ini mencerminkan peningkatan yang signifikan pada presisi, recall, akurasi, dan F1-Score dalam konteks pendekatan hybrid filtering, yang berhasil diperoleh melalui penggunaan Support Vector Machine untuk klasifikasi serta penerapan teknik SMOTE.