Penerapan sistem rekomendasi (RS) telah diterapkan di berbagai jenis platform, terutama aplikasi untuk menonton film seperti Netflix dan Disney+. RS yang dirancang bertujuan untuk memudahkan pengguna dalam memilih film, karena saat ini jumlah produksi film semakin hari semakin bertambah, sehingga RS film ini memberikan kemudahan bagi pengguna. Penelitian ini bertujuan untuk menghasilkan sebuah Content Based Filtering (CBF) movie RS dengan membandingkan performa dari beberapa metode semantik yang berbeda untuk mengevaluasi akurasi, dan efisiensi dari masing-masing pendekatan, serta menemukan pendekatan yang paling sesuai untuk dapat meningkatkan kualitas performa dan mendapatkan hasil prediksi rating yang paling baik agar dapat terhindar dari masalah dari hasil performa sistem yang kurang optimal. Pendekatan semantik yang dibandingkan adalah Term Frequency-Inverse Intentional Frequency (TF-IDF), Bidirectioal Encoder Representations from Transformers (BERT), Generative Pre-Trained Transformer 2 (GPT-2), pendekatan Robustly optimized BERT (RoBERTa), dan mengimplementasikan model Recurrent Neural Network (RNN) untuk klasifikasi hasil prediksi rating. Data yang digunakan untuk menghasilkan RS dengan menerapkan penggunaan 854 data film, dan 39 akun dengan total 34.056 ulasan film di Twitter. Pada proses klasifikasi, model RNN dan optimasi Stochastic Gradient Descent, hasil pengukuran dengan confusion matrix dengan mengklasifikasikan prediksi rating RoBERTa didapatkan nilai evaluasi, akurasi 95.59%, presisi 95.76%, recall 95.41% dan nilai F-1 95.58%, hasil evaluasi tersebut menunjukkan model RoBERTa menghasilkan performa yang sangat baik dalam mengklasifikasikan rating yang akurat dan konsisten. Sehingga penelitian ini telah berhasil mendapatkan sebuah metode yang menghasilkan prediksi rating.