Saat ini sudah banyak sekali informasi makanan yang ditawarkan pada setiap orang sehingga, membuat kebingungan dalam menentukan pilihan. Namun, dengan adanya sistem rekomendasi, permasalahan tersebut dapat teratasi. Pada penelitian ini bertujuan untuk membuat sistem rekomendasi menggunakan metode User Based Collaborative Filtering dengan algoritma Pearson Correlation dan Cosine Similarity. Kedua algoritma tersebut akan diterapkan terhadap dataset “Amazon Fine Food Reviews” yang memiliki karakteristik imbalance. Diharapkan dapat menentukan dari kedua algortima tersebut yang lebih baik untuk diterapkan pada sistem rekomendasi yang dibuat. Dalam uji coba yang dilakukan pada penelitian ini, digunakan dua parameter yaitu, threshold cold start dan K dalam skema 5-fold cross-validation. Dari hasil uji coba didapatkan hasil terbaik untuk Pearson Correlation performansi terbaik sebesar MAE 0,6335, MSE 2,6132, RMSE 0,8083, Precision 0,8141, Recall 0,4662, F1-Score 0,5801, Accuracy 0,4721, Specificity 0,5996, FPR 0,1859, NDCG 0,9861. Sedangkan, Cosine Similarity mendapatkan performansi terbaik sebesar MAE 0,8417, MSE 3,4206, RMSE 0,9247, Precision 0,8315, Recall 0,1392, F1-Score 0,2380, Accuracy 0,3074, Specificity 0,9616, FPR 0,1685, dan NDCG 0,9816.