Abstrak-Dengan pertumbuhan eksponensial buku di platform online, pembaca sering kali kesulitan untuk memilih judul yang sesuai dengan preferensi mereka. Sistem rekomendasi tradisional, yang bergantung pada peringkat pengguna dan data perilaku, sering kali mengabaikan wawasan kualitatif dalam ulasan pengguna. Penelitian ini mengatasi keterbatasan ini dengan mengintegrasikan analisis sentimen ulasan pengguna dengan model penyaringan kolaboratif untuk meningkatkan akurasi dan personalisasi rekomendasi buku. Dengan menggunakan dataset yang diambil dari Goodreads, sistem melakukan prapemrosesan data teks, menerapkan klasifikasi sentimen dengan algoritme K-Nearest Neighbors (KNN), dan menghitung skor sentimen untuk menyempurnakan prediksi peringkat. Hasilnya menunjukkan peningkatan kinerja yang signifikan, dengan Root Mean Square Error (RMSE) menurun dari 1,3704 menjadi 1,3288 dan Mean Absolute Error (MAE) berkurang dari 1,1894 menjadi 0,8381. Dengan menyeimbangkan peringkat kuantitatif dengan wawasan emosional kualitatif, sistem ini memberikan rekomendasi yang lebih relevan dan beresonansi secara emosional. Temuan ini menunjukkan bahwa sistem rekomendasi yang terintegrasi dengan sentimen dapat memenuhi kebutuhan pengguna dengan lebih baik dan memperkaya pengalaman membaca secara keseluruhan.
Kata Kunci-Rekomendasi Buku, Penyaringan Kolaboratif, Analisis Sentimen.